English(EN) Learning Standard Model structure from LHC data with Riemannian flow matching

AI模型直接从LHC碰撞数据中学习标准模型物理学

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-20 04:00

研究人员开发了一种名为ShellFlow的基于Transformer的生成模型，可以直接从Large Hadron Collider收集的数据中学习粒子物理学标准模型的结构。该模型在ATLAS Open Data发布的约十亿次碰撞事件上进行训练，无需超出基本运动学公式的明确先验知识，即可重现各种物理现象。ShellFlow成功学习了粒子内运动学、双轻子共振、Weinberg角以及W玻色子和顶夸克的质量，证明了标准模型的重要部分可以直接从实验数据中推断出来。 AI

影响展示了AI通过从原始实验数据中推断复杂的物理定律来加速科学发现的潜力。

排序理由详细介绍从实验数据中学习物理模型新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Midori Kato, Kevin A. Urqu\'ia-Calder\'on, Inar Timiryasov, Oleg Ruchayskiy · 2026-07-20 04:00

从LHC数据中利用黎曼流匹配学习标准模型结构

arXiv:2607.16144v1 Announce Type: cross Abstract: In this work we demonstrate that a single transformer-based generative model can capture Standard Model structure spanning five decades of invariant mass, from the sub-GeV regime to the TeV continuum, a range that no single Monte …

报道来源 [1]

从LHC数据中利用黎曼流匹配学习标准模型结构

相关实体

相关话题