AI扩散模型应用于粒子物理学以发现参数

研究人员开发了一种新颖的方法，使用扩散模型（一种生成式AI）来搜索味模型中与实验约束相符的参数。该方法应用于$S_4^\prime$模味模型，其中训练了一个神经网络，根据自由参数预测夸克质量、CKM矩阵和Jarlskog不变量。该研究确定了新的现象学上有趣的参数区域，并证实了$S_4^\prime$模型中的自发CP破坏，证明了扩散模型在物理学中解决逆问题的能力。 AI

影响 这项研究展示了一种新的AI驱动方法来解决理论物理学中的逆问题，有可能加速粒子物理学的发现。

排序理由 该集群包含一篇研究论文，详细介绍了AI在特定科学问题上的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• CKM matrix
• diffusion models
• generative AI
• High Energy Physics - Phenomenology
• Hugging Face
• Jarlskog invariant
• quark masses
• $S_4^\prime$ modular flavor model
• Satsuki Nishimura

• 论文
• 其他

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