PulseAugur
中
实时 10:12:19
English(EN) Deep Neural Network Driven Simulation Based Inference Method for Pole Position Estimation under Model Misspecification

深度神经网络方法增强粒子物理推断

作者 PulseAugur 编辑部 · [1 个来源] ·

arXiv上的一篇新论文介绍了一种基于模拟的推断（SBI）方法，用于估计粒子物理学中的共振参数，特别是rho(770)共振。与传统的卡方最小化方法相比，这种深度神经网络驱动的方法在处理模型误设时表现出更高的准确性。该研究强调了SBI在预测极点位置方面的鲁棒性，这对于理解各种当代物理系统至关重要。 AI

影响 这项研究展示了深度神经网络和基于模拟的推断在粒子物理学中的应用，有望提高实验数据分析的准确性。

排序理由 该条目是一篇学术论文，详细介绍了一种用于粒子物理学参数估计的新方法。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv stat.ML 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]

  1. arXiv stat.ML TIER_1 English(EN) · Daniel Sadasivan, Isaac Cordero, Andrew Graham, Cecilia Marsh, Daniel Kupcho, Melana Mourad, Maxim Mai ·

    Deep Neural Network Driven Simulation Based Inference Method for Pole Position Estimation under Model Misspecification

    arXiv:2507.18824v2 Announce Type: replace-cross Abstract: Simulation Based Inference (SBI) is shown to yield more accurate resonance parameter estimates than traditional chi-squared minimization in certain cases of model misspecification, demonstrated through a case study of pi-p…

相关实体

相关话题