Ekaterina Krymova

新的机器学习方法加速粒子加速器的不确定性量化

研究人员开发了一种新颖的经验贝叶斯方法，用于灵活、异方差谱归一化神经高斯过程的超参数进行高效调优。该技术显著降低了复杂机器学习模型相关的计算成本，使其更适用于大规模科学应用。该方法已成功应用于粒子加速器的动态孔径预测，特别是针对CERN的大型强子对撞机，为传统的计算密集型方法提供了一种更具成本效益的替代方案，同时保持了具有竞争力的性能和准确的不确定性估计。