QCD
PulseAugur coverage of QCD — every cluster mentioning QCD across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
机器学习进展已融入高能核物理研究
一篇新的综述文章探讨了机器学习（ML）在高能核物理（HENP）中的融合。文章重点介绍了将物理知识越来越多地纳入数据分析、模拟和推理过程的最新进展。文章详细介绍了从事件分类和模式识别到更复杂的物理集成式工作流程的应用，例如QCD性质的贝叶斯提取以及从重离子和中子星数据中推断致密物质的状态方程。该综述强调了如何应用对称性和守恒定律等物理约束，以及不确定性量化如何确保可靠的物理结论。
-
Conformal deep learning models pion form factor from first principles
研究人员开发了一种利用共形z平面（conformal z-plane）的物理信息神经网络（PINN），用于提取π介子电磁形状因子$F_{\pi}(s)$。这种新颖的方法将解析性（analyticity）和色散关系（dispersion relations）等基本S矩阵原理直接整合到神经网络的损失函数中，确保在以数据作为约束的同时遵守第一性原理。该方法通过将复平面映射到单位圆盘（unit disk），从而限制Hessian范数并防止神经…
-
新的PLuM架构通过多模态物理数据增强喷注鉴别器
研究人员开发了一种新的多模态架构，称为PLuM，它将粒子成分与Lund平面分裂相结合，以改进高能物理中的喷注鉴别。该方法使用统一的Transformer联合处理这两种数据，允许通过交叉注意力来确定结构化QCD信息的附加价值。PLuM模型在鉴别顶夸克和H到bb衰变方面取得了显著的提升，表明对于某些拓扑结构，显式的分层信息仍然是对原始粒子表示的补充。
-
AI研究人员比较粒子物理学中喷注鉴别方法的可解释性
研究人员开发并比较了三种可解释人工智能（XAI）方法——GNNExplainer、GNNShap 和 GradCAM——以理解在大型强子对撞机喷注鉴别中使用的图神经网络的预测。该研究将这些XAI技术应用于Lund平面表示，该表示将部分子分裂映射到图节点。通过引入一个物理信息评估框架，该研究量化了不同能量区域下解释质量的变化，并评估了AI分配的重要性与已建立的喷注子结构可观测值之间的相关性。