Машинное обучение соответствует высокоэнергетической ядерной физике: от распознавания моделей до интегрированного в физику открытия
arXiv: 2610.12293v1 Аннонс Тип: перекрестное резюме: Машинное обучение (ML) по высокоэнергетической ядерной физике (HENP) вступает в новую стадию, на которой физические знания более непосредственно учитываются при анализе данных, имитации и физических выводах. В рамках этого мини-обзора основное внимание уделяется событиям, которые приобрели зрелый характер за последние несколько лет. В то время как в предыдущих прикладных программах особое внимание уделялось классификации событий, распознаванию образов и суррогатным моделям для отдельных наблюдаемых явлений, последние работы были направлены на разработку физико-интегрированных рабочих процессов: калиброванная Байезийская экстракция свойств QCD материи, вычисление уравнения состояния плотной материи из данных о тяжелом ионе и нейтронном звезде, разработка моделей производительного явления, развертывание нервов слабых физических сигналов, различные обратные растворители, манометрические и диффузионные пробоотборники на основе решетчатой палочки, а также нервная реконструкция функций модели в голографической КЦД. Мы изучаем последние виды применения ML в столкновениях с тяжелыми ионами, физику нейтронов-звезд, решетчатую QFT и голографию
