Copertina

The Splendors and Miseries of Heavisidisation

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Dolotin, V., Morozov, A.
Natura:	Preprint
Pubblicazione:	2022
Soggetti:	High Energy Physics - Theory Machine Learning
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

A new Uncertainty Principle in Machine Learning
di: Dolotin, V., et al.
Pubblicazione: (2026)

Learning S-Matrix Phases with Neural Operators
di: Niarchos, V., et al.
Pubblicazione: (2024)

Feature Learning and Generalization in Deep Networks with Orthogonal Weights
di: Day, Hannah, et al.
Pubblicazione: (2023)

On information paradox and the fate of black holes
di: Morozov, A.
Pubblicazione: (2023)

Descending into the Modular Bootstrap
di: Benjamin, Nathan, et al.
Pubblicazione: (2026)

Tau-functions beyond the group elements
di: Mironov, A., et al.
Pubblicazione: (2023)

Integrability and Matrix Models
di: Morozov, A.
Pubblicazione: (2022)

Averages of Exponentials from the point of view of Superintegrability
di: Morozov, A.
Pubblicazione: (2026)

Position space equations for generic Feynman graphs
di: Mishnyakov, V., et al.
Pubblicazione: (2024)

Stochastic normalizing flows for Effective String Theory
di: Caselle, Michele, et al.
Pubblicazione: (2024)

Lecture Notes on Normalizing Flows for Lattice Quantum Field Theories
di: Cheng, Miranda C. N., et al.
Pubblicazione: (2025)

A Perspective on Symbolic Machine Learning in Physical Sciences
di: Makke, Nour, et al.
Pubblicazione: (2025)

Learning the Simplicity of Scattering Amplitudes
di: Cheung, Clifford, et al.
Pubblicazione: (2024)

Exploring the flavor structure of quarks and leptons with reinforcement learning
di: Nishimura, Satsuki, et al.
Pubblicazione: (2023)

Good flavor search in SU(5): a machine learning approach
di: Abu-Ajamieh, Fayez, et al.
Pubblicazione: (2025)

Sampling the lattice Nambu-Goto string using Continuous Normalizing Flows
di: Caselle, Michele, et al.
Pubblicazione: (2023)

Refining Integration-by-Parts Reduction of Feynman Integrals with Machine Learning
di: von Hippel, Matt, et al.
Pubblicazione: (2025)

Learning the S-matrix from data: Rediscovering gravity from gauge theory via symbolic regression
di: Moynihan, Nathan
Pubblicazione: (2026)

Truth, beauty, and goodness in grand unification: a machine learning approach
di: Kawai, Shinsuke, et al.
Pubblicazione: (2024)

Numerical determination of the width and shape of the effective string using Stochastic Normalizing Flows
di: Caselle, Michele, et al.
Pubblicazione: (2024)

cymyc -- Calabi-Yau Metrics, Yukawas, and Curvature
di: Berglund, Per, et al.
Pubblicazione: (2024)

Studying Effective String Theory using deep generative models
di: Caselle, Michele, et al.
Pubblicazione: (2025)

Physics-informed neural networks viewpoint for solving the Dyson-Schwinger equations of quantum electrodynamics
di: Terin, Rodrigo Carmo
Pubblicazione: (2024)

Reinforcement learning-based statistical search strategy for an axion model from flavor
di: Nishimura, Satsuki, et al.
Pubblicazione: (2024)

Exploring the flavor structure of leptons via diffusion models
di: Nishimura, Satsuki, et al.
Pubblicazione: (2025)

Learning to Unscramble Feynman Loop Integrals with SAILIR
di: Shih, David
Pubblicazione: (2026)

TASI Lectures on Physics for Machine Learning
di: Halverson, Jim
Pubblicazione: (2024)

On character expansion and Gaussian regularization of Itzykson-Zuber measure
di: Morozov, A., et al.
Pubblicazione: (2024)

Rediscovery of Numerical Lüscher's Formula from the Neural Network
di: Lu, Yu, et al.
Pubblicazione: (2022)

Spectral functions in Minkowski quantum electrodynamics from neural reconstruction: Benchmarking against dispersive Dyson--Schwinger integral equations
di: Terin, Rodrigo Carmo
Pubblicazione: (2025)

Machine Learning Toric Duality in Brane Tilings
di: Capuozzo, Pietro, et al.
Pubblicazione: (2024)

Conformal Defects in Neural Network Field Theories
di: Capuozzo, Pietro, et al.
Pubblicazione: (2025)

Virasoro Symmetry in Neural Network Field Theories
di: Robinson, Brandon
Pubblicazione: (2025)

Rigor with Machine Learning from Field Theory to the Poincaré Conjecture
di: Gukov, Sergei, et al.
Pubblicazione: (2024)

MultiSTOP: Solving Functional Equations with Reinforcement Learning
di: Trenta, Alessandro, et al.
Pubblicazione: (2024)

Machine learning modularity
di: Fan, Yi, et al.
Pubblicazione: (2026)

Machine-learning emergent spacetime from linear response in future tabletop quantum gravity experiments
di: Hashimoto, Koji, et al.
Pubblicazione: (2024)

Criticality and Saturation in Orthogonal Neural Networks
di: Guillen, Max, et al.
Pubblicazione: (2026)

Viability of perturbative expansion for quantum field theories on neurons
di: Sen, Srimoyee, et al.
Pubblicazione: (2025)

Learning the Inverse Ryu--Takayanagi Formula with Transformers
di: Kim, Sejin
Pubblicazione: (2025)