Buchumschlag

GUD: Generation with Unified Diffusion

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gerdes, Mathis, Welling, Max, Cheng, Miranda C. N.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning High Energy Physics - Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Non-Perturbative Trivializing Flows for Lattice Gauge Theories
von: Gerdes, Mathis, et al.
Veröffentlicht: (2024)

Analytic Bijections for Smooth and Interpretable Normalizing Flows
von: Gerdes, Mathis, et al.
Veröffentlicht: (2026)

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

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

Finite-Width Neural Tangent Kernels from Feynman Diagrams
von: Guillen, Max, et al.
Veröffentlicht: (2025)

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

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

Generating particle physics Lagrangians with transformers
von: Koay, Yong Sheng, et al.
Veröffentlicht: (2025)

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

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

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

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

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

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

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

TASI Lectures on Physics for Machine Learning
von: Halverson, Jim
Veröffentlicht: (2024)

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

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

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

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

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

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

Descending into the Modular Bootstrap
von: Benjamin, Nathan, et al.
Veröffentlicht: (2026)

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

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

Learning to Unscramble Feynman Loop Integrals with SAILIR
von: Shih, David
Veröffentlicht: (2026)

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

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

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

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

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

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

Transformer models are gauge invariant: A mathematical connection between AI and particle physics
von: van Nierop, Leo
Veröffentlicht: (2024)

Neural Network Learning and Quantum Gravity
von: Lanza, Stefano
Veröffentlicht: (2024)

Emergent field theories from neural networks
von: Vanchurin, Vitaly
Veröffentlicht: (2024)

Conformal Fields from Neural Networks
von: Halverson, James, et al.
Veröffentlicht: (2024)

Detecting Homeomorphic 3-manifolds via Graph Neural Networks
von: Lawrie, Craig, et al.
Veröffentlicht: (2024)

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

Virasoro Symmetry in Neural Network Field Theories
von: Robinson, Brandon
Veröffentlicht: (2025)

Machine learning modularity
von: Fan, Yi, et al.
Veröffentlicht: (2026)