Buchumschlag

A Perspective on Symbolic Machine Learning in Physical Sciences

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Makke, Nour, Chawla, Sanjay
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning High Energy Physics - Phenomenology High Energy Physics - Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Inferring Interpretable Models of Fragmentation Functions using Symbolic Regression
von: Makke, Nour, et al.
Veröffentlicht: (2025)

Interpretable Scientific Discovery with Symbolic Regression: A Review
von: Makke, Nour, et al.
Veröffentlicht: (2022)

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

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

Symbolic Regression for Beyond the Standard Model Physics
von: AbdusSalam, Shehu, et al.
Veröffentlicht: (2024)

Learning to Unscramble: Simplifying Symbolic Expressions via Self-Supervised Oracle Trajectories
von: Shih, David
Veröffentlicht: (2026)

Machine Learning Neutrino-Nucleus Cross Sections
von: Hackett, Daniel C., et al.
Veröffentlicht: (2024)

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

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

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

Uncovering Singularities in Feynman Integrals via Machine Learning
von: Liu, Yuanche, et al.
Veröffentlicht: (2025)

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

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

Comparing Generative Models with the New Physics Learning Machine
von: Grossi, Samuele, et al.
Veröffentlicht: (2025)

Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics
von: Aarts, Gert, et al.
Veröffentlicht: (2025)

A Collinear Perspective on the Regge Limit
von: Gao, Anjie, et al.
Veröffentlicht: (2024)

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

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

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

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

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

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

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

The Landscape of Unfolding with Machine Learning
von: Huetsch, Nathan, et al.
Veröffentlicht: (2024)

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)

Experimental Particle Physics Priorities 2025: A String Phenomenology Perspective
von: DeMont, Jonathan, et al.
Veröffentlicht: (2025)

Machine-Learning Analysis of Radiative Decays to Dark Matter at the LHC
von: Arganda, Ernesto, et al.
Veröffentlicht: (2024)

Heptagon Symbols at Five Loops and All-Loop Sequences
von: He, Song, et al.
Veröffentlicht: (2025)

Symbol letters of Feynman integrals from Gram determinants
von: Jiang, Xuhang, et al.
Veröffentlicht: (2024)

Symbolic Reduction of Multi-loop Feynman Integrals via Generating Functions
von: Feng, Bo, et al.
Veröffentlicht: (2025)

Feynman Integral Reduction using Syzygy-Constrained Symbolic Reduction Rules
von: Smith, Sid, et al.
Veröffentlicht: (2025)

Symbolic syzygy-constrained reduction rules for Feynman integrals and the LoopIn framework
von: Smith, Sid
Veröffentlicht: (2026)

Advancing Physics Data Analysis through Machine Learning and Physics-Informed Neural Networks
von: Vatellis, Vasileios
Veröffentlicht: (2024)

An Algorithm for the Symbolic Reduction of Multi-loop Feynman Integrals via Generating Functions
von: Feng, Bo, et al.
Veröffentlicht: (2026)

QCD Masterclass Lectures on Jet Physics and Machine Learning
von: Larkoski, Andrew J.
Veröffentlicht: (2024)

Reconstruction of Gravitational Form Factors using Generative Machine Learning
von: Alharazin, Herzallah, et al.
Veröffentlicht: (2026)

Symbolic Density Estimation: A Decompositional Approach
von: Rajendram, Angelo, et al.
Veröffentlicht: (2026)

Quantum-classical simulation of quantum field theory by quantum circuit learning
von: Ikeda, Kazuki
Veröffentlicht: (2023)

Uncertainty Quantification From Scaling Laws in Deep Neural Networks
von: Elsharkawy, Ibrahim, et al.
Veröffentlicht: (2025)