Buchumschlag

What is AI, what is it not, how we use it in physics and how it impacts... you

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	David, Claire
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Physics and Society Machine Learning High Energy Physics - Experiment
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

QCD Perturbation Theory: It's not what you were taught
von: Stevenson, P. M.
Veröffentlicht: (2024)

HEP-JEPA: A foundation model for collider physics using joint embedding predictive architecture
von: Bardhan, Jai, et al.
Veröffentlicht: (2025)

KAN we improve on HEP classification tasks? Kolmogorov-Arnold Networks applied to an LHC physics example
von: Erdmann, Johannes, et al.
Veröffentlicht: (2024)

A meta-analysis of impact factors of particle physics journals using NASA/ADS
von: Rithvik, Rayani Venkat Sai, et al.
Veröffentlicht: (2025)

Loss function to optimise signal significance in particle physics
von: Bardhan, Jai, et al.
Veröffentlicht: (2024)

Decorrelation using Optimal Transport
von: Algren, Malte, et al.
Veröffentlicht: (2023)

Improving the performance of weak supervision searches using data augmentation
von: Chen, Zong-En, et al.
Veröffentlicht: (2024)

Explainable AI for Jet Tagging: A Comparative Study of GNNExplainer, GNNShap, and GradCAM for Jet Tagging in the Lund Jet Plane
von: Patel, Pahal D., et al.
Veröffentlicht: (2026)

Improving the performance of weak supervision searches using transfer and meta-learning
von: Beauchesne, Hugues, et al.
Veröffentlicht: (2023)

Collider-Bench: Benchmarking AI Agents with Particle Physics Analysis Reproduction
von: Faroughy, Darius A., et al.
Veröffentlicht: (2026)

Tagging fully hadronic exotic decays of the vectorlike $\mathbf{B}$ quark using a graph neural network
von: Bardhan, Jai, et al.
Veröffentlicht: (2025)

Robust semi-parametric signal detection in particle physics with classifiers decorrelated via optimal transport
von: Chakravarti, Purvasha, et al.
Veröffentlicht: (2024)

Insights on the current semi-leptonic $B$-decay discrepancies -- and how $B_s \to μ^+ μ^- γ$ can help
von: Guadagnoli, Diego, et al.
Veröffentlicht: (2023)

Know your footprint -- Evaluation of the professional carbon footprint for individual researchers in high energy physics and related fields
von: Lang, Valerie S., et al.
Veröffentlicht: (2024)

Leveraging Reinforcement Learning, Genetic Algorithms and Transformers for background determination in particle physics
von: Mendizabal, Guillermo Hijano, et al.
Veröffentlicht: (2025)

FAIR AI Models in High Energy Physics
von: Duarte, Javier, et al.
Veröffentlicht: (2022)

Explainable Equivariant Neural Networks for Particle Physics: PELICAN
von: Bogatskiy, Alexander, et al.
Veröffentlicht: (2023)

TIDMAD: Time Series Dataset for Discovering Dark Matter with AI Denoising
von: Fry, J. T., et al.
Veröffentlicht: (2024)

Generator Based Inference (GBI)
von: Cheng, Chi Lung, et al.
Veröffentlicht: (2025)

Aspen Open Jets: Unlocking LHC Data for Foundation Models in Particle Physics
von: Amram, Oz, et al.
Veröffentlicht: (2024)

PETNet -- Coincident Particle Event Detection using Spiking Neural Networks
von: Debus, Jan, et al.
Veröffentlicht: (2025)

Reconstruction of muon bundles in KM3NeT detectors using machine learning methods
von: Kalaczyński, Piotr
Veröffentlicht: (2025)

Shapes are not enough: CONSERVAttack and its use for finding vulnerabilities and uncertainties in machine learning applications
von: Bechtle, Philip, et al.
Veröffentlicht: (2026)

Evidential Deep Learning for Uncertainty Quantification and Out-of-Distribution Detection in Jet Identification using Deep Neural Networks
von: Khot, Ayush, et al.
Veröffentlicht: (2025)

What can we learn from the radiative decays of the $D_{s1}(2460)$ meson?
von: Fu, Hai-Long, et al.
Veröffentlicht: (2025)

TRANSIT your events into a new mass: Fast background interpolation for weakly-supervised anomaly searches
von: Oleksiyuk, Ivan, et al.
Veröffentlicht: (2025)

The Pareto Frontier of Resilient Jet Tagging
von: Gambhir, Rikab, et al.
Veröffentlicht: (2025)

E-PCN: Jet Tagging with Explainable Particle Chebyshev Networks Using Kinematic Features
von: Islam, Md Raqibul, et al.
Veröffentlicht: (2025)

Stable and Interpretable Jet Physics with IRC-Safe Equivariant Feature Extraction
von: Konar, Partha, et al.
Veröffentlicht: (2025)

SEAL - A Symmetry EncourAging Loss for High Energy Physics
von: Hebbar, Pradyun, et al.
Veröffentlicht: (2025)

Learning to Validate Generative Models: a Goodness-of-Fit Approach
von: Cappelli, Pietro, et al.
Veröffentlicht: (2025)

Simulation-Prior Independent Neural Unfolding Procedure
von: Butter, Anja, et al.
Veröffentlicht: (2025)

BitHEP -- The Limits of Low-Precision ML in HEP
von: Krause, Claudius, et al.
Veröffentlicht: (2025)

Discriminative versus Generative Approaches to Simulation-based Inference
von: Sluijter, Benjamin, et al.
Veröffentlicht: (2025)

Non-Gaussianities in Collider Metric Binning
von: Larkoski, Andrew J.
Veröffentlicht: (2025)

Data-Driven High-Dimensional Statistical Inference with Generative Models
von: Amram, Oz, et al.
Veröffentlicht: (2025)

Enhancing anomaly detection with topology-aware autoencoders
von: Ngairangbam, Vishal S., et al.
Veröffentlicht: (2025)

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

A Step Toward Interpretability: Smearing the Likelihood
von: Larkoski, Andrew J.
Veröffentlicht: (2025)

From Information Geometry to Jet Substructure: A Triality of Cumulant Tensors, Energy Correlators, and Hypergraphs
von: Bal, Aritra, et al.
Veröffentlicht: (2026)