Buchumschlag

Discovering the Underlying Analytic Structure Within Standard Model Constants Using Artificial Intelligence

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chekanov, S. V., Kjellerstrand, H.
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	High Energy Physics - Phenomenology Artificial Intelligence Data Analysis, Statistics and Probability
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Evidence of Relationships Among Fundamental Constants of the Standard Model
von: Chekanov, S. V., et al.
Veröffentlicht: (2025)

On the Statistical Interpretation of Discoveries in LHC Data
von: Chekanov, S. V., et al.
Veröffentlicht: (2026)

Rediscovering the Standard Model with AI
von: Abdelhaq, Aya, et al.
Veröffentlicht: (2025)

Jet Image Tagging Using Deep Learning: An Ensemble Model
von: Bassa, Juvenal, et al.
Veröffentlicht: (2025)

Variance Reduction via Simultaneous Importance Sampling and Control Variates Techniques Using Vegas
von: Shyamsundar, Prasanth, et al.
Veröffentlicht: (2023)

QCD in Language Models: What do they really know about QCD?
von: Sulc, Antonin, et al.
Veröffentlicht: (2025)

Large Physics Models: Towards a collaborative approach with Large Language Models and Foundation Models
von: Barman, Kristian G., et al.
Veröffentlicht: (2025)

Improving robustness of jet tagging algorithms with adversarial training: exploring the loss surface
von: Stein, Annika
Veröffentlicht: (2023)

Foundation models for high-energy physics
von: Hallin, Anna
Veröffentlicht: (2025)

Agents of Discovery
von: Diefenbacher, Sascha, et al.
Veröffentlicht: (2025)

Signal model parameter scan using Normalizing Flow
von: Saito, Masahiko, et al.
Veröffentlicht: (2024)

The role of the Look Elsewhere Effect in determining the significance of an oscillation disappearance search for a light sterile neutrino
von: Ranucci, Gioacchino
Veröffentlicht: (2024)

PanopTag: Simultaneously Tagging All Jets in a Particle Collision Event
von: Qureshi, Umar Sohail, et al.
Veröffentlicht: (2026)

Searching for Anomalies with Foundation Models
von: Mikuni, Vinicius, et al.
Veröffentlicht: (2026)

Statistical divergences in high-dimensional hypothesis testing and a modern technique for estimating them
von: Wilkinson, Jeremy J. H., et al.
Veröffentlicht: (2024)

Log Gaussian Cox Process Background Modeling in High Energy Physics
von: Frid, Yuval, et al.
Veröffentlicht: (2025)

The Intrinsic Dimension of Collider Events and Model-Independent Searches in 100 Dimensions
von: D'Agnolo, Raffaele Tito, et al.
Veröffentlicht: (2025)

Parton Labeling without Matching: Unveiling Emergent Labelling Capabilities in Regression Models
von: Qiu, Shikai, et al.
Veröffentlicht: (2023)

Towards Universal Unfolding of Detector Effects in High-Energy Physics using Denoising Diffusion Probabilistic Models
von: Pazos, Camila, et al.
Veröffentlicht: (2024)

Towards a Large Physics Benchmark
von: Barman, Kristian G., et al.
Veröffentlicht: (2025)

Graph theory inspired anomaly detection at the LHC
von: Araz, Jack Y., et al.
Veröffentlicht: (2025)

FlexCAST: Enabling Flexible Scientific Data Analyses
von: Nachman, Benjamin, et al.
Veröffentlicht: (2025)

Isolating Unisolated Upsilons with Anomaly Detection in CMS Open Data
von: Gambhir, Rikab, et al.
Veröffentlicht: (2025)

Unbinned inclusive cross-section measurements with machine-learned systematic uncertainties
von: Benato, Lisa, et al.
Veröffentlicht: (2025)

Double Metric Learning for Building Directed Graphs with Chain Connections for the ATLAS ITk Detector
von: Chan, Jay
Veröffentlicht: (2026)

Seeing Double: Calibrating Two Jets at Once
von: Gambhir, Rikab, et al.
Veröffentlicht: (2024)

Accelerating Resonance Searches via Signature-Oriented Pre-training
von: Li, Congqiao, et al.
Veröffentlicht: (2024)

Why Is Attention Sparse In Particle Transformer?
von: Legge, Timothy, et al.
Veröffentlicht: (2025)

Look everywhere effects in anomaly detection
von: Hein, Marie, et al.
Veröffentlicht: (2025)

Resummed Distribution Functions: Making Perturbation Theory Positive and Normalized
von: Gambhir, Rikab, et al.
Veröffentlicht: (2025)

Accurate and robust methods for direct background estimation in resonant anomaly detection
von: Das, Ranit, et al.
Veröffentlicht: (2024)

stanhf: HistFactory models in the probabilistic programming language Stan
von: Fowlie, Andrew
Veröffentlicht: (2025)

Non-resonant Anomaly Detection with Background Extrapolation
von: Bai, Kehang, et al.
Veröffentlicht: (2023)

Tools for Unbinned Unfolding
von: Milton, Ryan, et al.
Veröffentlicht: (2025)

Automatizing the search for mass resonances using BumpNet
von: Arguin, Jean-Francois, et al.
Veröffentlicht: (2025)

Effective Lagrangian Morphing
von: Balasubramanian, Rahul, et al.
Veröffentlicht: (2022)

Kitchen Sink Anomaly Detection
von: Das, Ranit, et al.
Veröffentlicht: (2026)

Observable Optimization for Precision Theory: Machine Learning Energy Correlators
von: Bhattacharya, Arindam, et al.
Veröffentlicht: (2025)

Classifier Surrogates: Sharing AI-based Searches with the World
von: Bieringer, Sebastian, et al.
Veröffentlicht: (2024)

Event-by-event Comparison between Machine-Learning- and Transfer-Matrix-based Unfolding Methods
von: Backes, Mathias, et al.
Veröffentlicht: (2023)