从极化深层排斥散射中提取信息——机器学习方法
机器学习
2024-06-14 v1 计算机视觉与模式识别
摘要
提出了一个用于分析极化排他性散射截面分析的框架，使用物理对称性约束以及晶格 QCD 预测。这些约束被内置于机器学习（ML）算法中。应用可解释的 ML 技术对广泛的深层排他性过程进行物理驱动和 ML 基础的基准测试。所观测到的量是凭依分布（CFFs），它们是广义 Parton 分布（GPDs）的卷积。通过随机目标方法等方法提取 CFFs，以评估在排他性散射分析中 aleatoric 和 epistemic 不确定性的单独贡献。
引用
@article{arxiv.2406.09257,
title = {Assessing Model Generalization in Vicinity},
author = {Yuchi Liu and Yifan Sun and Jingdong Wang and Liang Zheng},
journal= {arXiv preprint arXiv:2406.09257},
year = {2024}
}