基于 MCMC 的 Proton PDF 不确定性 NNLO 确定
计算与语言
2024-07-18 v1 机器学习
摘要
当前 PDF 不确定性估计的科学标准依赖于对人工生成数据的重复拟合以获得最佳拟合的蒙特卡洒样本，或使用二次展开图形度量（-函数）的 Hessian 方法。Markov Chain Monte Carlo 方法允许在不使用二次近似的情况下以统计学上严谨的方式获取 PDF 的不确定性，同时保持样本与 -值之间的对应关系。根植于贝叶斯统计学的 -函数被反复抽样，以获得一组 PDF，作为 PDF 在函数空间中统计分布的表示。经过去除样本间依赖性（即去除 autocorrelation）后，该集合可用于传递到物理可观测量的不确定性。最终结果是一个独立于当前方法的程序，可与最先进技术对比，以最终更好地理解质子的结构。
引用
@article{arxiv.2407.12376,
title = {Deep Learning-based Sentiment Analysis of Olympics Tweets},
author = {Indranil Bandyopadhyay and Rahul Karmakar},
journal= {arXiv preprint arXiv:2407.12376},
year = {2024}
}