如何信赖学习的循环�幅
高能物理 - 唯象学
2026-01-06 v1
摘要
高阶理论预测对于精密 LHC 程序至关重要，但耗时的振幅评估挑战了相应的蒙特卡罗模拟。机器学习的振幅替代模型可以在保证整个相位空间精度的前提下解决这个问题。如果我们可以保证其精度。首先，我们展示我们的替代模型即使对于非高斯系统扰动也提供了校准的学习不确定性；其次，我们描述如何识别不够准确的相位空间区域；第三，我们演示如何可靠地改进这些区域的精度。
引用
@article{arxiv.2601.00950,
title = {How to Trust Learned Loop Amplitudes},
author = {Henning Bahl and Jens Braun and Gudrun Heinrich and Tilman Plehn and Rebecca Revelli},
journal= {arXiv preprint arXiv:2601.00950},
year = {2026}
}
备注
38 pages, 18 figures