使用神经网络理解PDF不确定性
分析
本文探讨了在高精度对撞机实验中，对具有可靠不确定性量化的鲁棒Parton Distribution Function (PDF) 确定的关键需求。 它利用机器学习 (ML) 技术，特别是神经网络 (NN)，来分析 PDF 拟合中的训练动态和不确定性传播。 基于神经正切核 (NTK) 的理论框架的开发提供了对训练过程的分析理解，从而深入了解了 NN 架构和实验数据的角色。 这项工作意义重大，因为它提供了一种诊断工具来评估当前 PDF 拟合方法的鲁棒性，并弥合了粒子物理学和 ML 研究之间的差距。
要点
引用
“本文开发了一个基于神经正切核 (NTK) 的理论框架来分析神经网络的训练动态，提供了关于不确定性如何从数据传播到拟合函数的定量描述。”