305336記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. 新しい物理モデルを$μ o e$観測で制約する方法（Constraining New Physics models from $μ o e$ observables in bottom-up EFT）
2 分で読了
0 views

新しい物理モデルを$μ o e$観測で制約する方法

（Constraining New Physics models from $μ o e$ observables in bottom-up EFT）

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

ケントくん

博士、最近聞いたんだけど、新しい物理モデルを見つけるのに$μ\to e$の観測が重要って本当？

マカセロ博士

そうなんじゃ。今回の論文では、そういった観測をボトムアップの有効場理論(EFT)という枠組みで探求しているんじゃ。

ケントくん

EFTって何？それってどんな風に役立つの？

マカセロ博士

EFTとは、物理現象を既知の理論を超えた一般的な枠組みで探るための手法なんじゃよ。それを使うと、新しい物理のシナリオを特定のモデルに依存せずに幅広く解析できるんじゃ。

ケントくん

なるほど。でも、具体的にはどうやってそのEFTを使ってるの？

マカセロ博士

例えば、$μ\to e$の変換に対するオペレーターを特定し、その影響を調査するんじゃ。このことで、新しい物理がどこで現れるかを実験データと照らし合わせて分析することができるんじゃよ。

引用情報

著者名, “Constraining New Physics models from $μ\to e$ observables in bottom-up EFT,” arXiv preprint arXiv:2401.06214v1, 2024.

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
3D血管セグメンテーションにおける周波数領域学習の活用
（Leveraging Frequency Domain Learning in 3D Vessel Segmentation）
次の記事
微細なアスペクトに基づく感情分析のための教師なし意味的文書表現学習
（Learning Unsupervised Semantic Document Representation for Fine-grained Aspect-based Sentiment Analysis）
関連記事
有限フーリエ級数を用いる学習ベース衝突場における最適運動計画
（Optimal Motion Planning using Finite Fourier Series in a Learning-based Collision Field）
予測区間の大きな幅に対する罰則化
（Large width penalization for neural network-based prediction interval estimation）
自己情報を失わない：グラフ畳み込みネットワークにおけるノード近傍不一致の低減によるマルチモーダル推薦の強化
（Don’t Lose Yourself: Boosting Multimodal Recommendation via Reducing Node-neighbor Discrepancy in Graph Convolutional Network）
スコアから音声へ——PerformanceNetによるフレーズ単位の演奏生成
（Demonstration of PerformanceNet: A Convolutional Neural Network Model for Score-to-Audio Music Generation）
オンラインマッチング最適化と多エージェント深層強化学習による配車サービス改善
（Optimizing Online Matching for Ride-Sourcing Services with Multi-Agent Deep Reinforcement Learning）
シリコン–炭素系に対する遺伝的アルゴリズム学習による機械学習原子間ポテンシャル
(A Genetic Algorithm Trained Machine-Learned Interatomic Potential for the Silicon-Carbon System)
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
音声から「屋外録音」時の3D顔動作を合成する技術
（Synthesising 3D Facial Motion from “In-the-Wild” Speech）
  • 論文研究
大量のツイートに基づく市民の特徴付け
（Characterization of citizens using word2vec and latent topic analysis in a large set of tweets）
  • 論文研究
オミクスデータの統合的コンセンサスクラスタリングのための多重カーネル学習
（Multiple kernel learning for integrative consensus clustering of ’omic datasets）
  • 論文研究
生成モデルの精度と網羅性を分離して評価する手法の改良
（Improved Precision and Recall Metric for Assessing Generative Models）
  • 論文研究
SR-GANによるゼロショット学習の改良
（SR-GAN: SEMANTIC RECTIFYING GENERATIVE ADVERSARIAL NETWORK FOR ZERO-SHOT LEARNING）
  • 論文研究
継続学習の三つのシナリオ
（Three scenarios for continual learning）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む