研究/論文重要度 ★10
LHCデータからRiemannian flow matchingで標準モデル構造を学習する
Learning Standard Model structure from LHC data with Riemannian flow matching
https://export.arxiv.org/api/query·2026/7/17
AI要約
LHCデータから標準模型の構造を学習するため、Riemann流束マッチングモデル「ShellFlow」を提案します。このモデルは、単一のモンテカルロサンプルではカバーできない広範囲の不変質量を捉え、物理的な事前知識を限定的に使用して粒子生成を行います。
AI要点
- LHC（大型ハドロン衝突型加速器）のデータから、Riemannian flow matchingを用いて標準模型の構造を学習する手法を実証。
- Transformerベースの生成モデル「ShellFlow」が、サブGeVからTeVまでの広範囲なエネルギー領域をカバー。
- オンシェル条件と不変質量公式のみを物理的制約とし、ATLAS Open Dataから学習。
- J/ψやΥなどの共鳴、Wボソンやトップクォークの質量などをデータから直接学習することに成功。
なぜ重要か
高エネルギー物理学の標準模型の構造を、実験データから直接、かつ広範囲にわたってAIモデルが学習できることを示し、理論物理学とデータ駆動科学の融合による新たな発見の可能性を示す。