Nous étudions le bénéfice de l'inférence moderne basée sur la simulation pour contraindre les interactions des particules au LHC. Nous explorons des façons d'incorporer des structures physiques connues dans l'estimation de vraisemblance, en particulier l'estimation consciente du morphing et l'apprentissage dérivé. Techniquement, nous introduisons un nouvel algorithme de flou plus efficace, illustrons comment les incertitudes peuvent être approximées à travers des ensembles répulsifs, et montrons comment les réseaux équivariants peuvent améliorer l'estimation de vraisemblance. Après avoir illustré ces aspects pour un modèle simplifié, nous ciblons la production de di-bosons au LHC et constatons que nos améliorations augmentent considérablement le contrôle numérique et la stabilité.
Bahl et al. (Mon,) ont étudié cette question.
Synapse has enriched 3 closely related papers on similar clinical questions. Consider them for comparative context: