arXiv cs.AI· Xun Chen, Weiyao Ke, Yu-Gang Ma, Long-Gang Pang, Kai Zhou·· 9 天前AI 评分12
机器学习与高能核物理：从模式识别到物理集成发现
Machine Learning Meets High-Energy Nuclear Physics: From Pattern Recognition to Physics-Integrated Discovery
AI 导读
一篇综述指出，高能核物理中的机器学习正从事件分类、模式识别转向物理集成工作流，包括QCD物质性质的校准贝叶斯提取、重离子与中子星数据的致密物质状态方程推断、生成式事件建模、神经展开、可微逆求解器、规范等变与扩散模型格点场采样器，以及全息QCD模型函数的神经重建。
正文 · AI 翻译
摘要：高能核物理（HENP）中的机器学习（ML）正进入一个新阶段，物理知识被更直接地融入数据分析、模拟和物理推断之中。本小型综述聚焦于过去几年中已趋成熟的进展。此前的应用侧重于事件分类、模式识别以及针对特定可观测量的代理模型，而近期工作已转向物理集成的工作流程：QCD 物质性质的校准贝叶斯提取、从重离子与中子星数据推断致密物质状态方程、生成式事件建模、微弱物理信号的神经展开、可微逆求解器、规范等变与基于扩散的格点场采样器，以及全息 QCD 中模型函数的神经重建。我们综述了机器学习在重离子碰撞、中子星物理、格点量子场论以及全息或连续 QCD 中的近期应用。重点不仅在于机器学习架构本身，还在于它们如何进入具体的物理工作流程，如何施加对称性、守恒定律、因果性、热力学稳定性和拓扑等物理约束，以及不确定性量化和验证如何决定 AI 辅助的结果能否支撑可靠的物理结论。
| 评论： | 37 页，22 幅图，NST 已接收 |
| 主题： | 高能物理 - 唯象学（hep-ph）；人工智能（cs.AI）；高能物理 - 格点（hep-lat）；高能物理 - 理论（hep-th）；核理论（nucl-th） |
| 引用为： | arXiv:2610.12293 [hep-ph] |
| （或使用 arXiv:2610.12293v1 [hep-ph] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2610.12293 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Kai Zhou [查看电子邮件]
[v1]
2026 年 10 月 8 日星期四 16:47:33 UTC（15,108 KB）
来源：arXiv cs.AI · arxiv.org