文献

J-GLOBAL ID：202402287027605539   整理番号：24A1760482

素粒子物理学における強化学習を用いた模型探索の進展

Development of Reinforcement-Learning Based Search Strategy in Theoretical Particle Physics

著者 (3件)： 西村皐 (九大) ,  宮尾光 (九大) ,  大塚啓 (九大)
資料名： 人工知能学会全国大会論文集(Web)  (Proceedings of the Annual Conference of JSAI (Web))
巻： 38th  ページ： ROMBUNNO.1F4-GS-10-03(J-STAGE)  発行年： 2024年 
JST資料番号： U1701A  ISSN： 2758-7347  資料種別： 会議録 (C)
記事区分： 短報  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 素粒子物理学の分野では,素粒子現象の未解決問題を説明するために様々な理論的仮説が提案されている。それらを網羅的に検証するためには,適切なパラメータを用いて計算された理論的予言を実験データと比較しなければならない。しかしパラメータの探索空間が非常に広いことから,それぞれの模型を低コストで数値解析する試みには困難が伴う。これらの状況を踏まえた本研究ではクォーク・レプトンと呼ばれる物質粒子に着目し,それらのフレーバー構造を強化学習で探索する手法に改良を加える。具体例として,ある種の理論模型を環境としたDeep Q-Networkを構成し,クォーク・レプトンに付与する整数電荷の探索問題に対してニューラルネットワークを学習させた。その結果,クォーク・レプトンの実験値および繰り込み質量を再現するパラメータ解が確かに存在することが明らかになった。一方,宇宙観測から厳しい制限が与えられているドメインウォール問題を考慮すると,適切なパラメータ解が非常に希少となることが示唆された。こうした分析に役立つことから,強化学習は現実的な素粒子模型の検証にも応用可能であると期待される。(著者抄録)

シソーラス用語： *物理学 ,  *素粒子 ,  *強化学習 ,  モデリング ,  パラメータ ,  予測技法 ,  数値解析 ,  素粒子模型 ,  ニューラルネットワーク ,  機械学習 ,  *素粒子物理学
準シソーラス用語： フレーバ模型 ,  予言法

分類 (2件)： 量子力学一般  (BA06010C) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 素粒子物理学 ,  強化学習 ,  模型 ,  探索 ,  進展