ترجمه فارسی مقاله تقویت استراتژی جستجوی آماری مبتنی بر یادگیری برای یک مدل محوری از طعم

چکیده

We propose a reinforcement learning-based search strategy to explore new physics beyond the Standard Model. The reinforcement learning, which is one of machine learning methods, is a powerful approach to find model parameters with phenomenological constraints. As a concrete example, we focus on a minimal axion model with a global $U(1)$ flavor symmetry. Agents of the learning succeed in finding $U(1)$ charge assignments of quarks and leptons solving the flavor and cosmological puzzles in the Standard Model, and find more than 150 realistic solutions for the quark sector taking renormalization effects into account. For the solutions found by the reinforcement learning-based analysis, we discuss the sensitivity of future experiments for the detection of an axion which is a Nambu-Goldstone boson of the spontaneously broken $U(1)$. We also examine how fast the reinforcement learning-based searching method finds the best discrete parameters in comparison with conventional optimization methods. In conclusion, the efficient parameter search based on the reinforcement learning-based strategy enables us to perform a statistical analysis of the vast parameter space associated with the axion model from flavor.

چکیده به فارسی (ترجمه ماشینی)

ما یک استراتژی جستجوی مبتنی بر یادگیری تقویت را برای کشف فیزیک جدید فراتر از مدل استاندارد پیشنهاد می کنیم.یادگیری تقویت کننده ، که یکی از روشهای یادگیری ماشین است ، یک رویکرد قدرتمند برای یافتن پارامترهای مدل با محدودیت های پدیدارشناختی است.به عنوان یک نمونه بارز ، ما روی یک مدل Axion حداقل با تقارن عطر و طعم جهانی $ U (1) $ تمرکز می کنیم.نمایندگان یادگیری موفق می شوند $ u (1) $ $ شارژ کوارک ها و لپتون ها را برای حل عطر و طعم و معماهای کیهانی در مدل استاندارد پیدا کنند و بیش از 150 راه حل واقع بینانه را برای بخش کوارک که اثرات تجدید ساختار را در نظر گرفته اند ، پیدا کنند.برای راه حل های موجود در تجزیه و تحلیل مبتنی بر یادگیری تقویت ، ما در مورد حساسیت آزمایش های آینده برای تشخیص یک محو که یک بوزون Nambu-Goldstone از $ U (1) $ شکسته است ، بحث می کنیم.ما همچنین بررسی می کنیم که روش جستجوی مبتنی بر یادگیری آرماتور چقدر سریع بهترین پارامترهای گسسته را در مقایسه با روشهای بهینه سازی معمولی پیدا می کند.در نتیجه ، جستجوی پارامتر کارآمد مبتنی بر استراتژی مبتنی بر یادگیری تقویت ، ما را قادر می سازد تا تجزیه و تحلیل آماری از فضای پارامتر گسترده مرتبط با مدل Axion از طعم را انجام دهیم.