ترجمه فارسی مقاله فیزیک جدید جهانی، فضای پنهان

چکیده

We develop a machine learning method for mapping data originating from both Standard Model processes and various theories beyond the Standard Model into a unified representation (latent) space while conserving information about the relationship between the underlying theories. We apply our method to three examples of new physics at the LHC of increasing complexity, showing that models can be clustered according to their LHC phenomenology: different models are mapped to distinct regions in latent space, while indistinguishable models are mapped to the same region. This opens interesting new avenues on several fronts, such as model discrimination, selection of representative benchmark scenarios, and identifying gaps in the coverage of model space.

چکیده به فارسی (ترجمه ماشینی)

ما یک روش یادگیری ماشین را برای نقشه برداری از داده های منشأ هر دو فرآیند مدل استاندارد و تئوری های مختلف فراتر از مدل استاندارد به یک فضای بازنمایی یکپارچه (نهفته) در حالی که اطلاعات مربوط به رابطه بین تئوری های اساسی را حفظ می کنیم ، توسعه می دهیم.ما روش خود را در سه نمونه از فیزیک جدید در LHC افزایش پیچیدگی اعمال می کنیم ، نشان می دهد که مدل ها با توجه به پدیدارشناسی LHC می توانند خوشه بندی شوند: مدلهای مختلف در مناطق مشخص در فضای نهفته نقشه برداری می شوند ، در حالی که مدل های قابل تشخیص به همان منطقه نقشه برداری می شوند.این راه های جدید جالب در چندین جبهه ، مانند تبعیض مدل ، انتخاب سناریوهای معیار نماینده و شناسایی شکاف ها در پوشش فضای مدل را باز می کند.