.png){kind=icon}
返回
Normalizing flow-assisted nested sampling on Type-II Seesaw model
.png){kind=icon}
OA
AI
DOI：10.1140/epjc/s10052-025-14502-5.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种用于采样粒子物理模型参数空间的新技术。主要采样方法采用嵌套采样（NS），并通过应用多个机器学习（ML）网络进行增强，例如自归一化网络（SNN）和归一化流（具体为RealNVP）。我们将此方法应用于II型轻子见锯模型以测试算法的有效性。我们展示了针对受理论约束和对应于125 GeV希格斯玻色子、ρ参数以及斜参数的实验数据的模型参数空间的详细贝叶斯探索结果。所有相关数据、图表和训练好的ML模型可在此处找到：GitHub
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.8
论文数:
1.8W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏Resurrecting the LHC discovery potential in the extended type-II seesaw model在扩展的第二类 seesaw 模型中恢复 LHC 的发现潜力
PREAI
分享收藏
查看更多内容