IRIS Institutional Research Information System - AIR Archivio Istituzionale della Ricerca
IRIS è il sistema di gestione integrata dei dati della ricerca (persone, progetti, pubblicazioni, attività) adottato dall'Università degli Studi di Milano.
AIR nasce in UNIMI nel 2006 con lo scopo di raccogliere, documentare e conservare le informazioni sulla produzione scientifica dell'Università degli Studi di Milano e costituisce di fatto l'Anagrafe della ricerca dell'Ateneo.
EnglishIn these proceedings we perform a brief review of machine learning (ML) applications in theoretical High Energy Physics (HEP-TH). We start the discussion by defining and then classifying machine learning tasks in theoretical HEP. We then discuss some of the most popular and recent published approaches with focus on a relevant case study topic: the determination of parton distribution functions (PDFs) and related tools. Finally, we provide an outlook about future applications and developments due to the synergy between ML and HEP-TH.
Machine learning challenges in theoretical HEP / S. Carrazza. - In: JOURNAL OF PHYSICS. CONFERENCE SERIES. - ISSN 1742-6588. - 1085:2(2018), pp. 022003.1-022003.7. ((Intervento presentato al 18. convegno International Workshop on Advanced Computing and Analysis Techniques in Physics Research, ACAT 2017 tenutosi a Seattle nel 2017.
| Titolo: | Machine learning challenges in theoretical HEP |
| Autori: | |
| Settore Scientifico Disciplinare: | Settore FIS/02 - Fisica Teorica, Modelli e Metodi Matematici |
| Data di pubblicazione: | 2018 |
| Rivista: | |
| Tipologia: | Article (author) |
| Digital Object Identifier (DOI): | http://dx.doi.org/10.1088/1742-6596/1085/2/022003 |
| Appare nelle tipologie: | 01 - Articolo su periodico |
File in questo prodotto:
| File | Descrizione | Tipologia | Licenza | |
|---|---|---|---|---|
| 1711.10840.pdf | Pre-print (manoscritto inviato all'editore) | Open Access Visualizza/Apri | ||
| Carrazza_2018_J._Phys.__Conf._Ser._1085_022003.pdf | Publisher's version/PDF | Open Access Visualizza/Apri |
http://hdl.handle.net/2434/615429
Copyright © 2021