Использование машинного обучения в голографической хромодинамике. Продолжение

Обсуждались наиболее перспективные направления исследований голографического подхода в хромодинамике. В частности, различные аспекты использования нейросетей (машинного обучения) для фиксирования исходных параметров голографической хромодинамики на основе экспериментальных данных.

Храмцов Михаил Александрович рассказал о работах о применении машинного обучения (deep learning) в голографическом подходе на основе работ:
1) K. Hashimoto, S. Sugishita, A. Tanaka and A. Tomiya, “Deep learning and the AdS/CFT correspondence,” Phys. Rev. D 98 (2018) no.4, 046019
[arXiv:1802.08313 [hep-th]].

2) K. Hashimoto, S. Sugishita, A. Tanaka and A. Tomiya, “Deep Learning and Holographic QCD,” Phys. Rev. D 98 (2018) no.10, 106014 doi:10.1103/PhysRevD.98.106014 [arXiv:1809.10536 [hep-th]].

3) T. Akutagawa, K. Hashimoto and T. Sumimoto, “Deep Learning and AdS/QCD,” Phys. Rev. D 102 (2020) no.2, 026020
[arXiv:2005.02636 [hep-th]].

4) X. Chen and M. Huang, “Flavor dependent critical endpoint from holographic QCD through machine learning,” JHEP 02 (2025), 123 [arXiv:2405.06179 [hep-ph]].