开始:VCALENDAR版本:2.0 CALSCALE:格里高利PRODID:UW-Madison-Physics-Events开始:VEVENT序列:1 UID:UW-Physics-Event-7981 DTSTART:20221214T170000Z DTEND:20221214T181500Z DTSTAMP:20230110T181854Z LAST-MODIFIED:20221212T151944Z位置:在线研讨会:请在www.ph ysicsmeetsml.org注册我们的邮件列表缩放链接。我们还将在Ch amberlin 5280现场直播演讲。摘要:HEP\， Physics∩ML Seminar\， L ukas Heinrich\， TU Munich描述:过去十年中机器学习的兴起在很大程度上也得益于可微编程和基于梯度的方法在优化和统计讨论方面的成功。超越了普通的深度学习\，可微编程允许物理学家在整个ML工作流中注入领域知识，从通过对称向模型添加归纳偏差\，在损失定义中使用物理模型或定义更有信息的标签数据。虽然这可能会显著提高机器学习在物理学中的可解释性和应用效率\，但在用可微编程语言来描述关键的物理过程方面仍然存在挑战，特别是对于在高能物理学中观察到的深度分层随机过程。在这次演讲中，我将回顾近年来将可微规划作为一种范式应用于高效电磁场的研究进展，并指出新的研究方向。URL://www.careercomber.com/events/?id=7981结束:VEVENT结束:VCALENDAR