008240612s2023      us  |||||||||||||||c||eng  d
■001000016933487
■00520240214101252
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798380154826
■035    ▼a(MiAaPQ)AAI30529863
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aCai,  Tianji.
■24510▼aOptimal  Transport  for  High  Energy  Physics▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  California,  Santa  Barbara.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(202  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-03,  Section:  B.
■500    ▼aAdvisor:  Craig,  Nathaniel.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Santa  Barbara,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aHigh  energy  physics,  like  many  other  scientific  disciplines,  has  entered  an  exciting  new  era  of  big  data,  where  both  particle  accelerators  at  the  energy  frontier  and  astrophysical  surveys  at  the  cosmic  frontier  are  producing  an  enormous  amount  of  data  which  may  hold  the  very  key  to  the  most  fundamental  questions  about  nature.  Mining  such  gold  inevitably  calls  for  revolutionary  designs  of  ever  more  powerful  and  efficient  statistical  analysis  frameworks,  while  at  the  same  time  scientific  rigorousness  places  an  additional  requirement  on  the  interpretability  of  any  novel  model  proposed.  Among  a  plethora  of  available  modern  machine  learning  techniques,  the  theory  of  optimal  transport  stands  out  as  a  distinct  approach  that  is  both  high  performing  and  mathematically  well  grounded.  By  equipping  the  space  of  data  represented  as  distributions  with  a  suitable  metric,  optimal  transport  replaces  ad  hoc  notions  of  similarity  with  a  well-defined  distance,  opening  up  a  range  of  new  applications  with  profound  theoretical  implications.This  thesis  introduces  the  theory  of  optimal  transport  with  an  eye  towards  its  usage  in  physics.  Special  emphasis  is  put  on  two  particular  optimal  transport  distances  which  enjoy  unique  geometric  properties.  Utilizing  their  geometric  structure,  we  develop  a  computationally  efficient  linearization  framework  for  the  two  distances  and  highlight  their  approximations  for  discrete  distributions  encountered  in  practice.  We  then  showcase  the  power  of  this  linearized  optimal  transport  framework  by  applying  it  to  two  use  cases-one  in  collider  physics  at  the  energy  frontier  and  the  other  in  dark  matter  astrophysics  at  the  cosmic  frontier.  As  the  adoption  of  optimal  transport  in  high  energy  physics  is  still  in  its  early  stage,  the  present  thesis  invites  the  readers  to  think  of  other  potential  applications  for  their  own  research.
■590    ▼aSchool  code:  0035.
■650  4▼aPhysics.
■650  4▼aParticle  physics.
■650  4▼aTheoretical  physics.
■650  4▼aHigh  temperature  physics.
■653    ▼aCollider  physics
■653    ▼aOptimal  transport
■653    ▼aEnergy  frontier
■653    ▼aAstrophysical  surveys
■653    ▼aCosmic  frontier
■690    ▼a0605
■690    ▼a0798
■690    ▼a0753
■690    ▼a0597
■71020▼aUniversity  of  California,  Santa  Barbara▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g85-03B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0035
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16933487▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024