Reinforcement Learning in High-Energy Physics: A Survey from Accelerator Control to Theory Exploration
Deze survey onderzoekt de toepassing van reinforcement learning op diverse hoogenergetische natuurkunde-taken—van acceleratorcontrole en detectorontwerp tot theoretische modelbouw—door kernmethoden van RL te introduceren, deze te vergelijken met traditionele benaderingen, en de belangrijkste voordelen, beperkingen en openstaande uitdagingen zoals beloningsontwerp en sim-to-real transfer te identificeren.