Discovery in the physical sciences relies on inverse modeling of observations. The combination of deep learning and physics-driven designs is reshaping how we solve inverse problems for extracting physical properties from data. This is particularly relevant for quantum chromodynamics (QCD), where non-trivial symmetries make both data interpretation and computation challenging.
In this talk, I will present physics-driven learning from a probabilistic perspective, with a focus on applications in QCD physics. Examples include learning spectral functions and hadron forces from lattice QCD data, reconstructing hadron emission sources from Femtoscopy, and extracting the equation of state from neutron-star observations. If time permits, I will also introduce the physics of diffusion models and discuss physics-driven designs that enable expandable and reliable sampling for accelerating simulations.

物理学における発見は、観測データの逆問題モデリングに依存しています。近年、深層学習と物理駆動型設計の融合により、データから物理的性質を抽出する方法が大きく変わりつつあります。これは、非自明な対称性がデータの解釈と計算の両方を難しくしている量子色力学（QCD）においてとくに重要です。

このセミナーでは、確率的な観点から物理駆動型学習を紹介し、QCD物理への応用に焦点を当てます。具体例として、格子QCDデータからスペクトル関数やハドロン間力を学習する方法、フェムトスコピーによるハドロン放出源の再構築、そして中性子星の観測から状態方程式を抽出する手法を取り上げます。時間が許せば、拡散モデルの物理についても紹介し、シミュレーションを加速するための拡張性と信頼性を備えたサンプリング設計について議論します。