K. M. Graczyk

K. M. Graczyk

Talks and presentations

Generative models for (anti)neutrino-nucleus scattering

July 02, 2026

Talk, Quark Confinement and the Hadron Spectrum (QCHS) 2026, 29 June - 04 July 2026, University of Wroclaw, Wroclaw, Poland

Abstract: We will present our recent results on the development of AI-driven models for simulating (anti)neutrino–nucleus collisions. We focus on (anti)neutrino energies characteristic of accelerator-based neutrino experiments, such as T2K. In this energy range, the theoretical description of (anti)neutrino–nucleus interactions is complex, with nuclear effects playing a crucial role. We propose AI-driven models capable of learning from both theoretical predictions and experimental data. In particular, we will discuss generative models, such as GANs, NF, and VAEs, and assess their ability to generalize and extrapolate data-encoded information into kinematic regions that are not yet accessible experimentally.

Deep Neural Networks in Particle and Nuclear Physics

June 27, 2026

Lectures, Kick-off School of Quark Confinement and the Hadron Spectrum (QCHS) 2026, 27-28 June 2026, University of Wroclaw, Wroclaw, Poland

Abstract: This review will focus on the typical applications of deep neural network (DNN) models in the fields of particle and nuclear physics, emphasizing their fundamental properties, such as representation learning and generalization. We also plan to explore the use of generative models for simulating particle interactions.

Sztuczna inteligencja jako narzędzie badawcze w fizyce

March 16, 2026

Invited Seminar, Komisja Filozofii Nauki, Polska Akademia Umiejętności, Polska Akademia Umiejętności, Kraków

Abstract: Metody sztucznej inteligencji (SI) stają się standardowymi narzędziami badawczymi również w naukach fizycznych. Modele oparte na głębokich sieciach neuronowych są wykorzystywane zarówno do optymalizacji złożonych systemów obliczeniowych, jak i do analizy danych bez bezpośredniego odwołania do uprzednio przyjętych modeli teoretycznych. Szczególnie interesujące są zastosowania wykorzystujące zdolności generalizacyjne modeli głębokich do ekstrapolowania wiedzy o zjawiskach fizycznych poza zakres bezpośredniej weryfikacji empirycznej. Równolegle rozwija się nurt badań nad tzw. modelami interpretowalnymi, których celem jest identyfikacja ukrytych zależności oraz – potencjalnie – nowych praw fizycznych. Rodzi to zasadnicze pytania epistemologiczne: czy modele SI pełnią jedynie funkcję efektywnych narzędzi predykcyjnych, czy też mogą być traktowane jako nośniki wyjaśnienia? Jaki jest status poznawczy twierdzeń uzyskiwanych za pomocą systemów, których wewnętrzna struktura pozostaje w dużej mierze nieprzejrzysta? Podstawowym problemem metodologicznym pozostaje zatem kwestia rozumienia logiki działania głębokich sieci neuronowych oraz kryteriów ich interpretacji w kontekście teorii fizycznych. W wystąpieniu omówię powyższe zagadnienia, koncentrując się na ich implikacjach dla dalszego rozwoju fizyki.

Metody uczenia maszynowego w fizyce oddziaływań fundamentalnych

December 12, 2025

Talk, Druga Uniwersytecka Konferencja Artificial Intelligence ∀, 12 December 2025, Wydział Matematyki i Informatyki, Wroclaw, Polska

Abstract: Podczas referatu przedstawię główne wyzwania stojące przed fizyką oddziaływań fundamentalnych oraz sposoby, w jakie badacze wykorzystują metody uczenia maszynowego w swoich analizach. Jako przykład omówię fizykę oddziaływań leptonów z materią jądrową. Pokażę również, w jaki sposób do modelowania tych procesów stosujemy transfer learning i modele generatywne.

Neutrino-nucleus interactions from deep learning

October 30, 2025

Talk, Neutrino Physics and Machine Learning 2025 (NPML 2025), University of Tokyo, Japan, 27-31 October 2025

Abstract: In this talk, I will review recent work from our group on developing deep learning models for lepton–nucleus interactions. I will begin by applying generative adversarial networks (GANs) to simulate neutrino and antineutrino collisions with nucleons. Our models encompass both charged-current quasielastic and inclusive interactions of muon neutrinos with a carbon target, offering detailed predictions for the final charged lepton. I will then discuss how transfer learning can extend knowledge from one scattering process to another. For example, I will show that a deep neural network for cross-sections, pre-trained on electron–carbon scattering data, can accurately reproduce electron scattering in helium-3, lithium, oxygen, calcium, aluminum, and iron after only minimal fine-tuning with limited new measurements. Finally, I will present results on applying domain adaptation to GAN models that generate neutrino and antineutrino interactions with nuclei. This talk is based on the following references: Phys. Rev. Lett. 135, 052502; Phys. Rev. D 112 (2025) 1, 013007; and arXiv:2508.12987.

Electron-nucleus cross sections from transfer learning

August 11, 2025

Contributed Talk, IAFAI Summer Workshop 2025, Harvard University, USA, 11-15 August 2025

Abstract: We present a deep learning approach to modeling inclusive electron–nucleus scattering cross sections using transfer learning, demonstrating how neural networks can effectively learn nuclear physical properties from limited experimental data. Initially trained on high-statistics electron–carbon scattering data, our model captures latent features that are transferable to other nuclei, such as lithium, oxygen, aluminum, calcium, and iron. This approach enables accurate predictions even in data-sparse regimes, revealing a robust internal representation of nuclear responses across different targets. Our results highlight the potential of representation learning to extract universal physical patterns and support data-driven modeling in nuclear and particle physics. The study illustrates how abstract, learned features can encapsulate domain knowledge, enabling generalization beyond the training distribution and reducing reliance on traditional theoretical models. To probe the method’s limitations, we applied it to the helium-3 target. The approach remained effective, although it required more extensive re-optimization. Finally, I will discuss the implications of this method for modeling neutrino-nucleus interactions. This talk is based mainly on the paper arXiv:2408.09936.

Deep learning for neutrino interactions with nuclei

February 20, 2025

Talk, PAiP-2025 Conference, Particle Astrophysics in Poland, 20-22 February 2025, Warsaw University of Technology

Abstract: The success of next-generation neutrino oscillation experiments, such as DUNE and Hyper-Kamiokande, relies heavily on our ability to predict neutrino-nuclei cross sections accurately. In my talk, I will demonstrate how deep learning techniques can enhance the models for neutrino and electron-nuclei scattering cross sections.

Deep learning for physics

October 18, 2024

Talk, Pierwsza Uniwersytecka Konferencja Artificial Intelligence ∀, 18 October 2024, Wydział Matematyki i Informatyki, Wroclaw, Polska

PukAi

N-Delta Weak Transition

March 07, 2011

Invited Talk, Seventh International Workshop on Neutrino-Nucleus Interactions in the Few-GeV Region: NuInt11 conference, 07-11 March, 2011, Dehradun, India

NuInt11