研究人员开发了一种利用共形z平面（conformal z-plane）的物理信息神经网络（PINN），用于提取π介子电磁形状因子$F_{\pi}(s)$。这种新颖的方法将解析性（analyticity）和色散关系（dispersion relations）等基本S矩阵原理直接整合到神经网络的损失函数中，确保在以数据作为约束的同时遵守第一性原理。该方法通过将复平面映射到单位圆盘（unit disk），从而限制Hessian范数并防止神经切线核（Neural Tangent Kernel）谱饥饿（spectral starvation），解决了已知的深度学习优化失败问题。该研究结合了$e^+e^-$散射和$\tau$衰变的数据，得出了π介子电荷半径$\langle r_{\pi}^2 \rangle$、$\rho(770)$极点参数以及μ子反常磁矩的两位数贡献$a_{\mu}^{\pi\pi}$的独立于模型的估计值。 AI
影响 将PINN新颖地应用于基础物理问题，有望提高科学研究的准确性并减少模型依赖性。
排序理由 这是一篇研究论文，详细介绍了物理信息神经网络在解决高能物理特定问题方面的新颖应用。[lever_c_demoted from research: ic=1 ai=1.0]
- $a_{\mu}^{\pi\pi}$
- $ au$-decay
- $e^+e^-$
- $F_{\pi}(s)$
- $(g-2)_{\mu}$
- Monalisa Patra Dr.
- Physics-Informed Neural Network
- QCD
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
