Model independent analysis of coupled-channel scattering: A deep learning approach
Model independent analysis of coupled-channel scattering: A deep learning approach
复制标题
耦合通道散射的模型独立分析：一种深度学习方法
DOI：
10.1103/physrevd.104.036001
复制
发表时间：
2021
影响因子：
5
通讯作者：
Hosaka Atsushi
中科院分区：
文献类型：
--
作者：
Sombillo Denny Lane B.;Ikeda Yoichi;Sato Toru;Hosaka Atsushi
我们发展了一种稳健的方法来提取给定分波幅度的极点配置。在我们的方法中，我们构造了一个深度神经网络，其中考虑了实验数据的统计误差。教学数据集使用通用的S矩阵参数化来构建，确保产生的所有极点彼此独立。将统计误差结果纳入噪声分类数据集，我们应该使用课程方法来解决这一问题。作为应用，我们在传感器中使用弹性幅度，其中幅度是通过组合实验数据的每个误差条中的点来产生的。我们将幅度反馈给训练好的深度神经网络，发现幅度的增强是由每个附近的非物理薄片中的一个极点和远处的薄片中至多两个极点引起的。最后，我们证明了所提取的极点配置与每个误差条中的点的绘制和组合方式无关，从而证明了该方法的统计稳健性。
We develop a robust method to extract the pole configuration of a given partial-wave amplitude. In our approach, a deep neural network is constructed where the statistical errors of the experimental data are taken into account. The teaching dataset is constructed using a generic S-matrix parametrization, ensuring that all the poles produced are independent of each other. The inclusion of statistical error results into a noisy classification dataset which we should solve using the curriculum method. As an application, we use the elasticamplitude in thesector whereamplitudes are produced by combining points in each error bar of the experimental data. We fed the amplitudes to the trained deep neural network and find that the enhancements in theamplitude are caused by one pole in each nearby unphysical sheet and at most two poles in the distant sheet. Finally, we show that the extracted pole configurations are independent of the way points in each error bar are drawn and combined, demonstrating the statistical robustness of our method.
登录
查看更多内容
DOI：
10.31349/suplrevmexfis.3.0308067
发表时间：
2021-04
期刊：
Suplemento de la Revista Mexicana de Física
影响因子：
--
作者：
Denny Lane B. Sombillo;Y. Ikeda;Toru Sato;A. Hosaka
通讯作者：
Denny Lane B. Sombillo;Y. Ikeda;Toru Sato;A. Hosaka
核物理和粒子物理中耦合通道的共振
DOI：
--
发表时间：
1982
期刊：
影响因子：
--
作者：
A. Badalyan;L. P. Kok;M. Polikarpov;Y. Simonov
通讯作者：
Y. Simonov
影响因子：
3.1
作者：
R. Workman;R. Arndt;W. Briscoe;Mark Wayne Paris;I. Strakovsky
通讯作者：
R. Workman;R. Arndt;W. Briscoe;Mark Wayne Paris;I. Strakovsky
非相对论性 S 矩阵的结构
DOI：
10.1098/rspa.1960.0096
发表时间：
1960
期刊：
Proceedings of the Royal Society of London. Series A. Mathematical and Physical Sciences
影响因子：
--
作者：
K. J. L. Couteur
通讯作者：
K. J. L. Couteur
使用深度学习评估咬肌来检查口腔癌患者的新预后预测方法
DOI：
--
发表时间：
2021
期刊：
影响因子：
--
作者：
阪本勝也;平岡慎一郎;川村晃平;内田修爾;田中晋
通讯作者：
田中晋