利用机器学习研究隐粲五夸克态的性质（英文）

作者：张振宇; 刘家豪; 胡继峰^*; 王倩^*; Ulf-G.Meiβner

来源：Science Bulletin, 2023, 68(10): 981-989.

机器学习已经在生物、医学、生产等多个领域广泛应用并展现了其优势.最近,机器学习在物理领域也开始逐渐兴起并展现出其独特的优点.该文旨在探索机器学习在强子物理中的应用潜力.作者以隐粲五夸克态Pc(4312)、Pc(4440)和Pc(4457)为例,在强子分子态图像下研究它们的性质.研究表明,神经网络方法和基于χ2的拟合方法都能够阐明基于领头阶接触势的基本物理性质.然而,χ2拟合方法无法区分Pc(4440)和Pc(4457)的量子数,神经网络方法则可以.由此,作者进一步分析了每个实验数据点对于神经网络预测的影响,以及在拟合方法中每个数据点对于关键物理参数的重要性.通过对比研究,作者发现神经网络方法可以多维度地利用实验数据信息,在强子物理中具有巨大的应用前景.

• 单位
  华南师范大学