基于条件生成对抗网络的介子质量与宽度预测框架

介子在量子色动力学（QCD）框架下理解强相互作用发挥着关键作用。然而，Several ordinary and exotic mesons的质量和衰变宽度仍未被实验确定。在本工作中，我们提出了一种先进机器学习技术的新型应用以应对这一挑战。由于可用的介子数据集有限，传统数据驱动方法在norm To克服这一困难，我们采用条件生成对抗网络（CGAN）基于已知物理参数生成合成介子数据。这不仅扩充了数据集，还保留了原始介子数据的底层物理。借助扩展后的数据集，我们训练多个CGAN副本并应用集成技术来预测不确定性，提高了预测的鲁棒性和可靠性。如 our findings 所示，CGAN模型能够很好地描述介子性质及其结构关系，为夸克谱学提供了强大的新型工具。这一计算为数据驱动的夸克物理研究开辟了广阔的前景。