利用深度神经网络对近阈值增强进行分类

强子谱学中的主要问题之一是识别阈值或近阈值增强的起源。在我们的研究之前，即使仅使用截面，也没有直接的方法区分核子-核子系统的最低通道阈值增强。困难在于束缚态或虚态极点靠近阈值，这在散射区中产生了几乎相同的结构。识别引起增强的极点性质属于一般的分类问题，而已知使用前馈神经网络的监督机器学习在此任务中表现出色。在本研究中，我们讨论深度神经网络背后的基本思想以及它如何用于识别引起增强的极点性质。可以使用精确的可分离势模型生成验证数据集来探索训练后网络的适用性。我们发现，在截断参数的某个可接受范围内，神经网络给出了高精度的推断。结果还揭示了背景奇点在训练数据集中所起的重要作用。最后，我们将该方法应用于核子-核子散射数据，并表明网络能够给出正确的极点性质，即 ${}^1S_0$ 分波截面的虚极点和 ${}^3S_0$ 的束缚态极点。