利用深度神经网络对振幅极点性质进行分类

过去十年观测到的大多数奇特共振表现为靠近某阈值的峰结构。这些近阈值现象可解释为真实的共振态或增强的阈值尖点。显然，没有直接的方法区分这两种结构。本工作中，我们借助深度前馈神经网络在分类特征几乎相同的对象上的优势。我们构建了一个以散射振幅为输入、以引起增强的极点性质为输出的神经网络模型。训练数据由满足幺正性与解析性要求的 S 矩阵生成。利用可分离势模型，我们生成验证数据集以衡量网络的预测能力。我们发现，当验证数据的截断参数处于 $400$-$800\mbox{ MeV}$ 范围内时，训练好的神经网络模型给出高准确率。作为最终检验，我们使用 Nijmegen 分波与势模型处理核子-核子散射，表明该网络能给出正确的极点性质。