通过机器学习确定磁化 QCD 物质中的 NJL 耦合常数与 AMM

Zigeng Ding; Fan Lin; Xinyang Wang

通过机器学习确定磁化 QCD 物质中的 NJL 耦合常数与 AMM

高能物理 - 唯象学 2026-04-01 v1 核理论

作者: Zigeng Ding , Fan Lin , Xinyang Wang

摘要

本研究通过 physics-informed 机器学习框架调查磁化 QCD 物质的相结构，具体关注从 Nambu-Jona-Lasinio（NJL）模型中确定场依赖参数。我们特别关注提取运行耦合常数 $G(eB)$ 和夸克异常磁矩（anomalous magnetic moment, AMM）比值 $v_2(eB)$ 的最优函数形式，利用 lattice QCD 计算的夸克浓缩态数据作为 'ground truth'。通过将 NJL 间隙方程作为可微分的 physics-constrained 模块嵌入，我们的神经网络管道识别能够准确再现逆磁性催化（inverse magnetic catalysis, IMC）效应的连续参数函数。我们的结果表明，磁场平滑地抑制了 $G$ 和 $v_2$ 。这种方法不仅填补了有效模型与 lattice 数据之间的鸿沟，也为理解 QCD 真空对强磁场的响应提供了新的微观见解。

关键词

NJL 模型机器学习异常磁矩 lattice QCD 逆磁性催化

引用

@article{arxiv.2603.29269,
  title  = {Determining the NJL Coupling and AMM in Magnetized QCD Matter via Machine Learning},
  author = {Zigeng Ding and Fan Lin and Xinyang Wang},
  journal= {arXiv preprint arXiv:2603.29269},
  year   = {2026}
}

备注

11pages, 5 figures

通过机器学习确定磁化 QCD 物质中的 NJL 耦合常数与 AMM

摘要

关键词

引用

备注

相关论文