利用强化学习探索夸克与轻子的味结构

我们提出一种利用强化学习探索夸克与轻子味结构的方法。作为一个具体模型,我们对具有$U(1)$味对称性的模型使用了一种基于价值的基础算法。通过在夸克与轻子的$U(1)$电荷上训练神经网络,智能体找到了21个与实验测量的夸克和轻子质量及混合角一致的模型。特别地,正常序的内在价值往往大于倒序的内在价值,且相较于倒序,正常序与当前实验数据吻合良好。智能体的自主行为预测了无中微子双贝塔衰变的有效质量的特定值,以及由flavon场的角分量诱导的显著轻子CP破坏。我们的发现表明,强化学习可成为理解味结构的一种新方法。