利用深度神经网络提取准粒子的微观性质

我们使用深度神经网络（DNN）基于离壳准粒子描述，从动力学自由度角度获取部分子的微观特征。我们的目标是通过格点 QCD 第一性原理计算得到的宏观热力学可观测量约束，推断准胶子、上/下夸克和奇异夸克的质量与宽度。在本工作中，我们使用来自 lQCD 的 3 个独立无量纲热力学可观测量进行最小化。首先，我们使用 DQPM（动力学准粒子模型）关于质量和宽度的 Ansatz 训练我们的 DNN。此外，我们利用 DNN 的泛化能力推广该 Ansatz，以评估哪些准粒子特征可同时描述不同的热力学函数。为了一致地评估 DNN 在离壳夸克和胶子情况下得到的微观性质，我们在不同设定下使用 Kubo-Zubarev 形式下的谱函数计算输运系数。特别地，我们对剪切黏度与熵密度之比 $\eta/s$ 以及电导率与温度之比 $\sigma_Q/T$ 的无量纲比值进行了全面比较，这为所考虑模型的参数推广提供了额外约束。