基于卷积神经网络的 $\Lambda(1405)$ 在 $\gamma p \rightarrow K^+\Sigma^-\pi^+$ 反应中的线状分析

在夸克子物理学中，对不变质量分布中出现的峰或谷进行解释始终是一个持续的挑战。这些增强现象在接近两夸克阈值处尤为模糊，因为动力学和动力学效应在其本质中发挥着重要作用。一种这样的增强现象是最先于 1973 年观察到的一种异构子 $\Lambda(1405)$。尽管该现象的实验数据有限，但 $\Lambda(1405)$ 的测量统计量已有所提高，以进行线状分析。当前的共识是其为两个位于第二黎曼表面上的极点结构。然而，仍有针对 $\Lambda(1405)$ 其他极点结构的研究。最近，针对这些线状分析中使用的深度神经网络已被证明有效，尤其是在区分极点结构方面。因此，在本研究中，我们开发了一个卷积神经网络（CNN）来确定对应于 $\Lambda(1405)$ 的一般极点结构，其位于由 CLAS 在其涉及 $\gamma p \rightarrow K^+\Sigma\pi$ 反应实验中测量的 $\Sigma^-\pi^+$ 不变质量分布中。该 CNN 采用两种信道均匀化的 $S$-矩阵进行训练，使我们能够控制极点的位于和相应的黎曼表面。我们的初步结果表明，训练好的 CNN 能够准确地区分 $\Sigma^-\pi^+$ 不变质量分布中的极点结构，并与当前两个极点结构的共识相符。这支持了关于 $\Lambda(1405)$ 的前期工作，并要求对 $\Sigma^+\pi^-$ 和 $\Sigma^0\pi^0$ 不变质量谱进行深入分析。