基于联系相互作用的 Dyson-Schwinger 方程中的卡森 GTMDs
机器学习
2024-09-09 v1 人工智能
计算机视觉与模式识别
人机交互
信号处理
摘要
在利用基于联系相互作用的协变且具约束性 Dyson-Schwinger 方程框架中,研究了卡森扭转二、三、四级广义横向动量相关 parton 分布 (GTMDs)。GTMDs 在重要,因为它们包含关于广义 parton 分布 (GPDs) 和横向动量相关 parton 分布 (TMDs) 的信息,被视为父分布。从 GTMDs 可推导出扭转二、三、四级 GPDs 和 TMDs。通过对 GTMDs 进行 积分可获得 GPDs,本文重点关注扭转二级 GPDs。GPDs 的第一 Mellin 矩给出局部电流的形状因子。向量 GPDs 的第二 Mellin 矩与引力形状因子相关。对 GTMDs 在倾斜参数 下的横向空间进行傅里叶变换可获得 Wigner 分布。我们计算了未极化、长itudinally 极化和横向极化quark 内部的 Wigner 分布。基于 Wigner 分布的相位空间平均可解释离子和quark 之间的自旋轨道关联。我们研究了价值quark 在 π 和 K 中的纵向自旋和轨道角动量之间的相关性。我们的发现表明 ,,。从 Wigner 分布可推导出 impact 参数空间中的 parton 分布函数。本研究聚焦于显示失真的轻级横向自旋分布 和 ,我们计算了它们的平均位移。
引用
@article{arxiv.2409.04104,
title = {MixNet: Joining Force of Classical and Modern Approaches Toward the Comprehensive Pipeline in Motor Imagery EEG Classification},
author = {Phairot Autthasan and Rattanaphon Chaisaen and Huy Phan and Maarten De Vos and Theerawit Wilaiprasitporn},
journal= {arXiv preprint arXiv:2409.04104},
year = {2024}
}
备注
Supplementary materials and source codes are available on-line at https://github.com/Max-Phairot-A/MixNet