耦合道散射的模型无关分析：一种深度学习方法

我们开发了一种稳健方法来提取给定分波振幅的极点构型。在我们的方法中，构建了一个深度神经网络，其中考虑了实验数据的统计误差。教学数据集使用通用 S 矩阵参数化构造，确保所产生的所有极点彼此独立。统计误差的引入导致一个含噪分类数据集，我们应使用课程学习方法来解决。作为一个应用，我们使用 $I(J^P)=1/2(1/2^{-})$ 道的弹性 $\pi N$ 振幅，其中通过组合实验数据每个误差条中的点产生了 $10^6$ 个振幅。我们将这些振幅输入训练好的深度神经网络，发现 $\pi N$ 振幅中的增强由各邻近非物理叶中的一个极点以及远叶中至多两个极点引起。最后，我们表明所提取的极点构型与每个误差条中点的抽取和组合方式无关，证明了我们方法的统计稳健性。