25、费米子传播子与康普顿散射及高阶项计算

费米子传播子与康普顿散射及高阶项计算

一、R 比值与 QCD 及夸克模型验证

在高能物理研究中,R 比值(作为质心能量 $E_{cm}=W$ 的函数)是一个重要的研究对象。在某些阈值处,存在 cc 束缚态(J/Ψ 态)和 bb 束缚态(T 态),这些束缚态会使末态增强,从而改变 R 比值。而在阈值以上,R 比值会趋于稳定。并且,高能下的理论曲线(包含对简单预测的修正)与实验数据吻合良好。这一结果有力地证实了量子色动力学(QCD)和夸克模型的正确性,尤其为选择三种颜色提供了强有力的支持。

二、康普顿散射与新费曼规则

2.1 康普顿散射简介

康普顿散射是光子与电子的散射过程,即 $\gamma + e \to \gamma + e$。该过程引入了两条新的费曼规则:一是对初态和末态中(真实)光子的处理;二是使用费米子传播子(这里是电子)来描述虚拟的、离质壳的自旋为 1/2 粒子的传播。

2.2 非前向康普顿散射的最低阶非零贡献

非前向康普顿散射的第一个(最低阶)非零贡献来自哈密顿量辐射部分的二阶贡献。通过交换 $X_1$ 和 $X_2$,可以消除 T 因子,得到如下表达式:
[
S = - e^2(0|b_{p_f} a_{k_f} \int d^4 x_1 d^4 x_2 \theta(t_1 - t_2) :\psi_e(x_1) \cdot A(x_1) \psi_e(x_1)::\bar{\psi} e(x_2) \cdot A(x_2) \psi_e(x_2): a {k_i}^\dagger b_{p_i}^\dagger |0)
]
其中,

先展示下效果 https://pan.quark.cn/s/a4b39357ea24 遗传算法 - 简书 遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向(最优解)进化,进化过程中,会自动选择优良基因,淘汰劣等基因。 遗传算法(英语:genetic algorithm (GA) )是计算数学中用于解决最佳化的搜索算法,是进化算法的一种。 进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择、杂交等。 搜索算法的共同特征为: 首先组成一组候选解 依据某些适应性条件测算这些候选解的适应度 根据适应度保留某些候选解,放弃其他候选解 对保留的候选解进行某些操作,生成新的候选解 遗传算法流程 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值,选出 前 parent_number 个 个体作为 待选 parent 种群(适应度函数的值越小越好) 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体,进行交叉,产生 2 个代。 (交叉概率) 对代(parent + 生成的 child)的染色体进行变异。 (变异概率) 重复3,4,5步骤,直到新种群(parentnumber + childnumber)的产生。 循环以上步骤直至找到满意的解。 名词解释 交叉概率:两个个体进行交配的概率。 例如,交配概率为0.8,则80%的“夫妻”会生育后代。 变异概率:所有的基因中发生变异的占总体的比例。 GA函数 适应度函数 适应度函数由解决的问题决定。 举一个平方和的例。 简单的平方和问题 求函数的最小值,其中每个变量的取值区间都是 [-1, ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值