Two-Higgs-Doublet模型的多重重整化方案:h→WW/ZZ四费米子应用

0 下载量 97 浏览量 更新于2024-07-16 收藏 1.13MB PDF 举报
本文主要探讨了"Two-Higgs-Doublet模型"的重归一化方案在计算高阶物理过程中的应用,特别是在h→WW/ZZ→4个费米子过程中的具体实施。作者们针对这个复杂的模型,提出了四种不同的重归一化策略,分别是基于外壳(on-shell)条件的处理和剩余场混合参数的MS/\(\overline{\text{MS}}\)规范。 首先,他们着重于外壳上的重新规范化条件,这是一种确保理论在不同能量尺度下物理量保持不变的重要步骤。他们为模型中的不同参数制定了特定的外壳条件,这些条件与现有的文献方案相联系,以确保理论的一致性。在处理 tadpole 图时,他们采用了不同的方法,这涉及到模型的非线性特性,如对称性破缺和额外的费米子相互作用的处理。 其次,对于那些没有明确外壳条件的场混合参数,作者们采用MS/\(\overline{\text{MS}}\)规范,这是一种常见的量子场论规范方法,用于控制无穷大项并保证理论的连续性。他们系统地解决了MS/\(\overline{\text{MS}}\)参数的重归一化群方程,使得在不同尺度下的尺度变换可以被一致地执行。 为了实际应用,作者将这些重归一化规则编码到了FeynArts模型文件中,便于自动化生成振幅和平方矩阵元素。他们利用这些工具计算了模型中光子衰减(由两希格斯-双重峰模型的CP偶数希格斯玻色子引起)转化为四个费米子的过程。这种计算不仅验证了各重归一化方案的有效性,还通过对比和分析尺度依赖性,评估了由于理论截断导致的扰动不确定性和理论误差。 本文的贡献在于提供了一套详尽且一致的重归一化框架,适用于"Two-Higgs-Doublet模型",这对于理解和预测该模型在高能物理实验中的行为至关重要。通过这种方式,研究人员能够更精确地预测实验结果,同时测试理论的稳定性,为后续的模型检验和新物理搜索提供了强有力的工具。
2024-09-05 上传
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行