Nf味N=1 SQED的NSVZ关系：方案无关的高阶验证

Open
Access
0 下载量 57 浏览量 更新于2024-09-04 收藏 263KB PDF 举报
本文主要探讨了N=1超杨-米尔斯理论(N=1 Supersymmetric Quantum Electrodynamics, SQED)在Nf种味道（flavors）情况下的NSVZ（Novikov-Shifman-Vainshtein-Zakharov）关系。NSVZ关系是一种重要的理论工具，它在量子场论中链接了β函数（描述参数随能量尺度变化的函数）与超对称场论中的物质超域（anomaly dimension）。 首先，文章指出当组函数（renormalization group functions）基于裸耦合常数定义，并且理论通过高阶导数（higher derivative regularization）进行正则化时，N=1 SQED在所有扰动理论的阶数下可以获得精确的NSVZ β函数。这种正则化方法确保了理论在不同能量尺度下的自洽性。 然而，如果组函数是以重整化耦合常数（renormalized coupling constant）为基础定义的，NSVZ关系的适用性就依赖于特定的方案（subtraction scheme）。在这种情况下，NSVZ关系只在NSVZ方案中有效，即对于那些与Nf（味道数）成比例的项，NSVZ关系是方案独立的，而与k(2)与Nf^k（其中k是整数）成比例的项则会受到方案选择的影响。 作者通过计算三环β函数和两环异常维度的显式表达式，分别在NSVZ和MOM（Moment Subtraction）减法方案中，验证了上述方案独立性和方案相关性的结论。这种验证展示了在MOM减法中，使用高阶导数正则化和降维得到的重整化群函数在不同的减法方案下是一致的，从而支持了NSVZ关系的稳健性。 这篇论文深入研究了N=1 SQED中的NSVZ关系，强调了正则化方法和减法方案对关系影响的重要性，并提供了关键的计算证据来支持其理论框架。这对于理解超对称场论中的结构以及验证理论预测具有重要意义。

三环近似下N=1 SQED的NSVZ方案降维归一化与高阶导数正则化的对比

点击了解资源详情
本文主要探讨的是N=1超量子电动力学（SQED）在具有Nf种风味的理论背景下，三环近似中的NSVZ（Novikov-Shifman-Vainshtein-Zakharov）方案。NSVZ方案是超对称场论中一个重要的概念，它提供了一个计算超对称量子修正的...

N=1超对称线性颤动理论的对偶网络与Seiberg SQCD的超共形指数

点击了解资源详情
这展示了理论间的对偶关系，其中每个单独的线性颤动代表了一个独立的理论状态。 Seiberg对偶性在此对偶网络中起到了关键作用，它不仅连接了原有的理论，还通过引入新的箭头配置（新箭包）进一步扩充了网络。这种...

N=2 SU(2) SQCD的量子超共形点周期研究

点击了解资源详情
本文深入探讨了N=2超对称SU(2)量子色动力学(SQCD)在Nf=1, 2, 3超多重性下，于超共形点(Coulomb moduli space)中的Argyres-Douglas理论。在Nekrasov-Shatashvili极限下的欧米茄背景(Omega-background)中，这一理论的...

张量电流的非扰动重新归一化：$$ N_f = 0 $$ Nf = 0和$$ N_f = 2 $$ Nf = 2 QCD的策略和结果

2020-03-26 上传
我们开发了通过标准递归有限尺寸缩放技术在晶格QCD中进行计算的设置，并为张量电流的RG运行结果提供了结果$ N_f = 0 $$ Nf = 0和$$ N_f = 2 $$ 各种Schrödinger功能方案的连续性中Nf = 2 QCD。 还针对与大体积模拟...

nmcli -f SSID,SECURITY device wifi list | awk '!seen[ $1 ]++' | awk -F ' +' '{if (NF==0 || NF==1 || NF==2 || NF==3) {print $1,$2}}' 详解

2023-11-16 上传
这是一个使用nmcli命令列出可用WiFi网络的命令，并使用awk命令对输出进行处理的示例。具体来说，该命令使用nmcli命令列出可用的WiFi网络，并使用两个awk命令对输出进行处理...seen[ $1 ]++' | awk -F ' +' '{if (NF==0

有一种形式的fibonacci数列定义如下：\nf(0)=7 \nf(1)=11\nf(n)=f(n-1)+f(n-2)（n>=2）\n\n按以下声明写一个函数fib\nint fib(int n);\nfib函数

2023-04-06 上传
这段代码定义了一种形式的Fibonacci数列： f(0)=7 f(1)=11 f(n)=f(n-1)+f(n-2) （n>=2） 按照上述规则，可以写一个名为fib的函数： int fib(int n);

class NLayerDiscriminator(nn.Module): def init(self, input_nc=3, ndf=64, n_layers=3, norm_layer=nn.BatchNorm2d, use_sigmoid=False, use_parallel=True): super(NLayerDiscriminator, self).init() self.use_parallel = use_parallel if type(norm_layer) == functools.partial: use_bias = norm_layer.func == nn.InstanceNorm2d else: use_bias = norm_layer == nn.InstanceNorm2d kw = 4 padw = int(np.ceil((kw-1)/2)) sequence = [ nn.Conv2d(input_nc, ndf, kernel_size=kw, stride=2, padding=padw), nn.LeakyReLU(0.2, True) ] nf_mult = 1 for n in range(1, n_layers): nf_mult_prev = nf_mult nf_mult = min(2n, 8) sequence += [ nn.Conv2d(ndf * nf_mult_prev, ndf * nf_mult, kernel_size=kw, stride=2, padding=padw, bias=use_bias), norm_layer(ndf * nf_mult), nn.LeakyReLU(0.2, True) ] nf_mult_prev = nf_mult nf_mult = min(2n_layers, 8) sequence += [ nn.Conv2d(ndf * nf_mult_prev, ndf * nf_mult, kernel_size=kw, stride=1, padding=padw, bias=use_bias), norm_layer(ndf * nf_mult), nn.LeakyReLU(0.2, True) ] sequence += [nn.Conv2d(ndf * nf_mult, 1, kernel_size=kw, stride=1, padding=padw)] if use_sigmoid: sequence += [nn.Sigmoid()] self.model = nn.Sequential(*sequence) def forward(self, input): return self.model(input)，逐行解释上述代码

2023-05-30 上传
for n in range(1, n_layers): nf_mult_prev = nf_mult nf_mult = min(2**n, 8) sequence += [ nn.Conv2d(ndf * nf_mult_prev, ndf * nf_mult, kernel_size=kw, stride=2, padding=padw, bias=use_bias), norm_...

class NLayerDiscriminator(nn.Module): def init(self, input_nc=3, ndf=64, n_layers=3, norm_layer=nn.BatchNorm2d, use_sigmoid=False, use_parallel=True): super(NLayerDiscriminator, self).init() self.use_parallel = use_parallel if type(norm_layer) == functools.partial: use_bias = norm_layer.func == nn.InstanceNorm2d else: use_bias = norm_layer == nn.InstanceNorm2d kw = 4 padw = int(np.ceil((kw - 1) / 2)) sequence = [ nn.Conv2d(input_nc, ndf, kernel_size=kw, stride=2, padding=padw), nn.LeakyReLU(0.2, True) ] nf_mult = 1 for n in range(1, n_layers): nf_mult_prev = nf_mult nf_mult = min(2 ** n, 8) if n == 1: num_filters = ndf * nf_mult self.conv1 = nn.Conv2d(4 * num_filters, num_filters, kernel_size=3, padding=1) self.conv_offset1 = nn.Conv2d(512, 18, kernel_size=3, stride=1, padding=1) init_offset1 = torch.Tensor(np.zeros([18, 512, 3, 3])) self.conv_offset1.weight = torch.nn.Parameter(init_offset1) self.conv_mask1 = nn.Conv2d(512, 9, kernel_size=3, stride=1, padding=1) init_mask1 = torch.Tensor(np.zeros([9, 512, 3, 3]) + np.array([0.5])) self.conv_mask1.weight = torch.nn.Parameter(init_mask1) sequence += [ torchvision.ops.DeformConv2d(ndf * nf_mult_prev, ndf * nf_mult, kernel_size=kw, stride=2, padding=padw, bias=use_bias), norm_layer(ndf * nf_mult), nn.LeakyReLU(0.2, True) ] nf_mult_prev = nf_mult nf_mult = min(2 ** n_layers, 8) sequence += [ torchvision.ops.DeformConv2d(ndf * nf_mult_prev, ndf * nf_mult, kernel_size=kw, stride=1, padding=padw, bias=use_bias), norm_layer(ndf * nf_mult), nn.LeakyReLU(0.2, True), nn.Conv2d(ndf * nf_mult, 1, kernel_size=kw, stride=1, padding=padw) ] if use_sigmoid: sequence += [nn.Sigmoid()] self.model = nn.Sequential(*sequence) def forward(self, input): offset1 = self.conv_offset1(input) mask1 = self.conv_mask1(input) input = torch.cat([input, offset1, mask1], dim=1) return self.model(input)，运行上述代码出现错误：RuntimeError: Given groups=1, weight of size [18, 512, 3, 3], expected input[1, 3, 512, 512] to have 512 channels, but got 3 channels instead，如何修改，给出代码

2023-05-30 上传
根据错误提示，可以发现是因为 `conv_offset1` 的输入通道数为 512，但是 `input` 的通道数为 3。因此需要将 `conv_offset1` 的输入通道数修改为 3。同时，根据代码中的注释，`num_filters` 应该为 `ndf * nf_mult_...

awk '{$2=$NF;NF=2;gsub("\\|","\n"$1" ");gsub(";"," ")}1' filetest25.txt

2023-07-28 上传
3. `gsub("\\|","\n"$1" ")`：使用`gsub`函数将竖线(`|`)替换为换行符(`\n`)、第一个字段和一个空格。 4. `gsub(";"," ")`：使用`gsub`函数将分号(`;`)替换为空格。 5. `1`：这是一个条件语句，始终为真。它触发默认...

RRDB_block_f = functools.partial(RRDB, nf=nf, gc=gc)解释这段代码

2023-04-20 上传
这段代码是Python中的偏函数（partial function），使用函数RRDB，其中nf和gc是预定义的参数，将其赋值为传入的参数nf和gc，然后将这个部分函数命名为RRDB_block_f。RRDB是一个图像处理中的深度残差网络，在这里是...
weixin_38669093
  • 粉丝: 4
  • 资源: 874
上传资源 快速赚钱

最新资源