論文の概要: $R$-matrix type parametrization of the Jost function for extracting the resonance parameters from scattering data

• arxiv url: http://arxiv.org/abs/2504.11129v1
• Date: Tue, 15 Apr 2025 12:29:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:09:16.966343
• Title: $R$-matrix type parametrization of the Jost function for extracting the resonance parameters from scattering data
• Title（参考訳）: 散乱データから共振パラメータを抽出するJost関数の$R$-matrix型パラメトリゼーション
• Authors: P. Vaandrager, M. L. Lekala, S. A. Rakityansky,
• Abstract要約: 非相対論的二分散乱データに適合し、量子共鳴のパラメータを抽出する新しい手法を提案する。 この方法は、よく知られた$R$-matrixアプローチと、Jost関数の半解析的表現に基づく解析を組み合わせる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: A new method is proposed for fitting non-relativistic binary-scattering data and for extracting the parameters of possible quantum resonances in the compound system that is formed during the collision. The method combines the well-known $R$-matrix approach with the analysis based on the semi-analytic representation of the Jost functions. It is shown that such a combination has the advantages of both these approaches, namely, the number of the fitting parameters remains relatively small (as for the $R$-matrix approach) and the proper analytic structure of the $S$-matrix is preserved (as for the Jost function method). It is also shown that the new formalism, although closely related to the $R$-matrix method, has the benefit of no dependence on an arbitrary channel radius. The efficiency and accuracy of the proposed method are tested using a model single-channel potential. Artificial ``experimental'' data generated with this potential are fitted, and its known resonances are successfully recovered as zeros of the Jost function on the appropriate sheet of the Riemann surface of the energy.
• Abstract（参考訳）: 衝突時に生成する化合物系において、非相対論的二分散乱データを取り込んで量子共鳴のパラメータを抽出する新しい手法を提案する。 この方法は、よく知られた$R$-matrixアプローチと、Jost関数の半解析的表現に基づく解析を組み合わせる。 このような組み合わせにはこれらのアプローチの利点があり、例えば、($R$-matrix のアプローチのように)適合パラメータの数は比較的小さく、$S$-matrix の適切な解析構造は保存されている(Jost 関数法のように)。 また、新しい形式主義は、$R$-matrix法と密接に関連しているが、任意のチャネル半径に依存しないという利点があることが示されている。 提案手法の有効性と精度をモデル単一チャネル電位を用いて検証した。 このポテンシャルで生成された人工の `experimental'' データが取り付けられ、その既知の共鳴はエネルギーのリーマン面の適切なシート上のジョスト関数の零点として回復する。

関連論文リスト

• Nonparametric estimation of Hawkes processes with RKHSs [1.775610745277615]
  本稿では、再生カーネル空間(RKHS)に相互作用関数が存在すると仮定した非線形ホークス過程の非パラメトリック推定について述べる。 神経科学の応用によって動機づけられたこのモデルは、エキサイティングで抑制的な効果を表現するために、複雑な相互作用機能を実現する。 本稿では2つの共通近似(ReLU関数と積分作用素)に依存する推定法を提案する。
  論文  参考訳（メタデータ） (2024-11-01T14:26:50Z)
• Weighted Riesz Particles [0.0]
  対象分布を、パラメータの無限次元空間が多くの決定論的部分多様体からなる写像と考える。 我々は、Rieszと呼ばれる点の性質を研究し、それをシーケンシャルMCMCに埋め込む。 低い評価で高い受け入れ率が得られることが分かりました。
  論文  参考訳（メタデータ） (2023-12-01T14:36:46Z)
• Online non-parametric likelihood-ratio estimation by Pearson-divergence functional minimization [55.98760097296213]
  iid 観測のペア $(x_t sim p, x'_t sim q)$ が時間の経過とともに観測されるような,オンラインな非パラメトリック LRE (OLRE) のための新しいフレームワークを提案する。 本稿では,OLRE法の性能に関する理論的保証と,合成実験における実証的検証について述べる。
  論文  参考訳（メタデータ） (2023-11-03T13:20:11Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• $O(N^2)$ Universal Antisymmetry in Fermionic Neural Networks [107.86545461433616]
  我々は、置換同変アーキテクチャを提案し、その上で行列式 Slater を適用して反対称性を誘導する。 FermiNetは、単一の行列式を持つ普遍近似能力があることが証明されている。 これは実装が容易であり、計算コストを$O(N2)$に下げることができる。
  論文  参考訳（メタデータ） (2022-05-26T07:44:54Z)
• Gaussian Process Regression for Absorption Spectra Analysis of Molecular Dimers [68.8204255655161]
  本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。 このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。 実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
  論文  参考訳（メタデータ） (2021-12-14T17:46:45Z)
• Optimal prediction for kernel-based semi-functional linear regression [5.827901300943599]
  半関数線形モデルにおける予測のための収束の最小値を求める。 その結果, よりスムーズな関数成分は, 非パラメトリック成分が知られているようなミニマックス速度で学習できることが判明した。
  論文  参考訳（メタデータ） (2021-10-29T04:55:44Z)
• MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood Inference from Sampled Trajectories [61.3299263929289]
  シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。 あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。 モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-03T12:59:16Z)
• Machine Learning Universal Bosonic Functionals [0.0]
  ボゾン基底状態の汎函数理論は、量子相関を正確に回復する普遍汎函数 $mathcalF[gamma]$ の存在を確立する。 Bose-Hubbardモデルに対しては、我々のアプローチとQuantum Monte Carloとの比較を示す。
  論文  参考訳（メタデータ） (2021-04-07T15:53:10Z)
• Spectral Discovery of Jointly Smooth Features for Multimodal Data [10.158584616360669]
  複数の観測多様体上で共同的に滑らかな関数を導出する手法を提案する。 本手法は, 可能な限りスムーズな関数セットを提供することが保証されていることを解析的に示す。 さらに,非線形力学系のパラメータ空間の最小化を実現するために,提案手法をいかに活用するかを示す。
  論文  参考訳（メタデータ） (2020-04-09T07:04:02Z)
• Formal Synthesis of Lyapunov Neural Networks [61.79595926825511]
  本稿では,リアプノフ関数の自動合成法を提案する。 我々は,数値学習者と記号検証器が相互作用して,確実に正しいリアプノフニューラルネットワークを構築する,反例誘導方式を採用する。 提案手法は,Lyapunov関数を他の手法よりも高速かつ広い空間領域で合成する。
  論文  参考訳（メタデータ） (2020-03-19T17:21:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。