Notice bibliographique
Résumé
A series of previous papers [1] develops a dipole model in initial state impact parameter space that includes subleading effects such as running αs, unitarity, confinement and saturation. Here some recent work [2] is presented, where the model is applied to a new set of data: vector meson production in γ ⋆ p, DVCS and dσ/dt in pp. This allows us to tune a more realistic model of the proton wavefunction from the pp data, and confirm the predictive power of the model in high Q 2 of DVCS and vector meson production. For low Q 2 vector meson resonances dominate the photon wavefunction, making our predictions depend on a tuned parametrisation in this range. LU-TP 09-03 MCnet/09/02 To calculate cross sections for hadronic particles it is important to understand the evolution in the initial state. In a high energy collision, each of the two incoming particles will emit gluons before meeting and interacting. Enumerate the possible initial states with i,j and give each state a probability wi such that ∑ i wi = 1. With a scattering probability pij between state i and j the total interaction probability can be expressed as Ttot(b) = 2 ∑ wiwjpij. (1) That means that the expectation value of pij, weighted by wi can be measured. Similarly the diffractive, including elastic, cross section is ij Tdiff(b) = ∑ ij wiwjp 2 ij. (2) To get both these cross sections right, not only the expectation value of pij with respect to wi is required, but also the fluctuations. That is, it is possible to measure if the cross section is dominated by frequently occuring states with a low interaction probability, giving a low Tdiff/Ttot, or by rare states with a high interaction probability, giving a high Tdiff/Ttot. Also the elastic interaction probability can be written in this way as Tel(b) = ⎝ ∑ ij
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».