热点事件持续更新
机器学习从格点数据提取磁化QCD的NJL耦合与反常磁矩
1 篇报道1 个报道来源15 小时前更新
先了解这件事
AI 综述
2026-11-10，arXiv理论核物理板块刊出安徽理工大学团队的研究：他们采用物理信息机器学习框架，从格点QCD的手性相变与凝聚数据中反演提取NJL模型的跑动耦合G(eB)与夸克反常磁矩比v2(eB)。神经网络管线成功复现了逆磁催化（IMC）效应。结果显示，磁场对G和v2均呈平滑抑制。基于学到的参数，团队独立计算中性π介子质量，无需使用π介子数据重新拟合，即再现了近期格点结果中π介子质量随磁场下降的趋势。这是该事件的首篇报道，尚无更早版本可供对照。
AI 根据报道生成 · 2 小时前更新
最新进展11月10日 13:00
首篇报道：团队用物理信息机器学习从格点数据提取G(eB)与v2(eB)，并再现IMC与π介子质量下降趋势。报道时间线
沿着报道，了解事件的不同侧面。
11月10日
- arXiv nucl-th（理论核物理）机器学习确定磁化 QCD 物质中的 NJL 耦合与反常磁矩
安徽理工大学团队用物理信息机器学习框架，从格点 QCD 的手性相变与凝聚数据中提取 NJL 模型的跑动耦合 G(eB) 与夸克反常磁矩比 v2(eB)，神经网络管线复现了逆磁催化（IMC）效应。结果显示磁场平滑抑制 G 和 v2；用学到的参数独立计算中性 π 介子质量，无需 π 数据重拟合即再现近期格点结果的下降趋势。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。