[论文解读] Deep learning topological inference-guided $T_{cc}^{+}$ pole parameter extraction

Julius B. Pagayon, Klarence Tomas R. Cervantes+1 more|arXiv (Cornell University)|Mar 18, 2026

Quantum many-body systems被引用 0

一句话总结

本文在合成、解析控制的振幅上训练深度神经网络，以在四片段S矩阵中分类极点拓扑，然后使用统一化S矩阵和K矩阵形式提取Tcc+极点参数，得出Tcc+是在第二片面上的浅D0D*+束缚态的结论。

ABSTRACT

We perform a data-driven study of the doubly charmed tetraquark candidate $T_{cc}^+$. An ensemble of deep neural network classifiers, trained on synthetic amplitudes with controlled analytic structures, identifies a dominant pole topology characterized by an isolated pole on the $[bt]$ Riemann sheet which is robust against left-hand cut effects. A subsequent pole parameter extraction was performed via the uniformized $\mathcal{S}$-matrix and a complementary $\mathcal{K}$-matrix parameterization, which respectively provides a model-independent baseline and dynamical insight on the pole position and trajectory of the resonant state. Using this two-pronged approach, we submit that the $T_{cc}^{+}$ is a shallow $D^0D^{*+}$ bound state in the second Riemann sheet of the complex plane.

研究动机与目标

• 通过极点拓扑分析来推动并解决Tcc+近阈值态的不确定性问题。
• 开发一个数据驱动框架，利用深度神经网络从近阈值散射线形推断极点拓扑。
• 采用统一化S矩阵与互补的K矩阵参数化来提取极点位置和轨迹。
• 量化在耦合通道设定中对左手截断效应的主导极点拓扑的鲁棒性。

提出的方法

• 构建具有四个黎曼曲面、并统一化到单一ω平面的耦合通道S矩阵形式。
• 定义一个Jost-like函数Q(ω)，其零点将极点放置在选定曲面上；包括一个调控极点以满足渐近单位性。
• 通过对角S矩阵元素的拟阿坦相位修正，结合尺度Λ和强度ζk，经验性地模型左手截断效应。
• 通过三元组[N_bt,N_bb,N_tb]生成35种极点拓扑类别作为标签，并为训练创建有/无左手截断的两组集合。
• 从离散化能量点和微分事件率构建114维输入向量，以供全连接DNN分类器使用。
• 使用Adam、dropout和权重衰减，结合人工网格搜索和Optuna优化，训练216个DNN模型用于极点分类。

实验结果

研究问题

• RQ1 在耦合的D0D*+与D0D0π+通道中，Tcc+态的主导极点拓扑是什么？
• RQ2 在存在左手截断效应的情况下，基于DNN的分类是否能可靠地从近阈值线形识别极点拓扑？
• RQ3 统一化S矩阵与K矩阵参数化在提取极点位置和轨迹方面有何比较？
• RQ4 在分析框架下，Tcc+是否最好被描述为第二黎曼曲面上的浅D0D*+束缚态？

主要发现

• 一个DNN分类器集合识别出在[bt]曲面上的主导极点拓扑，对左手截断效应具有鲁棒性。
• 两端的极点参数提取（统一化S矩阵与耦合通道K矩阵）提供了模型无关的基线和对极点轨迹的动力学洞察。
• 按所述框架，得出Tcc+是在复平面的第二黎曼曲面上的浅D0D*+束缚态。
• 将35拓扑空间高效收缩为一个可能的类别，能够从类似LHCb线形中进行鲁棒推断。
• 通过arctan相位引入的左手截断效应被证明会影响线形和极点解释，但仍维持单位性。