考虑到有效理论建模的马约拉纳中微子与标准物质之间的相互作用，我们研究了无菌马约拉纳中微子对穿过地球的γ通量产生的影响。 使用包括马约拉纳中微子产生和衰变在内的输运方程计算尚存的tau中微子通量。 我们将我们的结果与纯标准模型相互作用进行比较，计算有效拉格朗日耦合的不同值的存活通量，考虑到IceCube在10年的运行时间中检测到的通量，以及质量为mNNmÏ的马约拉纳中微子。

我们在标准模型的简单扩展中讨论了对长期存在的（g−2）μ异常的最小解决方案，该模型具有一个额外的Z'向量玻色子，该玻色子仅对第二代和第三代轻子具有对角线以外的风味，即 μ，τ，νμ，ντ及其反粒子。 讨论了简化的模型实现，以及对该模型的各种碰撞和低能耗约束。 我们发现，比tau轻子轻的Z'的（g-2）μ-有利区域被完全排除，而Z'溶液仍然较重。 这种情况在未来的实验中有一些可检验的含义，例如在佳丽2处违反轻子风味通用性的tau衰变，在HL-LHC和FCC-ee处出现了新的四轻子签名，其中包含相同符号的介子和二重子 ，指出。 中微子望远镜如IceCube和KM3NeT也可以在高能中微子光谱中观察到共振吸收特征。

artDialog是一款经典、优雅的网页对话框组件，内外皆用心雕琢。artDialog 7.0.0 更新日志：2017-04-191.content()方法传入隐藏元素并显示，并且remove()的时候会将元素插入到body避免被销毁；2.修复button方法可能会多次绑定事件的问题；3.模态对话框可以避免shift tab将焦点移出对话框。

我们研究了具有多个Peccei-Quinn标量的对齐轴突模型中拓扑缺陷的形成和演变，其中QCD轴突是通过衰变常数远小于传统Peccei-Quinn断裂尺度的轴突的某种组合来实现的。 当潜在的U（1）对称性自发破坏时，轴突场空间中的对齐结构会在实际空间中表现为复杂的弦壁网络。 我们发现，如果Peccei-Quinn标量的数量大于2，则字符串-壁网络可能会生存到QCD相变。 弦壁系统在QCD相变期间崩溃，目前产生大量的纳赫兹范围内的引力波。 通过脉冲星定时观测，典型的衰减常数被限制在O（100）TeV以下，并且在以后的SKA观测中，该约束将提高2倍。

错误定义轴-光子耦合效果的示例。 彩色图和黑色线用于使用GAMBIT 1.3.1的校正图形，而蓝色虚线表示GAMBIT 13 0中先前的错误排除线。

生成式对抗网络（GAN）是一种深度学习模型，由生成器（Generator）和判别器（Discriminator）两个主要部分组成。生成器负责产生类似于实际数据分布的新数据样本，而判别器则负责区分实际数据和生成器生成的数据。GAN的理论基础源于博弈论中的二人零和博弈，其中生成器和判别器形成对立的两方，各自通过学习优化自己的策略以达到纳什均衡。 GAN的早期理论积累包括了解博弈论中的经典案例，比如囚徒困境和智猪博弈，这些案例帮助理解对抗双方如何在相互竞争中达到一种均衡状态。在GAN中，生成器和判别器就是这样的对立双方，它们通过交替迭代训练来提升自己的能力，直到达到一个动态平衡，此时生成器能够产生与真实数据无法区分的样本，而判别器的分类准确率约为50%，相当于随机猜测。 GAN的基本框架中，当判别器固定时，生成器优化自己的网络结构，使生成的样本尽可能接近真实数据。反之，当生成器固定时，判别器通过优化网络结构来更好地判别真实样本和生成样本。在训练GAN的过程中，生成器和判别器的参数需要交替更新，两者的优化目标是相互矛盾的，从而形成了一种竞争与对抗的局面。最终，GAN被训练到一个状态，即判别器无法准确判断数据的来源，达到了生成器成功模仿真实数据分布的效果。 GAN的应用包括图像生成、文本生成、语音合成、图像超分辨率等领域。在图像生成方面，GAN可以创造出高质量和高分辨率的图像，这些图像在视觉上与真实图像几乎无异。此外，GAN还能用于数据增强，尤其是在有限数据的情况下，通过生成额外的训练样本，提高机器学习模型的性能和泛化能力。 生成式对抗网络的训练方法关键在于损失函数的定义。通过优化损失函数，可以调整生成模型的参数，使生成的概率分布尽可能接近真实数据分布。不过，这里的分布参数不再是传统概率统计学中的形式，而是存储在一个“黑盒”中，即最后学到的数据分布Pg(G)没有明确的表达式。在训练过程中，生成器和判别器的优化目标是相互对抗的，生成器试图最小化判别器的判别准确率，而判别器则试图最大化自己的判别准确率。 在GAN中，噪声是生成模型的一个重要组成部分。噪声的引入可以看作是在数据空间中引入随机性，使得生成的样本具有多样性。例如，在二维高斯混合模型中，噪声是随机输入点的坐标，经过生成模型映射到高斯混合模型中的点。在图像生成的场景中，噪声相当于低维数据，通过生成模型映射成一张张复杂的图片。 GAN的训练方法中，交替迭代的策略是关键。首先固定生成器，更新判别器的权重；然后固定判别器，更新生成器的权重。通过这种方式，两个网络交替训练，各自不断优化自己的网络结构，直到达到纳什均衡状态。此时，生成器生成的数据与真实数据的分布一致，而判别器无法区分两者，判别准确率降低至随机猜测的水平，大约为50%。 生成式对抗网络的训练目标是让生成器生成足够好的样本，以至于判别器无法区分真假。这要求生成器在训练过程中不断提升自己的生成能力，而判别器则需要不断提高自己的判别能力，以保持对抗状态。整个训练过程是一种动态的对抗过程，需要细心调整学习率和其他超参数，以确保两个网络能够达到平衡状态。 GAN的训练方法还包括对损失函数的选择和调整。一个常用的损失函数是交叉熵损失，它可以衡量生成的样本与实际数据之间的差异。在GAN中，通常使用交叉熵损失的变种，如最小二乘损失函数，以改善训练的稳定性和性能。此外，为了提高GAN的训练效果，还需要考虑网络架构的选择、正则化技术的应用，以及如何处理模式崩溃（mode collapse）等问题。 生成式对抗网络（GAN）是一种具有广泛应用前景的深度学习模型。其核心思想是通过生成器与判别器之间的对抗学习，让生成器能够学会产生与真实数据分布高度相似的样本。GAN的理论基础和训练方法涉及到深度学习、博弈论、损失函数设计等多个领域的重要知识，使得GAN成为了近年来人工智能研究中的一个热点。随着技术的不断进步，GAN将继续在图像处理、自然语言生成、游戏设计等众多领域展现出其巨大的应用潜力。

我们提出了一个模型，该模型是带有惰性doublet标量的KSVZ不可见轴突模型的简单扩展。 Peccei-Quinn对称性禁止生成树级中微子质量，其残留的Z2对称性可确保暗物质的稳定性。 中微子质量是通过不可重归一化的相互作用破坏Peccei-Quinn对称性而通过单环效应产生的。 尽管低能效模型与包含大量右旋中微子的原始碳烟模型相吻合，但它没有强CP问题。

基于手性全局U（1）对称性的Peccei-Quinn（PQ）机制被认为是解决强CP问题的简单而优雅的解决方案。 可以通过轴搜索来实验检查该机制的事实使它变得更加有趣，并且最近再次引起了很多关注。 然而，还已知该机制受到两个严重问题的困扰，即，域壁问题和全局对称性的优点。 由于重力的量子效应，任何整体对称性都被认为不是精确的。 在本文中，我们考虑了解决这些问题的方法，在这些问题中，夸克质量层次和混合，中微子质量的产生和暗物质的存在紧密相关。 在我们的解决方案中，假定PQ对称性是通过在局部U（1）对称性的中间尺度上打破对称性而引起的，而全局U（1）对称性则扮演了Froggatt–Nielsen对称性的角色。 在轻子领域，PQ对称性的残余控制着中微子质量的产生和暗物质的存在。

标量Peccei-Quinn（PQ）机制提供了将全局PQ对称嵌入标量U（1）对称性的简单方法。 由于它源自测量的PQ对称性，因此，一旦给出了适当的电荷分配，整体PQ对称性就可以通过量子引力效应避免显式破坏。 在本文中，我们将测量的PQ对称性定义为B-L对称性，这很有吸引力，因为B-L的测量对称性是标准模型的最真实扩展。 正如我们将要展示的，可以在SU（5）大统一理论中的跷跷板机制推动的模型中找到自然的B-L电荷分配。 作为该模型的显着特征，除了右旋中微子之外，它不需要额外的SU（5）单重态物质场就可以消除自我和引力异常。

根据Peccei-Quinn（PQ）机制，重新考虑了在亚稳真空下由量规介导的超对称破坏。 我们建议，对于可接受的μ值生成，此类模型应涉及通过PQ破坏过程生成信使质量。 然后，我们借助一个额外的超级杨-米尔斯场所诱发的有效Kähler耦合，在伊泽瓦-柳吉达-Intriligator-托马斯超电势的背景下构建模型。 其中，带PQ的基本单线态在适应较大的μ值方面起着至关重要的作用。