胡晓凡-发言人1(00:00:01):
图谱。我们可以看到我横框框出来的，主要是今天综合分析涉及到的4个共振峰，其中3个是被认为是 cc8的，参考素4010它是1440-10，可能是一个四方的吉特带，然后是一个传统的 cc8的磁场素。对于衰变，

胡晓凡-发言人1(00:00:36):
主要我们主要关心的就是从第一衰变到一个，带电荷的阿尔法的正态，加上一个偏正，然后这个二可以衰变到第四一正或者第四正一负，我们可以通过它的质量分布和角分布，去对它进行一个分波分析的正负的拟合，同时这个过程主，特别的地方在于它是可以通过。第四大正负和，第四大负 d 正和第四大正 d-2个过程的一个联合拟合，来确定它涉及到的共振态的，c 宇称 c 是正或者负，我们可以看到第四大负 d 正和第四大正 d 负是一个就是有可以由 ct，c，可以由 c 宇称联系起来的一两个。两个组合们就是一个是第四大-1正加上第四大正一负，它是可以组成一个，C 等于一的组合，如果是减的话就可以组它一个 c 等于-1个组合，控制态收变到这两个末态，它就会体现在它要变到第四大正一-1个振幅，前面会多出一个负号来它们的干涉效应是不一样的。然后分波分析主要得到的一个是发现了一个401质量在4010附近的奇特态，然后它有许多理论对4010进行分析，它可以和3872我们较早发现的奇特态联系起来。首先是我们分布分析，它使用的是，

胡晓凡-发言人1(00:02:27):
然后加四的数据总共有9个14000分的 bar，然后这里展示的是其中一部分的数据的拟合得到的质量谱。可以看到本底的比例是比较低的，大概是在5%然后这里的第四大，第四大 dk它的 d 是通过 d 到，K 派来重建的，第四大是通过 d0+一个派正来重建的。D0是 d0是包括了有两个衰变的过程，一个是 k 派，一个是加上 k加上三个派，然后这些样本组合起来得到一个最后用来分布分析拟合的一个样本。然后分波涉及到的运动学变量比较简单，一个是 b 到 d 大 dk 的一个三体的衰变，可以有两个质量，或者有一个两个角度来确定。它还包括了一个 d 大到 d0派的一个衰变是有两个角度的，有两个 ic，然后其中，在衰变里面主要将主要涉及到的就是 d 大 d，共振态的，它涉及到振幅，包括了一些 dk 和 d 大 k。这里的这些共振态主要是一些已发现的共振态，加了一些非共振态的振幅，特别是对于 d 大 d 的一个 g1正的共振态，它主要它把同时把 s 波和 d 波的衰变都包括了进去。这里是一个我们常用的，

胡晓凡-发言人1(00:04:04):
相对论的描述。另外，在靠近阈值的地方，还加了一个3872的 care 的一个等效的模型来描述一个描述，阈值附近的一个效应，并不是一个不可以，它只是一个等效的模型，并不是，并不是真实的3872。首先这个是上面我们上面这里放的是它的，

胡晓凡-发言人1(00:04:37):
分波分析拟合的一个自然函数，这里的 a 就是正负，然后 b 是本底的函数，然后下它通过了经过了效率的修正，这里的 f 是它的，本底的比例大概之前就是由低质量所得到的，大概是在5%的一个量级，这里联合拟合中涉及到的一个，这里最关键的一个就是在对第四大正 d 负的拟合是上面的一个，振幅的分解，我们对 c 变换下的过程，第四大负 d 正拟合的时候，在第四大 d 的功能态前面会多出一个 cj 的系数就是。一般是正一-1，如果是上面是一的话，下面都是-1。这样通过，Cj 是，C 等于一的本征态，cj 是一。是 c 等于就是 c等于-1的本征态，它这里得到这里的 cj 就是-1。我们可以通过这个系数来确定本征态。我们加的本征态，它具体的 c 预算是多少？然后我们可以看看这里直观的比较的就是这个 d42负 d 正和 d42正 d 负这两个质量不变，质量谱可以看到它们有明显的区别，这里的区别主要就是来自于，不同的 c 域圈的共振态之间的相互干涉会导致，有些地方是增强的，有些地方是相消的。这里最明显的一个功能态，

胡晓凡-发言人1(00:06:30):
我们刚才前面提到的4010的功能态。这里就提到，刚才我说刚才我提到的它们之间的 c 等于正和 c 等于-2个功能态之间，在功能态之间的振幅，它们可以有一个，不同的干涉的效应，我们可以把两第四大正 d 负和第四大负 d 正的两个振幅相减，可以得到一个它们的干涉的效应，可以看到明显的是在这里前面四41b 左右的是主要主导的就是一个4010的振，干涉的影响和一个 fc4000的振幅的干涉的影响，

胡晓凡-发言人1(00:07:18):
在4.311b 附近的就是一个4300的干涉的影响，可以看到它们有明显的就是明显的干涉的效应。然后同时前面我们拟合的时候，Cga 用到的是正一和-1的两个离散的变量，然后去检验实际的数据的时候，我们还可以把这个 cga 设置为一个就是 e 的 I delta就是给它设置成一个浮动的相位来具体的拟合它不同的功能态，可以看到这些功能态。我们是把 ef，也就是在阈值附近的，它下的相位固定为零，然后去看其他的功能态，相对于相位上面的就是 c3872是一正 c等于正的。下面的这些功能态是和它一致的是 c 等于正的。上面的一些正大是可以看到是 c 等于负，然后最大的偏移是4040，和数据是和 c 等于负是一致的。分布分析它主要的结果就是发现了确定了四个能态，

胡晓凡-发言人1(00:08:35):
然后其中有至少三个是之前没有被观测到的，其中伊塔 c 和两个 hc 是 cc8的一个参考素，然后 kc1是一个可能是奇特态，然后这里的伊塔之是至少有三个是未观测到的，因为伊塔 c3945可能是和之前看到的3940可能是一致的，这四个里面至少是有三个，然后它们的 jp 都是经过了，检测检验排除了其他的自旋宇称的，假设是 c 宇称是按照之前前面说到的联合拟合的方法去确定的。这里我们也可以看到，对于4010的共振态，它本身的，也这一条绿色的和青色的一条曲线，它本身的振幅的贡献在两个，Dc 大的谱上是一致的，但是它和其他共振态的干涉效应是不一样的，这条平色的一条线有明显的区别，所以就这主要导致了两个 dc 谱的质量之间很明显的一个区别，一个右边相消的，左边会增强出来一个比较高的 p。最后也是有一些做了一些系统误差，有些系统误差的检查，主要是来自于主导的系统误差，主要还是分波分析，

胡晓凡-发言人1(00:10:15):
分分波分析的正负的模型，用了用了不同的，不同的线性，把一些质量本来固定的质量宽度 flow 以后得到的一个，不确定度，然后另外在这个它 d3d 的图上还看到了一个质量大概在4460，4462附近的一个一正的共振态，显著度主要，大概只有3.7这个，所以没有加到，主要的正负里，主要的模型里面。关于4010有一个理论的预言是通过把，

胡晓凡-发言人1(00:11:02):
普通的 cpt 的一个模型和，D 大 d 的与不同的就是双介子的道进行耦合以后，可以得到，在一阵阵这个4010附近会有一个态变成两个态。这个理论模型是叫做 untruncated 的，Cup model，它是在一个 a 的，就是一个 ct8的态上面加上了一个两个双电子的，连续的一个谱，然后去求解它的能量的本质态，然后其他对于其他的碳素的影响主要是在于它的质量会有一定的偏差，特别的是对于开一开二的碳素，它会体现出有一个分分裂成两个态，一个是其中是我们其中是3872，另外一个是有4010附近的态，也就是我们之前观测到的两个态。这里是他具体就是对派的可能量，在那以后会有一个。它得到它实际得到了有三个解，但是其中只有33872和4010这两个解，这两个位置对质量谱上有一个物理的结构，它排除了其中中间的这一个解。他们这篇文章就是建议在第一，第一大地的末态上寻找质量更高的态，

胡晓凡-发言人1(00:12:44):
这就是 lscd我们之前刚才讲到的发现，虽然它预言的质量和我们4010的质量有一定的差距，但是，它这个理论大概就是可以比较好的解释，为什么在这个位置会有两两个共振态，而不是只有一个共振态。另外就是我刚才提到的在4460附近的一个有另外一个更高的一正的分量的一个共振态，迹象大概是3.7，西格玛可以看到是加，加入了西格玛加入共振态和没有共振态理论的一个区别，在这里是可以稍微的改进一点几何，关于共振态也有一些理论的解释，

胡晓凡-发言人1(00:13:33):
主要是其中一个，其中一个是认为把3872当做第一，第一正大把的，双分子的态，然后它把其中一个碳电子激发到2s 的一个激发到2s 态，去激发可以得到一个合成的质量，大概在44804的，可以得到共振态。这篇理论他建议的是在这中第三以及一些比赛决赛的一些分配过程的去搜索这些功能，44480质量，

胡晓凡-发言人1(00:14:19):
4480一帧的功能。然后除了把碳电子激发到2s 以外，另外还有一个理论是把 cq，碳电子就是 cq 拔和 c 拔 q，它还可以把它分成 cq 和 c 拔 q。拔把这两个双化的模型把它激发到2s 的状态，同样也是得到了在它把参数通过3872态进行固定，同样得到了在444. 最近是有一是会有可能的功能态。这两个理论解释可能是指的就是我刚才提到的，在44.40附近的一个3.7西格玛的迹象。最后总结一下我们在 l7d，

胡晓凡-发言人1(00:15:13):
我们对 b 到 d 大，正 d 大正负正 k 的过程进行了振幅分析，然后发现了至少三个以前没有观测到的新的共振态，确定了它们的 c 宇称其中4010它的显著度大概是16西格玛，然后是 jpc是一正，另外有一个3.7西格玛可能的一个4012的一个一正的共振态，对这些共振态分别都是有相对的一个相应的一些动力学的一些解释，

胡晓凡-发言人1(00:15:46):
它们可以和最早发现的3872的共振态，联系起来。然后我们观测我们对这些共振态的测量，测量它们的相，测量它们的性质也可以反过来去约束3872具体的一些性质。包括。

胡晓凡-发言人2(00:16:16):
谢谢我们今天的中微子组的提问者是刘佩阳同学，我们问一下。

胡晓凡-发言人3(00:16:34):
是自由教育分析的？

胡晓凡-发言人4(00:16:41):
你说。

胡晓凡-发言人3(00:16:44):
要确定一个反思是不是从这个图上来看，它比较偏向中间公司，为什么还，虽然说预期的差距是，这三个 c，现在是它对于另一个先的，也不是，是这一部分的时候，衡量它到底是符合我们预期的。

胡晓凡-发言人1(00:17:10):
这个动态它的 c 语称是已经确定的，它并不是分析主要需要去确定的一个动态。所以它我们只是认为它并与我们的预期的偏离并不是很远，我们并需要去，比如说更新它的一个结果。

胡晓凡-发言人5(00:17:42):
会做一个 ai？

胡晓凡-发言人1(00:17:45):
相当于只是一个验证，它并没有很大的偏移，可以说明这个模型本身是没有很大的问题。

胡晓凡-发言人3(00:17:58):
开始提到4410是？但是后面又说，有一个模型可以用大数来解释的。

胡晓凡-发言人1(00:18:20):
对因为，四夸克可以，可以认为它是比如说是紧致的，四个夸克结合在一起，或者是它会分成两个夸克素的分子态，这个理论就是在它在 cc 阀的基础上，Cc 阀就是两个夸克的基础上加上了一个。参考素两个参考素，也就是其实它也是相当于是自夸克。

胡晓凡-发言人4(00:18:51):
相当可以去。

胡晓凡-发言人1(00:18:52):
加上了成对这篇文章里面它也计算了，两个共振态里面具体的成分的比例，它会给出一个，我记得大概是可能是36%这样的，比如说30%的 cc 法，60%的斯夸克有参考素的分子的这样的一个成分的比例。

胡晓凡-发言人3(00:19:15):
镜子一部分是参与王子宇说，他。

胡晓凡-发言人1(00:19:21):
态的叠加，不是，量子态的叠加并不是可能是某一种。

胡晓凡-发言人2(00:19:31):
谢谢刘大家！

胡晓凡-发言人6(00:19:35):
刚才你干涉那质量低正低负是啥，这个你的意思，他们的区别就是低大负，低正一个是低大正低负？

胡晓凡-发言人1(00:19:49):
对。

胡晓凡-发言人6(00:19:50):
那你解释他讲的不一样，就是因为有个干涉的原因。

胡晓凡-发言人1(00:19:55):
对干涉主要是 c1圈是正的，和 c1圈是负的干涉会在这两个图上表现的明显。

胡晓凡-发言人6(00:20:05):
因为这两个看上去好像是同位旋对称的。把交换了一下？

胡晓凡-发言人4(00:20:22):
你用干涉效应来解释为什么第四大负低正有？

胡晓凡-发言人6(00:20:30):
Be thu, don't be full able. 能不能再从 d 介质里面或者 ds 介质里面再找到类似的现象？

胡晓凡-发言人1(00:20:44):
比如 dsds正大正负反正。

胡晓凡-发言人6(00:20:49):
对！

胡晓凡-发言人1(00:20:51):
可能这些，还没有发布的结果。

胡晓凡-发言人5(00:21:01):
我有一个问题就是第16。六月是75？

胡晓凡-发言人3(00:21:12):
第15。

胡晓凡-发言人2(00:21:14):
有个4441到446。这个西格玛它是个这个是还是对？

胡晓凡-发言人1(00:21:25):
西格玛它指的就是第2、3，第2、38的这个一个这样的。

胡晓凡-发言人2(00:21:32):
他是属不是，然后44404467这个4441太像什么 pc 的什么，没什么关系，就是一个巧合？

胡晓凡-发言人1(00:21:45):
不是他这个，这他是他自己内部的一个。

胡晓凡-发言人2(00:21:49):
对底下卫生险级4.44dv，我看到这个词，我看到这个数有点明显。没什么关系。

胡晓凡-发言人1(00:22:01):
这里只有四个话费是由。

胡晓凡-发言人2(00:22:04):
大家好。谢谢理解。

胡晓凡-发言人1(00:22:10):
对。

胡晓凡-发言人2(00:22:14):
欢迎朱宇涛同学讲的是。据国情分析搜索。

胡晓凡-发言人4(00:22:30):
要有一个中医药大学。

胡晓凡-发言人6(00:23:01):
大家好，我是朱宇涛，然后，我讲一下在液氩探测器中的 pmt 逻辑分析的一些方法的综述。首先是简介。我们为什么不需要逻辑分析，我们知道 pmt 的波形它记录的关键点就是 pe 的响应，然后它是我们中微子实验的原始数据，我们有了波形之后，我们在重建的话，我们就需要去得到每个通道的 pe 数和到达时间给它的电荷，作为一个重建的中间量去用于事件的能量进行重建。我们传统的话比如说电荷积分也可以算是一种非常简单的波形分析方法。在 p 间隔缩小的时候，我们知道它会发生堆积，然后电荷积分它无法恢复 p 的数目和时间，然后它会制约我们后续重建的分辨能力，比如说 zo它理想的能量分辨是3%，它初期运行的话，它的实测只有3.4倍。如果我们想要达到理想的情况的话，我们就需要在这个方面去做一些改进去，尽量减少它对分辨的贡献。我们给波形一个简单的信号模型定义，

胡晓凡-发言人6(00:24:22):
把它看作，光电子到达的一些脉冲，然后去卷积上它们的，pmt 的响应，再加上噪声这么一个模型，然后我们说响应，在这里 ser它是三个 pe 的 pmt 响应，它也是我们在刻度中时常要去刻度的一个东西。对于我们数据分析的一个评价指标，我这里选了两个，来稍微说一下一个，距离它是描述，你重建出来的 pe 去相对于它真实的 pe 的一个时间上的距离。因为它这里它 ff 跟 f，它这两个它是规划的规划电荷分布之后的一个分布。所以它这里是不会受你电荷的影响，它就是单独描述你重建 pe 跟原始 pe 的一个距离。如果你的重建的 pe 跟原始 pe，两个波形是完全分开的话，w1就达到最大。它是完全重合的话，它达到最小。还有一个经常用的量就是残差平方和。是很显然的拟合程度的量。当然它不完全是只表达一个电荷分布的东西。你时间上有区别，它也会增大。更正确的说法就是它是描述一个波形一致性 Ok。我下面要介绍的一个波形分析方法的前景大概是这样的，

胡晓凡-发言人6(00:25:52):
它主要包括直接读出反卷积模板拟合，然后还有被采用的机器学习这几种方法，然后这里列了一下它们的核心思路，还有输入，还有输出，这些后面基本上都会讲，它们的共同任务，恢复关键信息，然后区别主要区别就是它们的，结构还有输出，然后还列了一下，一些主要实验的方法和应用的侧重，

胡晓凡-发言人6(00:26:22):
可以看到它们主要的这样的一些核心，基线的方法，都是一些简单稳健的方法，比如说电荷积分还有反卷积这些。然后先讲一下传统方法，我的传统方法里面主要包括，积分反演机模板拟合，然后还有这样，然后。最基本的方法定的积分与平峰，的话，就是你给一个阈值，你单根点取一个10%或者百分之多少，然后你去在神经窗里面积分，波形它是非常简单稳定的一个方法，它除了增益之外，它不需要我们刻度任何其他的电信信息，所以它是很多实验的生产基线，它有两个局限，一个是它这里的电荷转宽，它会直接进入到你后面的能量分辨里面，还有一个关于 pe 堆叠的情况，它可以无法逐个的重建出 pe 的，一般来说用这个方法的话，我们就只能通过一个手 pe 的时间去衡量你的，比如说给出 pe 的时间分布，这样，然后堆叠的 pe 就被合并了，如果尤其是在 pe 比较多的情况，你如果用一个好的分析方法，一般会比简单定的积分要好很多。比较直接的一种想法，

胡晓凡-发言人6(00:27:51):
我们有刻度之后的 ser，单光响应模板之后，用它去拟合我们的波形，这种方法，相比于传，相比于使用和电荷积分，它可能是更好的，因为它可以复原出一部分的对接的 pe。很显然它，它有两种情况，一个它为了拟合更好，它会把 pe 的电荷拆分到相邻的，比如说把一个 pe 的电荷拆分成下面两个 pe，让它拟合的结果更好，还有它也处理不了，你很多 pe 堆积在一起的情况，它很容易拟合成一个大的 pe，它的局限性还是很明显，然后下一个就是反演机的话。

胡晓凡-发言人6(00:28:38):
也是很多实验常用的基线之一。这里主要分为两种，一个是傅立叶的滤波环剪机，是之前大湾的一个机器，它就是用，它就是把波形放到频率上的去除以我们刻度出来的 cr 谱，再加一个滤波器，一直到声，然后得到下面这么一个 p 的情况。这里很明显影响它的一些因素阈值，阈值滤波，然后还有你的 scl，还有一个 rl 反卷机，是通过很多次的迭代去做的一个反卷机，

胡晓凡-发言人6(00:29:15):
它的一个问题就是你这个迭代次数会严重影响它的分辨，如果你迭代次数过少的话，它是它 pe它可能展宽很大，这样的话，你的时间，然后它也时间上分辨不会很好，然后还有它也有可能会有相应的重叠，还有它根本上的问题，它无法做到一个亚皮秒精度的分辨，比如说你的原子是你的定是纳秒的话，它如果你的两个 pe大概纳秒以内，它就从原理上它是无法分辨。自然而然就会有一种想法，我们会想把，

胡晓凡-发言人6(00:30:00):
反演结合拟合加在一起，这个想法也不是那么自然，就是怎么说，因为前面的两种方法就是我们在给了一个结果之后，我们的 p 数就是固定的，我们无法确认我们是否还能通，能否通过迭代 p 来使它的，比如说拟合的结果更好，那在这里面，我们就会希望去。我们是这样，先通过反卷积给出一个 p 的时间上的后值，给出一个初值，我们去，扫描一散 p 的数目，这个扫描一散 p 的数目，我们可以根据一个经验，比如说，

胡晓凡-发言人6(00:30:44):
你刻度出来的增益，加上你这个波形的电荷去给出一个，电荷这样的经验，从经验出发去，往左往右扫描，当然也可以有反卷积的经验，我这里说了，反卷积给出一个时间后，我们大概这两个经验，然后去扫描一散 p 的数目，我们可以在里面去挑选一个，挑选一个比如说你最好的 p 数目的结果，再对于结果去用，拟合的方法去进一步的去精化它的 p 时间和幅度。除此之外，这样的还把这些方法全部放到 gpu 上去做。这样的话。就进一步加速了分析效率，这里面给出一个效率分析的，结果它的问题是在于，迭代的方式不自然的，

胡晓凡-发言人6(00:31:41):
它在遍历 p 数目的时候，首先一个很明显的点就是你后续用于优化，你后续用于优化你的拟合 lambda，它是不能直接用于迭代 p 数目的，因为比如说你的里面有一个残差平方和的话，你直接把它用于优化 p 数目的话很明显就是你的 p 数目越多，你的残差会越小，会这样的话，它就很容易去把你的，拟合结果把你的输出尽量往多 p 的方向去推。这样的话，你就只能在，这个迭代 p 的里面去加加一个，比如说惩罚项，或者是你去调你原来的一些不同。群众去人工做一些这样的操作，

胡晓凡-发言人6(00:32:31):
这样做从原理上来看，我觉得是很自然的。然后。有个更自然的话就是 fsmt fsmt，它在前面一样给出了一个关键的数值之后，它通过一个可逆的 mcmc 过程去随机的探索，它可以有正向操作，一个是 b，它就是现在还有三和移动时间，然后它给出这些后面的，它从前面一个 step 到后面 step，按这个规矩去得到后面 step 的话，它是通过 metropolis hastings 规则去给一个接受率，按接受率去随机接受或拒绝。如果拒绝就考虑原状态，这个过程如果达到平稳的话，它后续的这些 step你作为一个加权的平均，它在理论上它对你的 pe 的估计是一个，无偏的东西。这样的话就可以，相对来说是一个更合理的 pe 的数目的迭代方式，也可以看得出来。它的分析成本是比较高的，因为你需要，一方面是你需要计算很多东西，后面你要把这些后面的价格全部保存下来，然后再做后续的分析，当然它的结果也是很好，可以看到，说它是传统方法里面，精度上来说最最好的一个方法。后面再讲一下，Cnn 和 transformer2种机器学习方法，

胡晓凡-发言人6(00:34:06):
首先机器学习方法，它们都是有一个共同的范式的，在这个问题上首先是一个训练，训练的话我们一样会需要探测器的刻度的结果，包括单量响应，然后还有增益噪声这些的话，我们需要做用 mc 去构建数据的过程，mc 这一步，在用机器学习，在用机器学习去做的时候是非常重要的，因为它直接决定了我们的模型训练的好坏，然后。训练出模型之后，我们就可以把它应用到真实的波形上，应用的方法也大概就是这个样，流程上的话他们都是通用的，具体差别就是模型结构不同，还有你需要的输出可能会不一样，导致你这个模型的，最后的它的一个训练目标，还有它最后一层输出形式可能会不一样。最大的问题，你 mc 和数据它们的差异，还有一个创新的不确定度，还有一些可信性，你训练出来这种模型，它到底在，比如说哪些 run 好用，当然哪些 run 不好用，这些都是需要去衡量的。大致讲一下就是 cnn，

胡晓凡-发言人6(00:35:26):
它是它就是用一个一维的卷积核它去扫描整个模型，它有一般来说它一层会有多个卷积核，每个卷积核可以学到一些结构的特征，比如说，这个卷积核它学到的就是上面这个它学到上升点，然后下面它学到就是具体位置这些，如果你进一步去堆叠，你叠几层卷积核的话，你就可以把这些。你就可以把这些特征涵盖的更完全，还可以去，怎么说他学到的，他掌握的东西更多，然后具体在，训练的过程中，我们比如说我们可以用前面提到的巴斯距离来衡量，

胡晓凡-发言人6(00:36:15):
比如来做弱训练，输出的话，对于我们这种情况，如果我们需要知道它在，我们需要具体还原它 pe 的幅度和时间，我们就我们就输出在固定时间网上的第一幅向量，因为 cnn它是一个，

胡晓凡-发言人6(00:36:37):
相当于是一个定长的输出就是你训练的模型跟你训练的模型，最后一层结构，它直接节点的输出是什么样的，所以你必须得把时间网固定一下，然后。对我们这种训练情况的话，输出的过程就是一次前向传播，得到点估计这种情况它不会直接输出你的后验的不确定度这些。然后还有一个实例，一个分类的事，因为在情况下，在他这篇论文里面，他只需要知道就是 p 的计数，把它放到你后面重建的能量里面。所以它这里，他把这个过程分析视作一个分类的任务。这样的相当于是你过去，相当于是你 cnn 的最后一层的结构不一样，它这里输出的是你，从零一直到八，然后再到大于零九这10种情况的概念，它最后这一层它用一个 softmax 就是输出一个规划的概念，当然它这里还有一点跟前面不太一样的，它这里加了一个加一，因为加一是一种，它能体现出你这个波形里的，

胡晓凡-发言人6(00:37:56):
它们不同，它们时间之间的相关性。其他的基本都跟前面讲的一样，前面这些结构，然后训练这些也是跟前面说的差不多，他这里输出的就是，他就说的是第一手的概念，而不是前面说的低看的，然后再把这个概率放到后面。然后前面说到时间，那 transformer 在这里肯定是适用的，现在就是用来分析一个时间序列问题，一个东西。看你们讲的太详细，我尽量现在它先把你的波形划分成，

胡晓凡-发言人6(00:38:43):
划分成一些 patch，你把这些 patch 映射到你的映射成一个对应的特征向量，我们把它叫做 token，再给每个 token 一个位置的编码，给它提供一个时间的信息，这样的我们就可以在后面分析它们时间之间的关联性，它是怎么去比较关联。这里它是算一个它是通过 attention 机制去计算的，相当于从每个 token 中去，通过 attention 机制去计算，体现它们时间上联系的特征向量。然后读取的话就是用解码器的。用解码器里面训已经训练好的一个向量去读取前面说的在机制里面算出来的特征向量，这里面的覆盖他们之间的时间上的关联性，去得到一个。也有一个具体的例子，

胡晓凡-发言人6(00:39:43):
基本的结构就是动的结构，但是它在前面提取特征向量的时候，它是用了一个 cnn 去提取它那个 token，然后，还有一个点它是有两个 decoder，它第一个 decoder 提取的是它，p 的数目信息，第二个 decoder 是根据第一个 decoder p 数目信息先验，然后去给增加个 query，第一个 decoder 已经告诉它 p 数目信息，根据，第二个 decoder 是提出这个 query 去 query 看，然后最后再给每个，给每个 p 的看一个评分，你可以把它看作概率，这个东西可以反映出清楚。

胡晓凡-发言人6(00:40:43):
最后一部分就是横向对比，还有总结。对比的话，

胡晓凡-发言人6(00:40:49):
理论上来说，理论上来说是需要对比一下他们的指标，比如说，前面说的距离，这个东西就是，首先你机器学习方法跟传统方法之间它很难对比，因为因为比如说你训练的样本不一样，或者是因为机器学习它是多输入，多训练的，然后在训练这里会增加很多变量，比如说你训练样本不一样，或者说等等因素，反正对比这一步是有很大困难，还有你不同论文里面它用的硬件也不一样，这些都会直接导致他们对比之间差异，这里只做一个他们的输出，然后还有不确定度的这些对比，然后这里值得关注的，我觉得是不确定度的表达，因为其实大部分的方法对于。大部分的逻辑分析方法，还有可信度都是，

胡晓凡-发言人6(00:41:44):
它就是一个点估计它很难直接给出可信度，这里有几种方法，比如说，Fst它是完全保存，保存了它的后验的一个信息，你可以直接用它的后验信息去给可信度，然后还有。

胡晓凡-发言人2(00:42:02):
还有1分钟！

胡晓凡-发言人6(00:42:05):
大家看一下，直接总结了总结传统方法的话，它是利用 sdr 跟噪声模型去恢复从波形恢复 pe 的信息，这里面你的实验数据的本身，比如说你的噪声情况，还有你的 pe pe 的堆叠情况，这些还有实验数据本身还有刻度的结果是最为关键的。

胡晓凡-发言人6(00:42:30):
第二个就是机器学习方法，这里除了前面说的实验数据，还有刻度，最关键一个是 mc 的模拟，这样的话，你对 mc 做的，你为了改善 mc 去做刻度，在这里就尤为重要。具体的实验应用，我们是综合考虑精度和成本，准确来说是综合考虑需求刻度，模拟硬件这些重要因素。

胡晓凡-发言人5(00:42:55):
谢谢。

胡晓凡-发言人2(00:43:01):
本期的提问者是李峰。

胡晓凡-发言人4(00:43:08):
现在的报告我有些小问题是关于 transformer，你提到做对多形化分类设备，token我能不能详细解释一下，它的 tokenization还有 embedding大概是怎么做的，怎么划分成 token。

胡晓凡-发言人6(00:43:26):
比如说对于 thu这种方法的话，你你把那些比如说你有900nm，你可以挑，比如说十几纳米为一个点，均匀的开，再通过一个卷积核去从这个开始映射到一个 token，卷积核的话，它在这里面也是需要训练的。你也可以通过其他方法，比如说你直接去挑一个线性映射之类的方法是可以。

胡晓凡-发言人4(00:43:50):
前面的自注意力的图我也没看懂它，你用的是 decoder它里面有 causal mask 它，它一个 token能看到前后的 token 说只能看到前面。

胡晓凡-发言人6(00:44:05):
两两个都能看。

胡晓凡-发言人4(00:44:07):
为什么你预测的时候？

胡晓凡-发言人6(00:44:09):
不是图不是 decoder 图就是 encoder。在一个里面算的分析的。

胡晓凡-发言人4(00:44:19):
你后面那个 fast我怎么用到？

胡晓凡-发言人6(00:44:26):
你前面在算的时候可能就是。

胡晓凡-发言人4(00:44:32):
Ok那这个预测是怎么做的？你你有这个 transformer然后怎么来根据你的输入去预测出你的你，你的这个模型输出是什么？

胡晓凡-发言人6(00:44:44):
你说是话筒？他是说一个 p 的，我前面说的一个 p 的 number，还有 p 的时间不同。当然是分两个 decoder 去做的，因为第二个 decoder它是需要第一个 decoder给一个经验，它在经验的基础上扩大范围，

胡晓凡-发言人6(00:45:12):
然后以免它漏一些，它其他估计的很大的情况。

胡晓凡-发言人4(00:45:21):
ok然后最后一个讲的就是前面提到现在的不同的实验方法使用的这些，这些方法不同的实验所用的这些方法的表，我想问一下不同的实验为什么采用不同的方法，每种方法有不同的适用场景？在这里面有哪些是机器学习方面的方法，现在机器学习方面方法应用的多。

胡晓凡-发言人6(00:45:50):
作为机器来说的话，不是基本上不会有谁会把这些方法作为机器，因为这些方法在它通用性，然后还有可复现性，说都不是你对于这些，尤其是比如说你的实验条件发生了一定变化的时候，你要是要新建一个新的模型，你要所有的东西都要改，比如说你要模拟你全部都要重新。

胡晓凡-发言人2(00:46:21):
谢谢时间关系咱们就没有，就不问什么问题，谢谢好，谢谢各位参加会议。

胡晓凡-发言人5(00:46:43):
但也不错。签了，到了请把给办了。

胡晓凡-发言人2(00:46:55):
他们哪块表浅？

胡晓凡-发言人5(00:46:58):
诶你你你。

胡晓凡-发言人4(00:46:58):
已经饭了，没事。

胡晓凡-发言人5(00:47:05):
Company. 

胡晓凡-发言人3(00:47:11):
说多少。

胡晓凡-发言人4(00:47:15):
然后他都能知道他东西。然后他还容易。

胡晓凡-发言人5(00:47:27):
你没事。

胡晓凡-发言人2(00:47:33):
只有他说没来。

胡晓凡-发言人4(00:47:40):
今天就说了中医药大学。

胡晓凡-发言人3(00:47:43):
小时候。controverse 给他。