在相对论重离子对撞机上进行的PHENIX实验已经测量了通过Dimuon衰减通道在s = 510 GeV的p + p碰撞中正向快速时ϕ（1020）-介子产生的微分截面。 快速度和pT范围为1.2 <| y | <2.2和2 <pT <7 GeV / c的部分横截面为σϕ = [2.28±0.09（stat）±0.14（syst）±0.27（norm）]×10− 2兆字节 使用s = 200和510 GeV的PHENIX测量以及s = 2.76和7 TeV的大强子对撞机测量，研究了σϕ（1.2 <| y | <2.2,2 <pT <5 GeV / c）的能量依赖性。 将实验结果与各种事件生成器预测（pythia6，pythia8，phojet，ampt，epos3和epos-lhc）进行比较。

我们报告了在sNN = 200 GeV极化的p↑+ p，p↑+ Al和p↑+ Au碰撞中带正电的强子的产生中，横向单旋不对称性（TSSAs）的核依赖性。 在横向动量（1.8 <pT <7.0 GeV / c）和费曼x（0.1 <xF <0.2）的范围内以向前的速度（1.4 <η<2.4）进行了测量。 我们在p↑+ p碰撞中观察到带正电强子的正不对称性，并在p↑+ A碰撞中显着降低了不对称性。 这些结果表明，在适用微扰技术的条件下，TSSA对带电强子的核依赖性。 这些结果为使用p↑+ A碰撞作为工具来研究强子碰撞中TSSA背后的丰富现象以及将TSSA用作研究小系统碰撞的新方法提供了新的机会。

too long

大型强子对撞机前向（LHCf）实验旨在使用LHC验证宇宙射线物理学中使用的强子相互作用模型。 重子的产生是了解宇宙射线阵雨发展的关键点之一。 我们报告的LHC s = 7 TeV质子与中子能级α的快质子碰撞的中子能谱从8.81到8.99，从8.99到9.22，以及从10.76到无穷大。 在展开检测器响应之前，从Arm1和Arm2的两个独立量热仪获得的测得的能量谱显示出相同的特征。 我们使用基于贝叶斯理论的多维展开方法展开测得的光谱，并将展开的光谱与当前的强子相互作用模型进行比较。 QGSJET II-03模型在与我们的结果相似的最高伪快速范围内预测了高中子生产率，而DPMJET 3.04模型在较低的伪快速范围内很好地描述了我们的结果。 但是，没有模型能够完美地解释整个伪快速范围内的实验结果。 实验数据表明，相对于光子产生，中子产生速率要比此处研究的任何模型预测都高。

在彩色玻璃冷凝物有效理论中，我们重新考虑了高能质子-核碰撞中正向速度下单个包容颗粒产生的次要阶数（NLO）计算。 我们专注于夸克生产的确定性，我们建立了一个新的因式分解方案，该方案通过NLO进行扰动校正，其中没有“快速扣除”。 也就是说，对影响因子的NLO校正与高能演化没有明确分开。 我们的构造利用了（NLO）Balitsky-Kovchegov方程的骨架结构，其中明确指出了进化的第一步。 通过使用所发射胶子的精确运动学来计算该首次发射，而不是使用精确近似来计算NLO影响因子。 这种特殊的计算已经在文献[1，2]中提出过，但是我们提出的扰动理论的重组是新的。 与[1，2]中的建议相比，我们的方案没有速度减法固有的微调，这可能是先前研究中观察到的NLO截面负性的起因。

使用LHCb实验收集的数据样本研究了质子-质子碰撞在7 TeV质心能量下产生的相同符号带电离子的玻色-爱因斯坦相关性。 Bose-Einstein相关性的签名以四动量差平方小的一对类似符号带电小子增强的形式观察到。 研究了描述关联强度和发射源大小的Bose-Einstein相关参数的带电粒子多重性，确定了相关半径和混沌参数。 发现所测量的相关半径随着带电粒子多重性的增加而增加，而混沌参数则减小。

可以作为6轴机械臂的研究，及二次开发用

纳库鲁项目 一只为的正向WebSocket设计的Python SDK 在的基础上植入 项目名发展中国家蓝月なくる，图标由布局 食用方法 将nakuru文件夹移至Python的Lib/site-packages目录下。 需要将go-cqhttp的正向WebSocket与HTTP配置项开启。 示例 没有文档，源码就是文档。 from nakuru import ( CQHTTP , GroupMessage , Notify , GroupMessageRecall , FriendRequest ) app = CQHTTP ( host = "127.0.0.1" , port = 6700 , http_port = 5700 ) @ app . receiver ( "GroupMessage" ) async def

mk matlab代码基于人工神经网络的前向建模 这是 Moghadas JAG 2020 论文的配套 MATLAB 代码（请参阅下面的参考资料）。 此代码包含以下脚本： MK_ANN_Data：读取训练模型和拆分数据用于 ANN 训练的程序。 ANN_Training：训练 ANN 以创建代理正向建模的程序。 模拟：从基于 ANN 的前向模型计算 EMI 前向响应的程序。 参考 Moghadas, D., Behroozmand, AA, Christiansen, AV, 2020，使用基于神经网络的正向求解器进行土壤电导率成像：应用于大规模贝叶斯电磁反演，应用地球物理学杂志，DOI：10.1016/j.jappgeo。 2020.104012 接触 Davood Moghadas () 艾哈迈德。 A. 贝鲁兹曼 ()

nginx正向配置和反向配置 适用于中高级同学 企业内部映射、隧道常用