ϒ（1S），ϒ（2S）和ϒ（3S）量子态的产量通过在CMS检测器中通过衰变成μ对来测量，在每个核子对质心能量的PbPb和pp碰撞中 2.76 TeV。 该数据分别对应于PbPb和pp碰撞的166μb-1和5.4pb-1的综合亮度。 差异生产横截面据报道是速度y高达2.4的函数，横向动量pT高达20GeV / c的函数。 相对于pp碰撞，在PbPb中观察到了强烈的依赖于中心点的抑制作用，分别对于1（1S）和ϒ（2S）状态，其受阻系数高达≈2和8。 没有观察到这种抑制作为y或pT的函数的显着依赖性。 在PbPb碰撞中未观察到ϒ（3S）状态，这对应于在95％置信度下对中心积分数据至少抑制了≈7倍。 所观察到的抑制与对夸克胶子等离子体中的夸克态连续熔化建模的理论场景相一致。

在热模型中，使用具有精确奇异守恒性的规范方法，研究了在p $ -Pb碰撞中以$$ \ sqrt {s_ {NN}} = 5.02 $$ sNN = 5.02 TeV获得的ALICE数据。 化学沉淀温度除最低多重性仓外，与中心温度无关，其值接近160 MeV，但与在$$ \ sqrt {s_ {NN}} = 2.76 $$ sNN =的Pb-Pb碰撞中获得的值一致。 2.76 TeV。 奇数非平衡因子$$ \γ_s$$γs的值以从0.9到0.96的多重性缓慢增加，即它总是非常接近完全化学平衡。

文件包里包含关于SNN最新技术的相关文档

此ppt分别从脉冲神经元、编码方式、学习策略以及总结展望四个方面对SNN进行讲解，并刨析了两篇基础论文。

神经网络，机器学习，深度学习，人工智能方向的必备参考书，详细解释了各种脉冲神经网络（SNN）的与原理与算法，训练规则，学习流程。

SNN-赛车-SL 使用监督学习训练SNN模型以解决CarRacing问题 我们首先使用CNN模型来训练人类在CarRacing Game中玩游戏收集的数据集。 然后，我们使用Spike-CNN模型训练数据集并比较两个模型的性能。

PyTorch-Spiking-YOLOv3 基于YOLOv3的PyTorch实现（ ）的Spiking-YOLOv3的PyTorch实现，目前支持Spiking-YOLOv3-Tiny。 整个Spiking-YOLOv3即将得到支持。 介绍 为了实现尖峰效果，YOLOv3-Tiny中的某些运算符已进行等效转换。 有关详细信息，请参阅/ cfg中的yolov3-tiny-ours（*）。cfg。 某些运营商的转换 'maxpool（stride = 2）'->'convolutional（stride = 2）' 'maxpool（stride = 1）'->'none' 'upsample'->'transposed_convolutional' 'leaky_relu'->'relu' '批处理标准化'->'fuse_conv_and_bn' 用法 有关培训，评估和推断的基

一个Python软件包，用于使用 Tensor功能在CPU或GPU上模拟尖峰神经网络（SNN）。 BindsNET是一个尖刺的神经网络仿真库，旨在开发用于机器学习的受生物启发的算法。 该软件包被用作正在进行的研究的一部分，该研究在中将SNN应用于机器学习（ML）和强化学习（RL）问题。 查看，以获取实验集合，结果分析功能，实验结果图等。 该软件包的文档可以在找到。 要求 Python 3.6 requirements.txt 设置东西 使用点子 BindsNET可通过其git存储库获得。 问题 pip install git+https://github.com/BindsNET/bi

SNN脉冲神经网络中integrate-and-fire neuron神经元仿真测试

SNN脉冲神经网络中的IF神经元脉冲仿真.matlab2021a运行测试仿真 dt = 0.1; %time step [ms] Detat t_time =100; %total time of run [ms] V_th =10; %spike threshold [mV] V0= 1; %resting membrane potential [mV] R_m =10; %membrane resistance [MOhm] tau =10; %membrane time constant [ms] V_res =1; %value to reset voltage to after a spike [mV] t_ref=0; %refractory time constant [ms]