我们提出了一个独立于模型的框架来分类和研究中微子质量模型及其现象学。 想法是在标准模型之外引入一个粒子，该粒子与轻子耦合并携带轻子数，并且运算符将轻子数违反两个单位并包含该粒子。 这样可以研究不违反轻子数的过程，同时仍然可以使用有效的场论进行研究。 对中微子质量的贡献转化为新粒子质量的稳健上限。 我们将其与希格斯自然性中较强但较不稳健的上限进行比较，并讨论了几个下限。 我们的框架允许仅将中微子质量模型分类为20个类别，一旦考虑到核子衰变极限，则可以进一步减少至14个，如果还考虑了希格斯的自然性和直接搜索，则可能减少至9个。

我们在Meiman-Okubo框架中研究介子标量形式因子，实现了低于无弹性KK阈值的相位，这是根据Watson定理从ππ标量等标量相移δ00得知的。 标量相关器的扰动QCD展开和相移δ00的最新知识用作输入。 无需对高于非弹性阈值的相位或复平面中形状因数可能为零的假设。 我们获得了与模型无关的约束，其将轻夸克质量的总和与原点处的pion标量形状因子的斜率和曲率相关。 发现轻夸克质量和介子标量半径的最新晶格结果满足此约束。 我们还获得了介子标量半径与形状因子的曲率之间的强相关性，并预测了相当高的曲率值。

我们在标准模型及以后的模型中研究了罕见的Λb→Λμ+μ-衰减。 除了标准模型之外，我们还包括有效哈密顿量中的新矢量和轴向矢量算子，标量和伪标量算子以及张量算子。 在螺旋基础上并使用Λb→Λ强子矩阵元素的适当参数化，我们给出了强子和轻子螺旋度振幅的表达式，并得出了关于双态不变质量平方和态的正弦余弦的双微分分支比的表达式。 适当地积分在轻子角上的微分分支比，我们获得了纵向极化分数和轻子前后不对称性，并在存在新耦合的情况下相继研究了可观测性。 为了分析新矢量和轴向矢量耦合的含义，我们遵循对b→sμ+μ-数据的当前全局拟合。 尽管标量耦合的影响可能很大，但排他的B¯→Xsμ+μ-数据暗示着对张量耦合的严格约束，因此对Λb→Λμ+μ-的影响可以忽略不计。

马姆 仅使用Numpy和简单的1层网络的Python实现MAML（模型不可知元学习）。 只是为了更好地了解MAML。 要求 Python 3.x 脾气暴躁的 Matplotlib 记录中 所有这些都包含在Anaconda中。 用法 只需运行maml.py 。 这实现了二进制分类问题。 但是，我注意到MAML的结果并不令人鼓舞。 更好的更深层次的模型将是有益的。 参考 Finn C，Abbeel P，Levine S.快速适应深度网络的模型不可知元学习[C] //第34届机器学习国际会议论文集70. JMLR。 组织，2017年：1126-1135。

PyTorch中的MAML和爬行动物 PyTorch中“用于快速适应深度网络的与模型无关的元学习”的代码。 我重新调制了@AdrienLE IPython Notebook，使其从main.py运行，请查阅参考资料以更好地解释算法。 免责声明 我只是为了学习目的而使用它 参考

Q-learning 是一种模型无关的强化学习方法，本文档使用Q-learning做了一个简单的搜索任务，有助于初学者理解强化学习，理解Q-learning.