在每个核子-核子碰撞的质心能量sNN = 8.16 $$ \ sqrt {s _ {\ mathrm {NN}}} = 8.16 $$ TeV的p-Pb相互作用中研究了包容性J /ψ产生。 CERN LHC的ALICE检测器。 J /ψ介子通过质子快速中心区间2.03 <y cms <3.53和-4.46 <y cms <-2.96的衰变重建为一个介子对，其中正和负y cms是指 p方向和Pb方向。 横向动量覆盖范围是p T <20 GeV / c。 在本文中，给出了包含J /ψ产生的y cms和p T截面，并显示了相应的核修饰因子R pPb。 前瞻性结果表明，相对于pp碰撞，J /ψ收率得到了抑制，集中在p T≲5 GeV / c区域。 在向后的速度下，没有观察到明显的抑制。 将结果与ALICE在sNN = 5.02 $$ \ sqrt {s _ {\ mathrm {NN}}} = 5.02 $$ TeV的p-Pb碰撞中的先前测量值进行比较，并与理论计算进行比较。 最后，显示并讨论了前向和后向cms R pPb值之间的比率R FB。

我们显示，最近由ALICE合作发布的，在sNN = 5.02 TeV处p-Pb碰撞的已识别强子的横向动量（pT）光谱的实验数据展现出独特的普遍行为-夸克数定标。 我们进一步表明，结垢是强子化的夸克（重新）结合机制的直接结果，可以看作是p-Pb中强子产生的潜在来源与构成性夸克自由度的强烈指示。 如此高的能量碰撞。 我们还预测其他强子的产量。

如果在极高的碰撞能量下以p-Pb碰撞产生类似夸克-胶子等离子体（QGP）的介质，则在介质中移动的夸克可以通过捕获共同移动的轻夸克或反夸克而形成强子。 魅力强子。 使用从淡味强子的实验数据中提取的轻夸克pT光谱和与微扰QCD计算一致的魅夸克pT光谱，pT光谱的中心快速数据和低pT范围内D介子的光谱比率 通过等速组合近似中的夸克组合机制很好地描述了在sNN = 5.02 TeV时最小偏置p-Pb碰撞中的（pT≲7GeV / c）。 夸克组合机理中的Λc+ / D0比值表现出典型的峰-峰值-下降行为作为pT的函数，并且pT≳3GeV / c的比值的形状与中心速度下的ALICE协作数据一致 区域-0.96 <y <0.04，前向快速区域1.5 <y <4.0的LHCb协作的初步数据。 使用数据量化了单魅力重心的全球产量，并讨论了可能的增强效果（相对于淡味重心）。 预测了最小偏置事件中andc0，Ωc0的pT谱以及高多重性事件类别中单晶强子的pT谱，这可进一步检验低pT迷幻夸克中强子化特性的可能变化。 在大型强子对撞机能量下由p-Pb碰撞产生的小型系统。

我们报告了大型强子对撞机在sNN = 5.02 TeV时p–Pb碰撞中ϒ（1S）和ϒ（2S）的产生。 使用ALICE检测器以向下（-4.46 <ycms <-2.96）和向前（2.03 <ycms <3.53）的速度下降到零横向动量进行测量。 给出了ϒ（1S）和ϒ（2S）的生产横截面，以及核修饰因子和ϒ（1S）的正向和反向产量之比。 在p–Pb碰撞中，包含ϒ（1S）的产量相对于pp碰撞的产量（按二进制核子与核子碰撞的数量成比例）的抑制作用在前向速度下观察到，而在向后速度下观察不到。 将结果与包括核阴影或部分能量损失效应在内的理论模型计算进行比较。

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。