Global village🌏Global village🌏·

反物质研究重要发现:科学家观测到最重反物质超核

发布时间:2024-08-23 01:33:29阅读量:49
普通文章
转载请注明来源

中新网北京8月21日电 (记者 孙自法)是什么原因造成宇宙中正反物质数量的差别?要回答这个悬而未决的问题,一个重要的思路是在实验室中制造新的反物质并研究它们的性质。

来自中国科学院的最新消息说,该院近代物理研究所仇浩研究员团队等最近在参与RHIC-STAR国际合作实验研究中,首次在相对论重离子金金碰撞中观测到一种新的反物质超核——反超氢-4,这也是迄今实验上发现的最重的反物质超核。
重离子碰撞产生反物质超氢-4的示意图。中国科学院近代物理研究所/供图

反物质研究领域这项重要研究发现及相关成果论文,北京时间8月21日夜间在国际著名学术期刊《自然》上线发表。

当前的物理学知识认为物质和反物质的性质是对称的,在宇宙诞生之初应该存在等量的正物质和反物质。不过,某种神秘的物理机制导致早期宇宙中正反物质数量极小的不对称,在绝大部分正反物质湮灭后,约百亿分之一的正物质得以存活下来,构成了今天的物质世界,并成为人类文明诞生和存在的基础。

反物质非常罕见,而由若干反重子进一步组合形成的反物质原子核和反物质超核(即包含Lambda等超子的原子核),则更加难以产生。自1928年狄拉克方程的“负能量解”预示反物质的存在以来近一个世纪,科学家仅发现6种反物质(超)核。

仇浩介绍说,此次最新发现的反超氢-4是在相对论重离子碰撞实验中产生的。位于美国布鲁克海文国家实验室的相对论重离子对撞机(RHIC),能将重离子束加速至接近光速并使其对撞,在实验室中模拟宇宙早期大爆炸的状态。这种对撞能产生几万亿摄氏度的高温火球,包含几乎等量的正物质与反物质。该火球迅速膨胀、冷却,使得一部分反物质有机会逃离与正物质湮灭的命运,被环绕对撞点的STAR实验探测器观测到。

反超氢-4由一个反质子、两个反中子和一个反Lambda超子组成。由于包含不稳定的反Lambda超子,反超氢-4飞行仅仅几个厘米后就会发生衰变。研究团队分析了共约66亿个重离子碰撞事件的实验数据,通过衰变产生的反氦-4和π+介子反向重建反超氢-4,最终获得约16个反超氢-4的信号。

反氦-4与π+介子不变质量谱中的反超氢-4信号。中国科学院近代物理研究所/供图

研究团队还测量了反超氢-4的寿命,并与其对应的正粒子超氢-4比较,在测量精度范围内两者寿命没有明显差异,再次验证了正反物质性质的对称性。

科学家们表示,反超氢-4是目前观测到的最重的反物质超核,其发现和性质研究,使人们在反物质及正反物质对称性的探索方面又迈出重要一步。

据了解,RHIC-STAR大型国际实验合作组由来自14个国家、74个单位的700多位研究人员组成。这次反超氢-4观测发现及研究工作由仇浩团队主导完成,中国科学院近代物理研究所博士生吴俊霖、路坦在物理分析中做出突出贡献;中国科学技术大学团队在衰变粒子重建技术及效率计算方面做出重要贡献。(完)

评论区

暂无评论,来发布第一条评论吧!

弦圈热门内容

Vertically aligning CSS :before and :after content

I am trying to centre the link with the image, but can't seem to move the content vertically in any way.<h4>More Information</h4> <a href="#" class="pdf">File Name</a>The icon is 22 x 22px.pdf { font-size: 12px; } .pdf:before { padding:0 5px 0 0; content: url(../img/icon/pdf_small.png); } .pdf:after { content: " ( .pdf )"; font-size: 10px; } .pdf:hover:after { color: #000; }

数据清洗之异常值处理

在数据清洗过程中,异常值处理是一个非常重要的步骤。异常值,也称为离群值或异常点,是指与大多数观察值明显不同的观察值。这些值可能是由于测量错误、数据录入错误、设备故障或者真实现象的特殊情况而产生的。异常值可能会对数据分析和建模产生负面影响,因此需要进行适当的处理。下面是一些常见的异常值处理方法:删除异常值: 最简单的方法是直接删除异常值。这种方法适用于异常值数量较少、对数据整体影响较小的情况。但是,如果异常值数量较多或者对数据整体影响较大,则不建议使用这种方法。替换异常值: 可以用数据集的其他统计特征值(如均值、中位数、众数)来替换异常值。这种方法可以保持数据集的整体分布特征,并且相对于直接删除异常值,对数据的影响较小。分箱处理: 将数据分成多个箱子(bins),然后用每个箱子的均值或中位数来代替箱子中的异常值。这种方法可以减少异常值对整体数据的影响,并且保持了数据的整体分布特征。基于模型的方法: 可以使用回归、聚类或其他机器学习模型来识别和处理异常值。这些模型可以自动识别数据中的异常值,并提供相应的处理方案。使用离群值检测算法: 可以使用一些专门用于检测异常值的算法,如孤立森林、局部异 ...