Particule de MajoranaEn physique des particules, une particule de Majorana ou fermion de Majorana est un fermion qui est sa propre antiparticule. Ces particules sont nommées en hommage au physicien Ettore Majorana, qui a proposé ce modèle en établissant l'équation qui porte son nom. Ce terme est parfois utilisé en opposition aux particules de Dirac (ou fermions de Dirac) qui ont une antiparticule différente d'elles-mêmes. En 1928, Paul Dirac publie l'article qui contient l'équation de Dirac.
Méthode de Monte-CarloUne méthode de Monte-Carlo, ou méthode Monte-Carlo, est une méthode algorithmique visant à calculer une valeur numérique approchée en utilisant des procédés aléatoires, c'est-à-dire des techniques probabilistes. Les méthodes de Monte-Carlo sont particulièrement utilisées pour calculer des intégrales en dimensions plus grandes que 1 (en particulier, pour calculer des surfaces et des volumes). Elles sont également couramment utilisées en physique des particules, où des simulations probabilistes permettent d'estimer la forme d'un signal ou la sensibilité d'un détecteur.
Matrice densitéEn physique quantique, la matrice densité, souvent représentée par , est un objet mathématique introduit par le mathématicien et physicien John von Neumann permettant de décrire l'état d'un système physique. Elle constitue une généralisation de la formulation d'un état physique à l'aide d'un ket , en permettant de décrire des états plus généraux, appelés mélanges statistiques, que la précédente formulation ne permettait pas de décrire.
Quantum information scienceQuantum information science is a field that combines the principles of quantum mechanics with information science to study the processing, analysis, and transmission of information. It covers both theoretical and experimental aspects of quantum physics, including the limits of what can be achieved with quantum information. The term quantum information theory is sometimes used, but it does not include experimental research and can be confused with a subfield of quantum information science that deals with the processing of quantum information.
Saveur (physique)La saveur, en physique des particules, est une caractéristique permettant de distinguer différents types de leptons et de quarks, deux sous-familles des fermions. Les leptons se déclinent en trois saveurs et les quarks en six saveurs. Les saveurs permettent de distinguer certaines classes de particules dont les autres propriétés (charge électrique, interactivité) sont similaires. Les dénominations des saveurs ont été introduites par Murray Gell-Mann, baptisant le quark étrange lors de la détection du kaon en 1964.
Test statistiqueEn statistiques, un test, ou test d'hypothèse, est une procédure de décision entre deux hypothèses. Il s'agit d'une démarche consistant à rejeter ou à ne pas rejeter une hypothèse statistique, appelée hypothèse nulle, en fonction d'un échantillon de données. Il s'agit de statistique inférentielle : à partir de calculs réalisés sur des données observées, on émet des conclusions sur la population, en leur rattachant des risques d'être erronées. Hypothèse nulle L'hypothèse nulle notée H est celle que l'on considère vraie a priori.
Frequentist probabilityFrequentist probability or frequentism is an interpretation of probability; it defines an event's probability as the limit of its relative frequency in many trials (the long-run probability). Probabilities can be found (in principle) by a repeatable objective process (and are thus ideally devoid of opinion). The continued use of frequentist methods in scientific inference, however, has been called into question. The development of the frequentist account was motivated by the problems and paradoxes of the previously dominant viewpoint, the classical interpretation.
Théorie d'Everettvignette|redresse=1.3|Le paradoxe du chat de Schrödinger dans l’interprétation d’Everett des mondes multiples (many worlds). Ici, chaque évènement est une bifurcation. Le chat est à la fois mort et vivant, avant même l'ouverture de la boite, mais le chat mort et le chat vivant existent dans des bifurcations différentes de l'univers, qui sont tout aussi réelles l'une que l'autre.
Boson de GoldstoneLe boson de Goldstone, parfois appelé boson de Nambu-Goldstone, est un type de particule dont l’existence est impliquée par le phénomène de brisure spontanée de symétrie. D’abord prédit par Yoichiro Nambu puis théorisé par Jeffrey Goldstone, il fait aujourd’hui partie intégrante de la théorie quantique des champs. Il est de spin et masse nuls, bien qu’il puisse acquérir une masse dans certains cas en devenant ainsi un . La nécessité d'un boson de Goldstone dans le modèle standard vient du fait que les bosons de jauge étaient alors supposés ne pas avoir de masse.
Matrices de PauliLes matrices de Pauli, développées par Wolfgang Pauli, forment, au facteur i près, une base de l'algèbre de Lie du groupe SU(2). Elles sont définies comme l'ensemble de matrices complexes de dimensions suivantes : (où i est l’unité imaginaire des nombres complexes). Ces matrices sont utilisées en mécanique quantique pour représenter le spin des particules, notamment dès 1927 dans l'étude non-relativiste du spin de l'électron : l'équation de Pauli.
Hamiltonian pathIn the mathematical field of graph theory, a Hamiltonian path (or traceable path) is a path in an undirected or directed graph that visits each vertex exactly once. A Hamiltonian cycle (or Hamiltonian circuit) is a cycle that visits each vertex exactly once. A Hamiltonian path that starts and ends at adjacent vertices can be completed by adding one more edge to form a Hamiltonian cycle, and removing any edge from a Hamiltonian cycle produces a Hamiltonian path.
Méthode de Monte-Carlo par chaînes de MarkovLes méthodes de Monte-Carlo par chaînes de Markov, ou méthodes MCMC pour Markov chain Monte Carlo en anglais, sont une classe de méthodes d'échantillonnage à partir de distributions de probabilité. Ces méthodes de Monte-Carlo se basent sur le parcours de chaînes de Markov qui ont pour lois stationnaires les distributions à échantillonner. Certaines méthodes utilisent des marches aléatoires sur les chaînes de Markov (algorithme de Metropolis-Hastings, échantillonnage de Gibbs), alors que d'autres algorithmes, plus complexes, introduisent des contraintes sur les parcours pour essayer d'accélérer la convergence (Monte Carlo Hybride, Surrelaxation successive).
