Résumé
En physique théorique, la régularisation est une procédure ad-hoc qui consiste à modifier une grandeur physique qui présente une singularité afin de la rendre régulière. La régularisation est par exemple abondamment utilisée en théorie quantique des champs en relation avec la procédure de renormalisation, ainsi qu'en relativité générale pour le calcul du problème à deux corps en paramétrisation post-newtonienne. Le potentiel newtonien en coordonnées sphériques s'écrit : où k est une constante. Cette expression présente une singularité à l'origine : elle devient en effet infinie en r = 0. On peut la régulariser en introduisant une famille à un paramètre : Cette expression reste bien définie en r = 0, car pour tout , on a : Les calculs de processus de diffusion en théorie quantique des champs perturbative font apparaître des intégrales divergentes dès l'ordre d'une boucle. Pour donner un sens à ces intégrales, plusieurs méthodes sont utilisées. Initialement, l'espace-temps physique réel possède une dimension d = 4. La régularisation dimensionnelle consiste en un prolongement analytique de l'intégrale divergente pour des dimensions d'espace-temps d complexes, la fonction obtenue étant méromorphe. Il est alors possible d'étudier la nature de la singularité en d = 4 afin de procéder à une renormalisation par soustraction du terme divergent. La méthode, qui respecte l'unitarité, la causalité et l'invariance de jauge, a été introduite en par t'Hooft & Veltman, Bollini & Giambiagi, et Ashmore. Considérons par exemple l'intégrale typique suivante, correspondant à la somme sur la quadri-impulsion p dans une boucle : où est la fonction gamma d'Euler. Pour étudier la singularité en d = 4, on pose : et on fait un développement asymptotique en zéro : où est la constante d'Euler-Mascheroni. On en déduit que l'intégrale présente un pôle simple en d = 4 : Cette méthode consiste à rajouter des particules fictives de masse M à la théorie initiale ; on étudie alors la limite M tendant vers l'infini.
À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.
Cours associés (17)
DH-406: Machine learning for DH
This course aims to introduce the basic principles of machine learning in the context of the digital humanities. We will cover both supervised and unsupervised learning techniques, and study and imple
PHYS-467: Machine learning for physicists
Machine learning and data analysis are becoming increasingly central in sciences including physics. In this course, fundamental principles and methods of machine learning will be introduced and practi
PHYS-426: Quantum physics IV
Introduction to the path integral formulation of quantum mechanics. Derivation of the perturbation expansion of Green's functions in terms of Feynman diagrams. Several applications will be presented,
Afficher plus