[論文レビュー] Baryons from Mesons: A Machine Learning Perspective

Yarin Gal, Vishnu Jejjala+2 more|arXiv (Cornell University)|Mar 23, 2020

Particle physics theoretical and experimental studies参考文献 31被引用数 4

ひとこと要約

本論文は、ニューラルネットワークとガウス過程を用いて、メソンのスペクトル的データのみを用いてバリオンおよびExotic Hadronの質量を予測する機械学習フレームワークを提案する。それぞれ90.3%および96.6%の正確さを達成し、構成クォーク模型を上回り、バリオンが弱く結合したメソン有効理論においてソリトンとして出現しうることを示している。

ABSTRACT

Quantum chromodynamics (QCD) is the theory of the strong interaction. The fundamental particles of QCD, quarks and gluons, carry colour charge and form colourless bound states at low energies. The hadronic bound states of primary interest to us are the mesons and the baryons. From knowledge of the meson spectrum, we use neural networks and Gaussian processes to predict the masses of baryons with 90.3% and 96.6% accuracy, respectively. These results compare favourably to the constituent quark model. We as well predict the masses of pentaquarks and other exotic hadrons.

研究の動機と目的

• メソンスペクトルに訓練された機械学習モデルが、従来のクォーク模型を上回る正確さでバリオン質量を予測できるかどうかを調査すること。
• 大N QCDが示唆するように、バリオンが弱く結合したメソン有効場理論においてソリトンとして生じるという仮説を検証すること。
• 四クォークおよび五クォークのExotic Hadron（例：テトラクォーク、ペントアクォーク）への予測を拡張し、クォーク構成仮説の下でのモデルの頑健さを評価すること。
• ニューラルネットワークとガウス過程の両者が、メソン状態からバリオン状態およびExotic状態への外挿予測において、それぞれどのように性能を発揮するかを比較すること。
• 機械学習が、ゲルマン＝オクーボ式のような理論的枠組みに整合する、ハドロンスペクトルスの背後にある隠れたパターンを発見できるかどうかを調査すること。

提案手法

• 入力ベクトルは13の特徴量から構成される：クォーク/反クォークの数（u, d, s, c, b）、アイソスピン（I）、スピン（J）、パリティ（P）で、ハドロンの構成および量子数を符号化する。
• フィードフォワード構造を有する複数の隠れ層を備えたニューラルネットワークを、メソンデータに訓練してバリオンおよびExotic状態への一般化を図る。
• ガウス過程は、不確実性をモデル化し、信頼区間を伴う予測分布を提供する非パrametricなベイジアン手法として適用される。
• モデルは、既知のバリオン質量、ペントアクォーク、テトラクォーク、および$a_0(980)$のような共鳴状態を対象とし、異なるクォーク構成仮説をテストする。
• 性能は平均絶対誤差および正確さの指標で測定され、構成クォーク模型および lattice QCD のベンチマークと比較される。
• 理論的一致性は、例えば陽子と中性子のデゲネラシー、または$^2$H$^+$と$^2$He$^{++}$のデゲネラシーといった既知の対称性と予測が一致するかを確認することで評価される。

実験結果

リサーチクエスチョン

• RQ1 メソンデータにのみ訓練された機械学習モデルが、構成クォーク模型を上回る正確さでバリオン質量を正確に予測できるか？
• RQ2 予測結果が、弱く結合したメソン有効場理論においてバリオンがソリトンとして生じるという理論的考えを支持するか？
• RQ3 クォーク構成が曖昧なExotic Hadronの質量予測において、ニューラルネットワークとガウス過程という異なる機械学習アーキテクチャは、それぞれどのように性能を発揮するか？
• RQ4 モデルは、$a_0(980)$ や $f_0(980)$ といった共鳴状態について、異なるクォーク構成仮説を区別できるか？それとも同一の予測を下すのか？
• RQ5 機械学習は、実験的データからゲルマン＝オクーボ式のような理論的関係をどれだけ発見または検証できるか？

主な発見

• ガウス過程モデルはバリオン質量予測で96.6%の正確さを達成し、構成クォーク模型を上回り、ニューラルネットワークよりも低い不確実性を示した。
• ニューラルネットワークはバリオン質量予測で90.3%の正確さを達成し、ガウス過程よりも予測の分散が著しく低かった。
• テトラクォークに関しては、ガウス過程がニューラルネットワークよりも優れた予測を示したが、異なる構成仮説に対してほぼ同一の質量を割り当てていた。
• ニューラルネットワークは、$D^*_{s0}(2317)$ や $f_2(1565)$ といった共鳴状態について、クォーク構成仮説を区別でき、測定値に最も近いメソン的構成を特定した。
• ガウス過程は、$a_0(980)$ および $f_0(980)$ について、異なる構成仮説を区別できず、ほぼ同一の質量を予測した。これは、これらの状態がメソン的性質を示す可能性を示唆している。
• 両モデルとも陽子と中性子、$^2$H$^+$ と $^2$He$^{++}$ に対してほぼデゲネラシーした質量を予測し、トレーニングデータ内のアイソスピン対称性を反映していた。