[論文レビュー] Heavy Quarkonium Spectrum and Decay Constants from a Neural-Network-Based Holographic Model

Yu Zhang, Xun Chen+1 more|arXiv (Cornell University)|Jan 26, 2026

Quantum Chromodynamics and Particle Interactions被引用数 0

ひとこと要約

この論文はニューラルネットワークに基づく逆構成を用いて、ボトムアップのAdS/QCDモデルで非二次式ダイトロンを学習し、重クオリクオンiumのスペクトルと崩壊定数を高精度で同時再現できるようにした。

ABSTRACT

We present a data-driven inverse construction of the dilaton field in a bottom-up AdS/QCD description of heavy vector quarkonia. Instead of adopting an \emph{ad hoc} analytic ansatz, we use a multilayer perceptron to learn \(Φ'(z)\) as a smooth function of the holographic coordinate, with \(Φ(0)=0\) imposed to ensure ultraviolet consistency. The dilaton and its derivatives obtained by automatic differentiation generate the holographic potential \(U(z)\), and the associated Schrödinger-like equation is discretized and diagonalized to extract the low-lying eigenmodes. Masses and decay constants are then evaluated from the eigenvalues and the near-boundary behavior of the bulk-to-boundary modes. Training on PDG data for charmonium and bottomonium yields a non-quadratic dilaton profile that resolves the longstanding difficulty of simultaneously reproducing both the heavy-quarkonium spectrum and the monotonic suppression of leptonic decay constants with radial excitation. The combined fit achieves RMS deviations of \(1.26\%\) (charmonium) and \(3.32\%\) (bottomonium). This work establishes neural-network reconstruction as a flexible tool for holographic modeling and provides a basis for future extensions incorporating additional channels, lattice constraints, or finite-temperature backgrounds.

研究の動機と目的

• ソフトウォール・パラダイムを超える重クォリオニアを記述する非二次的ダイトロンの必要性を動機づける。
• Φ'(z)を学習する多層パーセプトロンを用いて、UV制約 Φ(0)=0 の下でデータ駆動の逆手法を開発する。
• シュレディンガー風ポテンシャルを介して学習したダイトロンからベクトルクォリオニウムスペクトルと電子崩壊定数を計算する。
• 学習したダイトロンがチェロミウムとボトミウムの実験データと改善した一致を示す。
• 有限温度、追加チャネル、格子制約などへの潜在的拡張を論じる。

提案手法

• Φ'(z)を多層パーセプトロンで表現し、自動微分によりΦ''(z)を計算する。
• 式(17)とその導関数からホログラフィックポテンシャルU(z)を構築する。
• ベクトルモード方程式をシュレディンガー風の形に変換し、エネルギー固有値m_nを求めるように離散化する。
• 境界近傍の bulk-to-boundary モードの挙動から崩壊定数f_nを式(18)で取得する。
• 再構成されたU(z)とターゲットとの間のSmoothL1Lossを最小化することでネットワークを訓練し、Adamとコサイン減衰を用いる。
• ネットワーク構造にUV境界条件 Φ(0)=0 を課し、メッシュフリーで計算を行う。

Figure 1: A neural network flowchart for reconstructing the dilaton field $\Phi(z)$ .

実験結果

リサーチクエスチョン

• RQ1 Φ(z)のデータ駆動再構成は、重クォリオニウムの質量と電子崩壊定数を同時に再現できるか。
• RQ2 底辺のAdS/QCD枠組みで非二次Φ(z)は、重クォリオニウムのスペクトルと崩壊定数の傾向の長年の整合性問題を解決するか。
• RQ3 Φ(z)のUVおよびIR挙動がチェロミウムおよびボトミウムのレグ遅延と崩壊定数に与える影響は何か。
• RQ4 ニューラルネット由来のダイトロンは、伝統的なソフトウォールおよび非二次ダイトロンのアプローチと比べて、観測量の予測においてどのような利点を示すか。）

主な発見

• MLP再構成は非二次的なUV/IRダイトロンプロファイルを生み出し、重クォリオニウムのスペクトルと径方向励起に伴う崩壊定数の単調な抑制を再現する。
• 総合適合はチェロミウムのRMS偏差1.26%、ボトミウムのRMS偏差3.32%を達成した。
• このアプローチは非線形のレグ遅延軌道と崩壊定数の減少を実験観測と整合させ、標準的なソフトウォールモデルとは異なる挙動を示す。
• 既存モデルと比較して、MLPベースのダイトロンは高次励起にわたって質量と崩壊定数の整合性をよりよく reconciles する。
• この枠組みは、ハolographic QCDにおける逆問題のニューラルネットベース再構成の実用性を示す。

Figure 2: Dilaton fields $\Phi(z)$ for charmonium (left) and bottomonium (right) obtained from different approaches: Non-linear approach MCVD Martin Contreras et al. ( 2021 ) (blue), Machine Learning Perceptron (MLP) in orange, soft-Wall model Karch et al. ( 2006 ) , and WKB approach Martin Contrera