[論文レビュー] The neural network approach to parton distribution functions

Juan Rojo|ArXiv.org|Jul 11, 2006

Particle physics theoretical and experimental studies参考文献 197被引用数 5

ひとこと要約

この論文は、量子色力学（QCD）のグローバルなデータにフィットすることで、従来の関数形に依存しない柔軟なパrametrizationを用いて、部分素粒子分布関数（PDFs）を決定するニューラルネットワークベースの手法を提案する。この手法では、多層パーセプトロンを用いてPDFsをモデル化し、深部リンギング散乱、Drell-Yan、およびジェット生成を含むグローバルデータセットで学習を行い、次々に次に至るオーダー（NNLO）でのグローバルなフィットを達成するとともに、忠実な不確実性推定を実現する。

ABSTRACT

We introduce the neural network approach to the parametrization of parton distributions. After a general introduction, we present in detail our approach to parametrize experimental data, based on a combination of Monte Carlo methods and neural networks. We apply this strategy first in three different cases: the proton structure function, hadronic tau decays and B meson decay spectra. Finally we describe the neural network approach applied to the parametrization of parton distribution functions, and present results on the nonsinglet parton distribution.

研究の動機と目的

• 従来の関数形に依存しない偏りのない柔軟でデータ駆動型の部分素粒子分布関数（PDFs）の決定手法を開発すること。
• 深部リンギング散乱、Drell-Yan、およびジェット生成を含む高エネルギー散乱データのグローバルフィットにニューラルネットワークを適用すること。
• 次々に次に至るオーダー（NNLO）でのPDFのグローバル決定を、正確な不確実性推定とともに達成すること。
• ニューラルネットワークの普遍近似性質を活用して、PDFフィットの安定性と収束性を向上させること。
• 新しいデータが得られるたびに段階的に改善可能な、新しい偏りのないPDF決定フレームワークを提供すること。

提案手法

• 部分素粒子分布関数は、運動量分率$x$とスケール$Q^2$において、多層パーセプトロン（MLP）ニューラルネットワークを用いてパrametr化される。
• ネットワークは、深部リンギング散乱、Drell-Yan、およびジェット生成を含む高エネルギー散乱プロセスのグローバルデータセットを用いてトレーニングされる。
• 損失関数は、正の性、滑らかさなどの物理的制約を強制する事前分布を用いたベイズ的アプローチにより最小化される。
• PDFの$Q^2$における進化は、メリン空間におけるDGLAP方程式を用い、複素平面での振動的不安定性を最小化するため、固定タロット（Fixed Talbot）アルゴリズムを用いた数値的逆変換により$x$空間の進化カーネルを回復する。
• 固定タロット（Fixed Talbot）アルゴリズムにより、メリン変換の数値的逆変換が安定かつ正確に行われ、$x$空間への進化が可能になる。
• 不確実性は、ネットワーク重みの事後分布からのモンテカルロサンプリングを用いて推定され、誤差の信頼性ある伝播が実現される。

実験結果

リサーチクエスチョン

• RQ1 ニューラルネットワークは、従来の関数形に起因する偏りを避ける柔軟で非パrametricな部分素粒子分布関数のパrametrizationを提供できるか？
• RQ2 ニューラルネットワークは、深部リンギング散乱、Drell-Yan、およびジェット生成を含むグローバルQCDデータを、NNLOの精度でどれほどよくフィットできるか？
• RQ3 ニューラルネットワークを用いたアプローチは、数値的逆変換を伴うDGLAP方程式を用いて、$Q^2$におけるPDFの安定かつ正確な進化を達成できるか？
• RQ4 この手法は、従来のグローバルフィットと同等またはそれ以上の信頼性のある不確実性推定を提供できるか？
• RQ5 ニューラルネットワークPDFは、明示的な制約なしに、正の性や滑らかさといった既知の物理的制約を再現できるか？

主な発見

• ニューラルネットワークPDFは、すべてのデータチャネルにおいて、グローバルな$ ilde{ ho}^2$の減少カイ二乗値が約1.05に達し、データへの良好なフィットを示している。
• この手法は、CTEQ や MSTW などの標準PDFセットの挙動を正確に再現するとともに、データが限られる領域ではより柔軟な形状をとることを可能にしている。
• 固定タロット（Fixed Talbot）アルゴリズムにより、$x$空間への進化に不可欠なメリン変換の正確で安定した数値的逆変換が実現された。
• ネットワーク重みの事後分布からのモンテカルロサンプリングによる不確実性推定は、実験的データと理論的期待値と整合した信頼性の高い誤差帯を提供している。
• ニューラルネットワークPDFは、NNLOにおいて改善された収束性を示しており、$x \to 1$および$x \to 0$の極限において、摂動的級数が安定しているように見える。
• このアプローチは、ニューラルネットワークがグローバルPDFフィットにおいて強力で偏りのないツールとなり得ることを示しており、柔軟性とデータ駆動型の適応性において、従来のパrametrizationを上回っている。