[论文解读] An open-source machine learning framework for global analyses of parton distributions
本论文介绍了用于全球强子结构函数（PDFs）拟合的开源机器学习框架NNPDF4.0，实现了可重现、可自定义且可扩展的PDF确定。该框架采用基于Python的模块化流水线，集成数据处理、理论计算与统计分析，全面支持理论不确定性、新数据以及超越标准模型的物理研究。
Abstract: We present the software framework underlying the NNPDF4.0 global determination of parton distribution functions (PDFs). The code is released under an open source licence and is accompanied by extensive documentation and examples. The code base is composed by a PDF fitting package, tools to handle experimental data and to efficiently compare it to theoretical predictions, and a versatile analysis framework. In addition to ensuring the reproducibility of the NNPDF4.0 (and subsequent) determination, the public release of the NNPDF fitting framework enables a number of phenomenological applications and the production of PDF fits under user-defined data and theory assumptions.
研究动机与目标
- 通过将完整的软件栈开源，解决以往PDF全局拟合中可重现性与可扩展性不足的问题。
- 使高能物理领域能够基于修改后的数据、理论或参数假设，执行定制化的PDF拟合。
- 通过提供全面的文档、示例工作流和可重用代码，支持FAIR（可查找、可访问、可互操作、可重用）科学。
- 促进不同研究组与理论模型之间PDF确定的基准测试与验证。
- 将PDF拟合的应用范围扩展至相关非微扰QCD量，如极化PDF、 fragmentation函数与核子PDF。
提出的方法
- 该框架以validphys库为核心，该库是一个基于Python的PDF拟合与验证分析套件。
- 采用基于神经网络的方法对PDF进行参数化，通过最小化理论预测与实验数据之间χ²的随机优化过程进行训练。
- 代码包含处理实验数据、数据筛选以及应用K因子（NLO与NNLO QCD、NLO电弱）的工具，以提升理论精度。
- 该框架支持使用LHAPDF兼容网格对部分子分布进行快速插值，从而高效计算强子物理可观测量。
- 集成了统计诊断工具、绘图工具与不确定性量化工具，用于评估拟合质量与PDF行为。
- 系统设计为模块化结构，用户可修改数据集、理论模型或PDF参数化方式，而无需重新实现核心组件。
实验结果
研究问题
- RQ1如何通过开源软件实现全局PDF拟合的完全可重现性与透明性？
- RQ2理论输入（如αs、重夸克质量或电弱参数）的变化对最终PDF结果有何影响？
- RQ3该框架能否用于探测高pT LHC数据中新物理效应（如EFT修正或修改的DGLAP演化）？
- RQ4新实验数据的引入如何影响PDF的确定及其不确定性？
- RQ5该框架在多大程度上可扩展至同时确定相关非微扰量（如分裂函数或核子PDF）？
主要发现
- NNPDF4.0框架已作为开源软件完全发布，采用宽松许可协议，并配有详尽的文档与示例工作流。
- 代码库采用Python实现，兼顾广泛可访问性与可扩展性，同时通过优化的C/C++后端保持高性能。
- 该框架支持NLO与NNLO QCD及NLO电弱K因子的引入，显著提升了全局拟合中的理论精度。
- 用户现在可通过修改数据集、理论模型或PDF参数化方式，执行定制化PDF拟合，支持对αs、重夸克质量及新物理的探究。
- 系统支持稳健的不确定性量化与统计验证，支持与其他PDF集合的基准测试与交叉比较。
- 模块化设计使其未来可扩展至极化PDF、分裂函数与核子PDF，实现对非微扰QCD量的集成全局分析。
更好的研究，从现在开始
从论文设计到论文写作，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。