[论文解读] 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 4

一句话总结

本文提出了一种机器学习框架，仅使用介子谱学数据即可预测重子和新奇特强子的质量，采用神经网络和高斯过程方法。其准确率分别达到90.3%和96.6%，超过组成夸克模型，表明重子可能在弱耦合介子有效场论中作为孤子出现。

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.

研究动机与目标

• 研究仅基于介子谱训练的机器学习模型是否能以高于传统夸克模型的准确率预测重子质量。
• 检验重子作为弱耦合介子有效场论中孤子出现的假设，该假设由大N QCD所暗示。
• 将预测扩展至四夸克态和五夸克态等奇特强子，评估模型在不同夸克组成假设下的鲁棒性。
• 比较神经网络与高斯过程在从介子态外推至重子态和奇特强子态时的性能表现。
• 探索机器学习能否从经验数据中发现或验证与理论框架（如盖尔曼-欧本海默公式）一致的隐藏模式。

提出的方法

• 输入向量包含13个特征：夸克/反夸克数量（u, d, s, c, b）、同位旋（I）、自旋（J）和宇称（P），用于编码强子的组成和量子数。
• 使用前馈神经网络架构，通过多层隐藏层，在介子数据上进行训练，以实现向重子和奇特强子的泛化。
• 应用高斯过程作为非参数贝叶斯方法，对不确定性进行建模，并提供带有置信区间的预测分布。
• 在已知重子质量、五夸克态、四夸克态以及如$a_0(980)$等共振态上评估模型，测试不同夸克组成假设。
• 通过平均绝对误差和准确率等指标量化性能，并与组成夸克模型和格点QCD基准进行比较。
• 通过检查预测是否与已知对称性一致来评估理论一致性，例如质子与中子质量简并，或$^2$H$^+$与$^2$He$^{++}$的质量简并。

实验结果

研究问题

• RQ1 仅基于介子数据训练的机器学习模型能否准确预测重子质量，且准确率超过组成夸克模型？
• RQ2 预测结果是否支持重子是弱耦合介子有效场论中孤子的理论观点？
• RQ3 在预测夸克组成不明确的奇特强子质量时，不同机器学习架构（神经网络与高斯过程）的表现如何？
• RQ4 模型能否区分$a_0(980)$和$f_0(980)$等共振态的不同夸克组成假设，还是会产生简并预测？
• RQ5 机器学习在多大程度上能从经验数据中发现或验证如盖尔曼-欧本海默公式等理论关系？

主要发现

• 高斯过程模型在预测重子质量方面达到96.6%的准确率，优于组成夸克模型，且预测不确定性低于神经网络。
• 神经网络在重子质量预测中达到90.3%的准确率，且预测方差显著低于高斯过程。
• 对于四夸克态，尽管高斯过程对不同组成假设赋予几乎相同的质量，其预测性能仍优于神经网络。
• 神经网络成功区分了$D^*_{s0}(2317)$和$f_2(1565)$等共振态的夸克组成假设，识别出最接近实测质量的介子构型。
• 高斯过程无法区分$a_0(980)$和$f_0(980)$的不同组成假设，预测质量几乎完全相同，表明这些态可能具有介子本质。
• 两种模型均预测质子与中子质量近乎简并，$^2$H$^+$与$^2$He$^{++}$质量也近乎简并，反映出训练数据中同位旋对称性的体现。