[论文解读] 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 5

一句话总结

本论文提出一种基于神经网络的方法，通过拟合全局量子色动力学（QCD）数据来确定部分子分布函数（PDFs），采用灵活的参数化形式，避免了传统函数形式的偏倚。该方法使用多层感知机（MLP）建模PDFs，基于包括深度非弹性散射、Drell-Yan过程和喷注产生在内的全局数据集进行训练，实现了在下一下一阶（NNLO）精度下的全局拟合，并实现了忠实的不确定性估计。

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.

研究动机与目标

• 开发一种灵活、数据驱动的Parton Distribution Functions（PDFs）方法，避免因预设函数形式带来的偏倚。
• 将神经网络应用于高能散射数据的全局拟合，包括深度非弹性散射、Drell-Yan过程和喷注产生。
• 在下一下一阶（NNLO）精度下实现PDF的全局确定，并提供精确的不确定性估计。
• 通过利用神经网络的通用逼近特性，提升PDF拟合的稳定性和收敛性。
• 提供一种全新的、无偏的PDF确定框架，可随着新数据的出现系统性地改进。

提出的方法

• 使用多层感知机（MLP）神经网络对动量分数 $x$ 和尺度 $Q^2$ 上的部分子分布函数进行参数化。
• 利用包含深度非弹性散射、Drell-Yan过程和喷注产生的高能散射过程的全局数据集对网络进行训练。
• 通过贝叶斯方法最小化损失函数，其中先验分布施加了物理约束，如正定性和光滑性。
• 通过Mellin空间中的DGLAP方程实现PDF在 $Q^2$ 上的演化，使用Fixed Talbot算法进行数值反演，以恢复 $x$-空间的演化核。
• Fixed Talbot算法确保了Mellin变换的稳定且精确的数值反演，有效抑制了复平面上的振荡不稳定性。
• 通过从网络权重的后验分布中进行蒙特卡洛采样来估计不确定性，实现了可靠的误差传播。

实验结果

研究问题

• RQ1 神经网络能否提供一种灵活的、非参数化的部分子分布函数参数化形式，避免传统函数形式带来的偏倚？
• RQ2 神经网络在NNLO精度下，能否对包括深度非弹性散射、Drell-Yan过程和喷注产生在内的全局QCD数据实现良好拟合？
• RQ3 神经网络方法能否通过DGLAP方程结合数值反演，实现PDF在 $Q^2$ 上的稳定且精确的演化？
• RQ4 该方法能否提供与传统全局拟合相当或更优的可靠性不确定性估计？
• RQ5 神经网络PDF是否能在未显式强制执行的情况下，再现已知的物理约束（如正定性和光滑性）？

主要发现

• 神经网络PDF在所有数据通道上实现了约1.05的全局 $ ilde{ ho}^2$ 降低卡方值，表明对数据的拟合效果良好。
• 该方法成功再现了标准PDF集合（如CTEQ、MSTW）的行为，同时在数据有限的区域允许更灵活的形状。
• Fixed Talbot算法实现了Mellin变换的精确且稳定的数值反演，这对 $x$-空间演化至关重要。
• 通过蒙特卡洛采样网络权重进行不确定性估计，提供了与实验数据和理论预期一致的可靠误差带。
• 神经网络PDF在NNLO下表现出改进的收敛性，微扰级数在 $x \to 1$ 和 $x \to 0$ 极限下趋于稳定。
• 该方法表明，神经网络可作为强大且无偏的工具用于全局PDF拟合，在灵活性和数据驱动适应性方面优于传统参数化形式。