广义部分子分布的人工神经网络建模
高能物理 - 唯象学
2022-04-13 v1
摘要
我们讨论了在从其未来实验数据提取的背景下，使用机器学习技术对广义部分子分布（GPDs）进行有效非参数建模。当前 GPDs 的参数化受模型依赖性的影响，这削弱了其对现象学的影响，并为 Mellin 矩等量估计带来未知的系统误差。本研究中提出的新策略允许以满足条件驱动约束的方式描述 GPDs，同时将模型依赖性降至最低。更好地控制系统效应，我们的工作将帮助 GPD 现象学在新一代实验开启的精度时代走向成熟。
引用
@article{arxiv.2112.10528,
title = {Artificial neural network modelling of generalised parton distributions},
author = {H. Dutrieux and O. Grocholski and H. Moutarde and P. Sznajder},
journal= {arXiv preprint arXiv:2112.10528},
year = {2022}
}
备注
16 pages, 10 figures