深度虚 exclusive 散射全局信息提取的基准

我们开发了一个框架，为深度虚 exclusive 散射截面（FemtoNet）的机器学习与深度神经网络分析建立基准。在此框架内，我们呈现了从非极化质子靶的深度虚康普顿散射中提取康普顿形状因子。此项工作的关键是对内置到机器学习（ML）算法中的物理约束效应的研究。我们利用贝特-海特勒过程（深度虚康普顿散射的 QED 辐射背景）来测试我们的 ML 模型，特别是其泛化从数据中提取信息的能力。然后我们将这些技术用于完整截面，并将结果与解析模型计算比较。我们提出一种量化技术，即随机目标方法，以开始理解在 exclusive 散射分析中显现的偶然不确定性与认知不确定性之分离。我们提出一组由物理驱动与基于机器学习构成的基准，为在广泛深度虚 exclusive 过程中应用具有可控可解释机器学习技术提供垫脚石。