基于量子深度神经网络的康普顿挡形因子提取
机器学习
2026-04-30 v4 高能物理 - 唯象学
核理论
量子物理
摘要
我们使用量子激发深度神经网络（QDNN）从Thomas Jefferson国家加速器设施（JLab）的深层虚 Compton 散射测量中提取康普顿挡形因子（CFF）。该分析实施了twist-2 Belitsky-Kirchner-M"uller 形式，并采用一种模拟标准局部拟合的拟合策略。使用伪数据，我们将QDNN与经典深度神经网络（CDNN）进行基准测试，发现QDNN在相当相同的模型复杂度下常常提供更高的预测准确性和更紧密的不确定性。根据这些结果，我们引入一种量化选择度量标准，用于指示在给定实验拟合中QDNN或CDNN的最佳选择。在获得JLab数据的局部提取后，我们进行了标准神经网络全局 CFF 拟合，并与以前的全局分析进行了比较。结果支持QDNN作为CDNN determination 以及未来多维 parton 分布和 hadronic 结构研究中高效且互补的工具。
引用
@article{arxiv.2504.15458,
title = {Compton Form Factor Extraction using Quantum Deep Neural Networks},
author = {Brandon B. Le and Dustin Keller},
journal= {arXiv preprint arXiv:2504.15458},
year = {2026}
}
备注
24 pages, 14 figures. v4: matches published version