基于格子 QCD 的机器学习解码质子胞色密度

Brandon Kriesten; Alex NieMiera; William Good; T. J. Hobbs; Huey-Wen Lin

基于格子 QCD 的机器学习解码质子胞色密度

高能物理 - 唯象学 2025-07-25 v1 高能物理 - 格点核理论

作者: Brandon Kriesten , Alex NieMiera , William Good , T. J. Hobbs , Huey-Wen Lin

摘要

我们提出了首个基于机器学习的格子 QCD 解码质子胞色结构的方法，即变分自编码器逆映射器 (VAIM)。凭借生成式 AI 的强大能力，我们在已知减小的伪-伊-off 时间分布 (RpITDs) 的情况下，从具有网格间距 $a\! \approx\! 0.09$ fm 和胚胎质量 $M_\pi\! \approx\! 310$ MeV 的样本集中预测质子的 parton 分布函数 (PDF)。在不确定性范围内，我们得到的胞色 PDF 与现象学全局拟合结果一致，尤其是在中间至高 $x$ 区域，此处的网格数据最具约束作用。随后的相关性分析确认 VAIM 学习了有意义的潜在表示，凸显了生成式 AI 在格子 QCD 与现象学提取之间 within a unified analysis framework 中的潜力。

引用

@article{arxiv.2507.17810,
  title  = {Decoding the proton's gluonic density with lattice QCD-informed machine learning},
  author = {Brandon Kriesten and Alex NieMiera and William Good and T. J. Hobbs and Huey-Wen Lin},
  journal= {arXiv preprint arXiv:2507.17810},
  year   = {2025}
}

备注

7 pages, 3 figures

基于格子 QCD 的机器学习解码质子胞色密度

摘要

引用

备注

相关论文