基于深度神经网络的无偏极化横向动量分布提取
高能物理 - 唯象学
2026-05-05 v2
摘要
在首次将神经网络应用于 TMD 现象学中的工作基础上，本文提出了一种基于动量空间的物理导向深度学习框架，用于从固定靶标 Drell-Yan 数据（E288、E605）中直接提取无偏横向动量依赖强子分布（TMD）。我们不进行动量空间转换，而是保持在 k 空间中嵌入归一化积分函数 s(x, k; Q)，其自卷积产生观察到的 qT 谱。提取过程分为两个阶段。第一阶段通过回归交叉截至率并消除已知运动学前置因子和电荷加权 PDF 组合来学习结构核 S(qT, x1, x2; QM)，实验和 PDF 不确定性通过蒙特卡罗副本进行传递。第二阶段通过一个端到端可微的 k 积分层来重构 s(x, k; Q)。应用于 E288 和 E605 实验的 Fermilab 数据，方法能够在 Q 和 x 之间再现测量的 qT 谱，并产生随 Q 增广的、随 x 和 Q 变化的 TMD，伴随一组一致传递实验、PDF、算法和方法组成的不确定性带。该方法最小偏差（无分解假设、无 bT 转换），为偏振 TMD 及相关 QCD 逆问题提供了可迁移模板。
引用
@article{arxiv.2510.17243,
title = {Deep Neural Network extraction of Unpolarized Transverse Momentum Distributions},
author = {I. P. Fernando and D. Keller},
journal= {arXiv preprint arXiv:2510.17243},
year = {2026}
}