基于物理信息神经网络的色磁偶极�幅提取

色磁偶极�幅的过程无关性是高能量量子色动力学(QCD)的基石。然而，标准的现象学方法通常依赖刚性的参数猜测，往往需要针对性地调整几何参数以调和包容性和衍射性测量结果。为解决这一矛盾，我们引入物理信息神经网络(PINNs)，采用“教师-学生”策略。基于动量空间的巴里茨基-科维赫科夫演化动力学的物理模型充当“教师”，约束解的流形；而网络“学生”则针对包容性 HERA $F_2$ 数据进行优化。该方法在不假设初始状态的情况下提取了模型无关的偶极�幅。显著地，我们展示了该�幅——在不进行参数调谈或几何重缩放的情况下——成功预测了独占 $J/\psi$ 光子产生交叉截面的绝对归一化和运动学依赖性。该无参数的饱和动力学预测为动力学饱和尺度的过程无关性提供了有前景的证据，并将 PINNs 确立为发现非凌鞍 QCD 结构的变革性范式。