从符号回归推导的广义夸克分布

受 AI/机器学习 启发的符号回归是科学建模的下一个阶段。我们利用高度可定制的符号回归软件包“PySR”来建模夸克分布 (GPD) 中味型等离子组合 $H_{u-d}(x,t,\xi)$ 在 $\xi=0$ 时关于 $x$ 和 $t$ 的依赖关系。这些 PySR 模型是在由 Lattice QCD 以及现象学来源 GGL、GK 和 VGG 提供的 GPD 结果训练得出的。我们首次通过量化其泰勒展开系数来衡量不同模型之间的一致性和系统收敛性。除了 PySR 对模型复杂度和均方误差进行惩罚外，我们还实现了测试特定物理假设的方案，包括力因子化的 $x$ 和 $t$ 依赖性以及 Regge 行为。我们展示了 PySR 能够基于其对力因子化 GPD 来源的响应来识别分离的 GPD 来源。了解 GPD 的精确行为及其在 $x$ 和 $t$ 范围广泛区间的不确定性，对于我们能够具体且定量地预测 hadronic 空间分布及其派生量至关重要。