基于局部χ²映射约束的康普顿形状因子全局深度神经网络建模
核实验
2025-09-24 v1 核理论
摘要
过去二十年中，密集的实验工作集中于测量有助于核子三维描述的观测量。广义部分子分布提供了关于强子内部结构和动力学的互补见解，包括夸克携带的轨道角动量信息。访问这些分布的最直接过程是深度虚康普顿散射，其截面可以用康普顿形状因子表示。这些量定义为广义部分子分布与微扰量子色动力学中推导的系数函数的卷积。我们从杰斐逊实验室收集的深度虚康普顿散射数据中提取康普顿形状因子，包括Hall A的最新测量，使用基于χ²映射的新型局部拟合技术来约束康普顿形状因子ℋ, ℰ和ℰ和ℋ̃的实部。它们在无偏振束-靶构型下按照Belitsky、Müller和Kirchner发展的形式体系，在每个运动学区间独立确定。提取的康普顿形状因子随后用于训练和正则化一个深度神经网络，实现其行为的全局确定，且模型依赖性最小。该程序通过使用与实验测量运动学匹配的伪数据进行验证和系统研究。
引用
@article{arxiv.2509.18331,
title = {Global Deep Neural Network Modeling of Compton Form Factors Constrained from Local $\chi^2$ Maps Fits},
author = {L. Calero Diaz and D. Keller},
journal= {arXiv preprint arXiv:2509.18331},
year = {2025}
}