用于可变多重数部分子簇射的 Nested-GPT：非全局对数重和的案例研究

我们引入了 Nested-GPT，一种用于模拟可变多重数部分子簇射历史的分层自回归 Transformer 架构。作为一个受控基准，我们研究大 $N_c$ 极限下非全局对数的主导对数重和，利用随机 Monte Carlo 偶极子簇射生成参考训练数据。我们系统地将 Nested-GPT 与 Transformer 流匹配基线进行评估。流匹配框架成功地参数化了固定多重数下发射运动学的联合分布。然而，其相空间表示要求最终发射次数在外部指定，而不是动态生成。相反，Nested-GPT 严格强制执行有序的 Markov 分支结构，按顺序预测发射并动态评估学习到的序列终止条件。我们在两种互补的训练机制下使用间隙分数可观测量对两种方法进行基准测试：对否决历史进行直接训练，以及先进行包含性训练随后进行分析级别的否决。对于所考虑的可观测量，生成的样本在统计不确定性范围内与参考簇射一致。这些结果确立了 Nested-GPT 作为可变多重数簇射生成器的物理一致的自回归代理模型，并激发了对次主导对数重和和有限 $N_c$ 颜色演化的扩展。