极化和非极化胰蛋白质: 基于晶格QCD短程和大动量矩阵元的生成式机器学习应用
高能物理 - 格点
2025-04-23 v2 高能物理 - 唯象学
核理论
摘要
晶格量子色动力学(QCD)计算面临一个核心挑战: 需要在可控的扰动QCD分解中，对夸克/胰蛋白质双线性形成的空间分离 z 进行较小的有限范围, 以及在成功确定共线夸克分布函数(PDF)时，需要较大的夸克动量 p_z。然而，这两个要求使得从晶格数据确定PDF的任务变得极其具有挑战性。我们展示了应用生成式机器学习算法来估计极化和非极化胰关联函数, 利用短程数据并将相关性扩展至 zp_z \\lesssim 14, 超越了当前晶格QCD计算的能力。我们训练基于物理的机器学习算法, 从短程关联数据(z\\lesssim 0.36 fm)学习并取极限(p_z \\to \\infty), 从而最小化可能的高次扰动效应, 以成功重构极化胰PDF。我们还揭示了使用模型相关且过度受限函数形式(如 x^\\alpha(1-x)^\\beta及其变体)从晶格数据提取PDF时所存在的偏差和不足之处。我们提出使用生成式机器学习算法来缓解这些问题, 并展示了我们对核子中极化和非极化胰PDF的确定。
引用
@article{arxiv.2409.17234,
title = {Polarized and unpolarized gluon PDFs: generative machine learning applications for lattice QCD matrix elements at short distance and large momentum},
author = {Talal Ahmed Chowdhury and Taku Izubuchi and Methun Kamruzzaman and Nikhil Karthik and Tanjib Khan and Tianbo Liu and Arpon Paul and Jakob Schoenleber and Raza Sabbir Sufian},
journal= {arXiv preprint arXiv:2409.17234},
year = {2025}
}
备注
Published Version, 24 pages, 20 figures