TMDs in the Lens of Generative AI: A Pixel-Based Approach to Partonic Imaging

ملخص تقني: توزيعات العزم المستعرض المعتمدة على الزمن (TMDs) من منظور الذكاء الاصطناائي التوليدي

بيان المشكلة
يمثل استخراج دالات التوزيع الجزئي (PDFs) المعتمدة على العزم المستعرض (TMDs) من البيانات التجريبية مسألة عكسية كلاسيكية. ضمن صياغة كولينز-سوبر-ستيرمان (CSS)، ترتبط الـ TMDs بالمقاطع العرضية المرصودة عبر تحويل بسل (هانكل)، والذي يُصاغ رياضياً كمعادلة تكامل فريدول من النوع الأول. هذه المسألة هي بطبيعتها مسألة سيئة التحديد (ill-posed): فالبيانات التجريبية منفصلة، وذات نطاق محدود، وتخضع لشكوك إحصائية. وبناءً على ذلك، يمكن لعدد لا نهائي من التكوينات في فضاء معامل التأثير ($b_T$) أن تعيد إنتاج نفس الملاحظات ضمن هوامش الخطأ.

تعتمد التحليلات العالمية المتطورة حالياً عادةً على أشكال دالية تحليلية جامدة أو شبكات عصبية ذات تنظيم صريح لتقييد هذه الحلول. ومع ذلك، غالباً ما تفشل هذه النهج في معالجة وجود "الـ TMDs الصفرية" (null TMDs) بشكل رسمي—وهي أنماط دالية تقع في الفضاء الصفري الفعال للتحويل التكاملي. تظل هذه الأنماط غير مرئية جوهرياً للملاحظات الفيزيائية بسبب الوصول الزخمي المحدود للبيانات، ومع ذلك، غالباً ما يتم تقييدها ضمنياً بواسطة الشكل الدالي المختار أو التنظيم، مما قد يؤدي إلى التقليل من تقدير الشكوك الحقيقية في التصوير البارتوني ثلاثي الأبعاد.

الإطار المنهجي
يقدم هذا العمل إطاراً غير معلمي (nonparametric) يعتمد على البكسل للاستدلال البايزي والتصوير الخاص بـ TMDs، ويتم التحقق من صحته من خلال نهج "ميتروبوليس-هاستينغز" الهجين المدفوع بالتدفق الطبيعي (NF-MH).

1. التجزئة القائمة على البكسل: بدلاً من افتراض شكل دالي عالمي، يتم تجزئة توزيع الـ TMD في فضاء $b_T$ إلى شبكة من القيم العقدية ("البكسلات"). يتم إعادة بناء التوزيع المستمر باستخدام مستنتجات محلية (متعددات حدود لاجرانج) معرفة على هذه العقد. يسمح هذا للبيانات بتحديد شكل التوزيع بأقل قدر من التحيز المسبق (a priori).
2. الاستدلال البايزي: تتم صياغة إعادة البناء كمسألة استدلال احتمالي. يتم تحديد توزيع الاحتمال اللاحق $P(\tilde{f}|f)$ باستخدام نظرية بايز، من خلال الجمع بين دالة الإمكان (المبنية على بقايا $\chi^2$ بين البيانات والنظرية) وتوزيع قبلي. يستخدم التوزيع القبلي تنظيماً من نمط تيكهونوف (حتى الدرجة الثانية) لمعاقبة التذبذبات غير الفيزيائية وضمان النعومة، دون فرض شكل عالمي محدد.
3. أخذ العينات عبر الذكاء الاصطناعي التوليدي: لضمان كفاءة أخذ العينات من التوزيع اللاحق عالي الأبعاد (أكثر من 50 بُعداً)، يستخدم المؤلفون "تدفقاً طبيعياً" (Normalizing Flow) مدرباً لتقريب كثافة التوزيع اللاحق المستهدف. يعمل التدفق الطبيعي كتوزيع اقتراح عالمي لخوارزمية ميتروبوليس-هاستينغز (MH). تتجاوز هذه الاستراتيجية الهجينة الاستكشاف البطيء الذي يميز مسارات السير العشوائي المحلية في الأبعاد العالية، مما يتيح أخذ عينات دقيقة من التوزيع اللاحق مع الحفاظ على الكفاءة الحسابية عبر تسريع وحدات معالجة الرسومات (GPU) والاشتقاق التلقائي.
4. تفكيك القيم المفردة (SVD): يستخدم الإطار تحليل SVD لمصفوفة النواة لتوصيف حدود الدقة بصرامة. يقوم هذا بتحليل فضاء الحل إلى "فضاء ملاحظ" (مقيد بالبيانات) و"فضاء صفري" (غير مقيد بالبيانات، ويحدده التوزيع القبلي وحده).

المساهمات والنتائج الرئيسية
تم التحقق من صحة المنهجية من خلال ثلاثة اختبارات إغلاق متزايدة التعقيد: نموذج غاوسي أساسي، ودالة الـ $u$-quark TMD، ودالة البنية غير المستقطبة $F_{UU,T}$ (التي تتضمن عملية التفاف مع دالات التجزئة).

• تحديد الـ TMDs الصفرية: يحدد تحليل SVD رسمياً ويحدد كمياً "الـ TMDs الصفرية". يكشف التحليل أن نواة بسل، بالنسبة للقياسات أحادية المقياس، تعمل فعلياً كمرشح للمكونات عالية التردد المقابلة للمسافات الصغيرة ($b_T$). تقع هذه المكونات في الفضاء الصفري، مما يعني أن إعادة بنائها مدفوعة بالكامل بالتوزيع القبلي النظري وليس بالبيانات التجريبية. وهذا يخلق "أرضية دقة" غير قابلة للتقليل، حيث لا يؤدي زيادة الدقة الإحصائية ($N_{ev}$) إلى تضييق نطاقات الشك في منطقة $b_T$ الصغيرة.
• دقة القياس متعدد المقاييس: يوضح البحث أن هذا الحاجز في الدقة يمكن كسره من خلال تحليل متعدد المقاييس. فمن خلال الملاءمة المتزامنة للبيانات عبر مقاييس طاقة متعددة ($\mu^2$)، يوفر تطور الـ TMDs وصولاً إلى مناطق مختلفة من طيف $k_T$. تكتشف البيانات عالية الطاقة الأطراف ذات الزخم العالي، والتي تقابل البنية قصيرة المدى في فضاء $b_T$. تعمل هذه "الرافعة الكينماتيكية" على ملء الفضاء الملاحظ الذي كان غير قابل للوصول سابقاً، مما يقلل بشكل كبير من هيمنة الفضاء الصفري ويخفض أرضية الدقة.
• فك التفاف الملاحظات الملتفة: في حالة $F_{UU,T}$، نجح الإطار في فك التفاف الـ TMD PDF عن دالة التجزئة (FF). يظهر التحليل أنه بينما تقوم الـ FF بتعديل الحساسية، فإنها يمكن أن تعمل أيضاً كفتحة محدودة، مما يحجب هياكل $b_T$ الكبيرة. يظل النهج متعدد المقاييس فعالاً في استعادة البنية الهادرونية الجوهرية حتى في هذا السيناريو الملتف.
• تحديد كمية الشك: يوفر إطار NF-MH كثافة احتمالية كاملة للتوزيع بدلاً من منحنى واحد "أفضل ملاءمة". تؤكد تحليلات المجموعة أن الإطار يلتقط التقلبات الإحصائية بشكل صحيح ويميز بين الدقة الداخلية للنموذج والاستقرار الإحصائي الخارجي.

الأهمية والادعاءات
يزعم المؤلفون أن هذا العمل يمثل أول دمج للتجزئة القائمة على البكسل، والذكاء الاصطناعي التوليدي، وSVD ضمن سياق بايزي لحل مسألة الـ TMD العكسية. تكمن الأهمية الأساسية في التحول من التحسين النقطي إلى رسم خرائط احتمالية كاملة لفضاء الحل، وهو ما:

1. يزيل التحللات المتأصلة: من خلال تحديد وتحديد كمية الـ TMDs الصفرية صراحةً، يتجنب الإطار الثقة الزائفة التي قد تنجم عن الافتراضات الدالية الجامدة.
2. يسمح بالتصوير غير المنحاز: يسمح النهج غير المعلمي باستخراج نواة التطور غير غير المعلمي والبنية الهدرونية الجوهرية في آن واحد، دون فرض أشكال جامدة على المكونات غير غير المعلمة.
3. يحدد حدود الدقة: يثبت البحث رسمياً أن دقة الخريطة البارتونية ثلاثية الأبعاد ليست مجرد دالة للدقة الإحصائية، بل هي محدودة جوهرياً بالتغطية الطيفية للبيانات في فضاء الزخم. ويجادل بأن تحقيق تصوير عالي الدقة لنواة الهادرون يتطلب بيانات متعددة المقاييس للتغلب على حد الحيود الذي يفرضه تحويل بسل.

يخلص البحث إلى أن هذا التآزر بين تعلم الآلة والبيانات متعددة المقاييس يؤسس مساراً جديداً نحو تصوير بارتوني ثلاثي الأبعاد عالي الدقة، مما يوفر أساساً قوياً للتحليلات العالمية المستقبلية في مرافق مثل جيفرسون لاب ومختبر الإلكترون-أيون المترابط (EIC).