Tackling inverse problems for PDFs from lattice QCD

In diesem Kick-off-Vortrag für die Baryons-2025-Konferenz werden die jüngsten Fortschritte bei der Extraktion von Parton-Verteilungsfunktionen aus der Gitter-QCD mit den langjährigen Bemühungen zur Lösung des inversen Problems der Spektralfunktionsrekonstruktion verknüpft.

Das Wesentliche

Das Puzzle der winzigen Bausteine: Wie wir aus „Fotos" die wahre Struktur der Materie rekonstruieren

Stellen Sie sich vor, Sie wollen herausfinden, wie ein komplexes Bauwerk (wie ein Proton) aufgebaut ist. Sie wissen, dass es aus vielen kleinen Teilen (den sogenannten „Partonen") besteht, die sich mit fast Lichtgeschwindigkeit bewegen. Um zu verstehen, wie diese Teile verteilt sind, brauchen wir eine Art „Landkarte", die uns sagt: Wie wahrscheinlich ist es, ein Teilchen mit einer bestimmten Geschwindigkeit zu finden? Diese Landkarte nennt man Parton-Verteilungsfunktion (PDF).

Das Problem ist: Wir können diese Landkarte nicht direkt abfotografieren. Wir müssen sie aus indirekten Hinweisen erraten. Und genau hier kommt die Geschichte von Alexander Rothkopf ins Spiel.

1. Das Problem: Wir sehen nur das Spiegelbild

In der Welt der Teilchenphysik gibt es zwei Arten, Dinge zu betrachten:

• Die echte Welt (Zeit): Hier bewegen sich die Teilchen schnell, und wir könnten theoretisch die Landkarte direkt ablesen.
• Die Computer-Welt (Euklidische Zeit): Unsere Supercomputer für Teilchenphysik (Gitter-QCD) können aber nur in einer Art „Spiegelwelt" rechnen. In dieser Welt gibt es keine echte Zeit, nur einen räumlichen Abstand. Es ist, als würden Sie versuchen, ein 3D-Objekt zu verstehen, indem Sie nur seine Schatten an einer Wand betrachten.

Die Computer liefern uns also keine direkte Landkarte, sondern nur diese „Schatten" (mathematisch: Korrelationsfunktionen). Um von den Schatten auf das echte Objekt zu schließen, müssen wir eine Rückwärtsrechnung (ein sogenanntes inverses Problem) durchführen.

2. Der schwierige Trick: Das Rätsel mit den fehlenden Puzzleteilen

Stellen Sie sich vor, Sie haben ein Puzzle, bei dem Ihnen aber 80 % der Teile fehlen. Sie haben nur ein paar wenige Kanten und ein paar zufällige Innenteile. Wenn Sie versuchen, das Bild daraus zu rekonstruieren, gibt es unendlich viele Möglichkeiten, wie das fertige Bild aussehen könnte.

• Das ist das Problem: Wenn man versucht, aus den wenigen Computer-Daten die Landkarte zu berechnen, ist das Ergebnis extrem instabil. Ein winziger Fehler in den Daten (wie ein verrutschtes Puzzleteil) führt zu einem völlig falschen Bild. Man nennt das ein „schlecht gestelltes Problem".
• Die Gefahr: Ohne Hilfe würde der Computer entweder ein völlig unsinniges Bild malen oder das Bild so stark verwischen, dass man nichts mehr erkennen kann.

3. Die Lösung: Der erfahrene Detektiv (Vorwissen)

Da wir die Puzzleteile nicht alle haben, müssen wir als Detektiven unser Vorwissen nutzen. Wir wissen zum Beispiel:

• Die Landkarte kann keine negativen Werte haben (man kann nicht „minus" Teilchen haben).
• Die Form der Landkarte folgt bestimmten physikalischen Gesetzen (sie ist glatt, nicht zackig).

In der Wissenschaft nennt man das Regularisierung. Man sagt dem Computer: „Hey, du darfst nur Bilder malen, die physikalisch sinnvoll aussehen."

Der Vortrag vergleicht verschiedene Methoden, wie man diesen „erfahrenden Detektiv" einsetzt:

• Der lineare Ansatz (Backus-Gilbert): Das ist wie ein strenger Lehrer, der sagt: „Nimm nur die Daten, die du hast, und zeichne sie so genau wie möglich nach." Das Problem: Wenn die Daten schlecht sind, wird das Ergebnis unscharf und glatt, wie ein verwischtes Foto. Feine Details gehen verloren.
• Der bayessche Ansatz (Maximum Entropy & Bayesian Reconstruction): Das ist wie ein Künstler, der ein Skizzenbuch hat. Er beginnt mit einer groben Skizze (dem „Standardmodell", das wir schon grob kennen) und passt sie dann an die neuen Daten an.
  • Maximum Entropy (MEM): Dieser Künstler ist sehr konservativ. Er fügt nur das hinzu, was die Daten zwingend erfordern. Er vermeidet künstliche Zacken, macht das Bild aber manchmal zu glatt.
  • Bayesian Reconstruction (BR): Dieser Künstler ist etwas freier. Er kann feine Details besser wiedergeben, läuft aber Gefahr, „Halluzinationen" zu malen (künstliche Wellen oder Zacken), wenn die Daten zu wenig sind.
• Neuronale Netze (KI): Das ist wie ein junger, sehr talentierter Maler, der Millionen von Bildern gesehen hat. Er lernt aus den wenigen Daten, wie ein typisches Proton aussieht, und malt dann das Bild. Aber auch er braucht Regeln, damit er nicht frei nach Fantasie malt.

4. Der große Austausch: Von der Hitze zur Kälte

Ein spannender Punkt im Vortrag ist die Zusammenarbeit zwischen zwei Gruppen:

1. Die PDF-Experten (bei 0 Kelvin), die versuchen, die Struktur von Protonen zu verstehen.
2. Die Spektral-Funktions-Experten (bei hoher Temperatur), die versuchen zu verstehen, wie sich Teilchen in einem heißen Plasma (wie kurz nach dem Urknall) verhalten.

Beide Gruppen haben das exakt gleiche mathematische Problem: Sie müssen aus unvollständigen, verrauschten Daten ein Bild rekonstruieren. Die Experten für heiße Materie haben diese Probleme schon seit Jahren gelöst. Rothkopf sagt im Grunde: „Lasst uns die Tricks der Hitze-Experten nutzen, um die Rätsel der kalten Materie zu lösen!"

Fazit: Eine gemeinsame Reise

Zusammenfassend sagt der Vortrag:
Wir können die Landkarte der Materie nicht direkt ablesen, weil unsere Computer in einer anderen Dimension rechnen. Um das Bild trotzdem zu erhalten, müssen wir mathematische Tricks anwenden, die unser Vorwissen nutzen, um die fehlenden Puzzleteile sinnvoll zu ergänzen.

Es ist ein ständiges Abwägen: Wie viel Vertrauen haben wir in die Daten? Wie viel Vertrauen haben wir in unser Vorwissen? Wenn wir diese Balance richtig finden, können wir endlich verstehen, woraus die Materie wirklich besteht – und das ist der Schlüssel für zukünftige Entdeckungen in der Teilchenphysik.

Technische Zusammenfassung

Titel: Bewältigung inverser Probleme für PDFs aus Gitter-QCD

Autor: Alexander Rothkopf (Department of Physics, Korea University)
Kontext: Kick-off-Präsentation für die Session "Recent developments in QCD" bei Baryons 2025.

---

1. Das Problem: Extraktion von Parton-Verteilungsfunktionen (PDFs) aus Gitter-QCD

Parton-Verteilungsfunktionen (PDFs) sind fundamentale Größen zur Beschreibung der hadronischen Struktur und essenziell für die Interpretation von Streuexperimenten (z. B. am LHC oder zukünftig am EIC). Sie geben die Wahrscheinlichkeit an, ein Parton mit einem bestimmten Impulsanteil $x$ in einem Nukleon zu finden.

Das zentrale Hindernis bei der Berechnung von PDFs mittels Gitter-QCD liegt in der Natur der Simulationen:

• Euklidische Zeit: Gitter-QCD wird in euklidischer Zeit durchgeführt, während PDFs physikalisch auf dem Lichtkegel (Lightcone) definiert sind.
• Fehlender direkter Zugang: Eine direkte Berechnung der Matrixelemente auf dem Lichtkegel ist unmöglich.
• Indirekter Zugang: Man muss den Lichtkegel aus dem raumartigen (space-like) Bereich approximieren, indem man Korrelationsfunktionen bei großen Impulsen berechnet (Quasi-PDFs oder Pseudo-PDFs).

Dies führt zu einem inversen Problem: Um die physikalische PDF $f(x)$ zu erhalten, muss eine inverse Fourier-Transformation (IFT) der berechneten Matrixelemente (im Ioffe-Zeit-Raum $\nu$) durchgeführt werden.

Die mathematische Herausforderung:
Das Problem ist schlecht gestellt (ill-posed) im Sinne von Hadamard, solange nicht der gesamte Brillouin-Zone zugänglich ist:

1. Nicht-Eindeutigkeit: Unendlich viele PDFs können dieselben (fehlerbehafteten) Gitterdaten reproduzieren.
2. Empfindlichkeit: Das diskretisierte Inversionsproblem ist schlecht konditioniert. Kleine statistische Fehler in den Eingangsdaten führen zu exponentiell verstärktem Rauschen im Ergebnis.
3. Beschränkter Ioffe-Zeit-Bereich: Aktuelle Simulationen decken nur einen begrenzten Bereich von $\nu$ ab. Dies führt zu einem exponentiellen Abfall der Eigenwerte des Kernel-Matrix, was die direkte Inversion unmöglich macht.

---

2. Methodik und Lösungsansätze

Um das inverse Problem zu lösen, ist eine Regularisierung notwendig, d. h., es muss zusätzliches Vorwissen (Prior-Information) über das System eingebracht werden, um eine eindeutige Lösung zu erhalten. Der Autor vergleicht verschiedene Methoden, die sowohl in der PDF-Extraktion als auch in der Rekonstruktion von Spektralfunktionen (z. B. bei endlichen Temperaturen) verwendet werden.

A. Parametrische Ansätze

Die einfachste Form der Regularisierung ist die Annahme eines parametrisierten Modells für die PDF, z. B. $f(x) = c x^a (1-x)^b$. Dies reduziert das Problem auf eine $\chi^2$-Fit-Suche nach Parametern.

B. Nicht-parametrische Methoden

Der Fokus liegt auf drei Hauptkategorien:

1. Lineare Methoden:

   • Backus-Gilbert (BG) Methode: Sucht eine lineare Kombination der Daten, um die Auflösung zu maximieren.
     • Nachteil: Die Auflösungsfunktion ist oft breit, was zu künstlicher Glättung führt und scharfe Peaks nicht auflösen kann. Sie kann keine strikten physikalischen Bedingungen (wie Positivität) leicht erzwingen.

2. Bayessche Inferenz-Methoden:
   Hier wird der Satz von Bayes angewendet: $P[f|Q, I] \propto P[Q|f, I] \cdot P[f|I]$.

   • Likelihood ($P[Q|f, I]$): Beschreibt die Übereinstimmung mit den Daten (meist $\chi^2$).
   • Prior ($P[f|I]$): Enthält die Regularisierung und Vorwissen (z. B. Positivität, Glattheit).
   • Maximum Entropy Method (MEM): Nutzt die Shannon-Jaynes-Entropie als Regularisierer. Neigt zu künstlicher Glättung, was Rauschen unterdrückt, aber feine Strukturen verwischen kann.
   • Bayesian Reconstruction (BR): Nutzt einen Regularisierer, der auf der Gamma-Verteilung basiert und Glattheit priorisiert. Weniger stark regularisierend als MEM, kann aber zu "Ringing"-Artefakten (Oszillationen) führen, wenn die Datenlage schlecht ist.

3. Neuronale Netze (NN):
   Das NN dient als flexible Basis-Funktion zur Approximation der PDF. Die Regularisierung erfolgt durch den Trainings-Functional (z. B. Gewichts-Strafterme), was äquivalent zu einer bayesschen Inferenz mit spezifischem Prior ist.

---

3. Ergebnisse und Benchmarking

Der Autor führt ein Benchmarking an zwei künstlichen (mock) PDF-Modellen durch, die typische Szenarien abdecken:

• Modell A: Monotoner Anstieg zu kleinen $x$.
• Modell B: Abfall bei $x \approx 0.4$ (physikalisch realistischer Verlauf).

Die Daten wurden auf einen realistischen Ioffe-Zeit-Bereich ($\nu_{max} = 10$) mit 12 Datenpunkten beschränkt.

Ergebnisse der Methoden:

• Backus-Gilbert (ohne Vorbehandlung): Versagt bei der Wiedergabe der Daten und kann keine spitzen Strukturen auflösen.
• Backus-Gilbert (mit Vorbehandlung/Preconditioning): Durch Anpassung eines parametrischen Modells an die Daten und Rekonstruktion der Abweichungen verbessert sich das Ergebnis, bleibt aber im kleinen-$x$-Bereich ungenau.
• Maximum Entropy Method (MEM): Zeigt exzellente Ergebnisse für beide Modelle. Die inhärente Glättung stabilisiert die Lösung und verhindert Rauschen/Ringing, auch bei wenigen Datenpunkten.
• Bayesian Reconstruction (BR): Liefert für Modell A gute Ergebnisse. Für Modell B (mit dem Abfall) treten jedoch signifikante Ringing-Artefakte auf, verursacht durch den begrenzten Ioffe-Zeit-Bereich und die geringe Anzahl an Datenpunkten. Die Methode ist empfindlicher gegenüber der Wahl des Default-Modells.

Unsicherheitsquantifizierung:
Bayessche Methoden erlauben eine transparente Darstellung der Unsicherheiten:

1. Statistische Unsicherheit (durch Resampling, z. B. Jackknife).
2. Systematische Unsicherheit durch die Wahl des Priors (Default-Modell).

---

4. Bedeutung und Ausblick

• Brücke zwischen Communities: Das Paper betont die enorme Synergie zwischen der Community, die PDFs bei $T=0$ extrahiert, und der Community, die Spektralfunktionen bei $T>0$ (z. B. Quarkonium in Medium) rekonstruiert. Beide lösen mathematisch identische, schlecht gestellte inverse Probleme.
• Transfer von Wissen: Die langjährige Erfahrung der Spektralfunktions-Community mit Unsicherheitsquantifizierung und Regularisierungseffekten ist für die PDF-Extraktion von unschätzbarem Wert.
• Empfehlung: Für die Extraktion von PDFs aus begrenzten Gitterdaten sind nicht-parametrische bayessche Methoden (insbesondere MEM und BR) vielversprechender als lineare Methoden. MEM scheint aufgrund seiner stabilisierenden Glättungseigenschaften besonders robust, während BR flexibler, aber anfälliger für Artefakte ist.
• Zukunft: Die Kombination aus verbesserten Matrixelementen (bessere Datenqualität) und fortschrittlichen Regularisierungstechniken ist entscheidend, um zuverlässige physikalische Interpretationen (z. B. für die Gluon-PDF) zu erhalten.

Fazit: Die Extraktion von PDFs aus Gitter-QCD ist ein inverses Problem, das ohne Regularisierung unlösbar ist. Die Anwendung etablierter bayesscher Rekonstruktionsmethoden aus der Spektralfunktions-Analyse bietet einen robusten Weg, um trotz begrenzter Daten und statistischer Fehler physikalisch sinnvolle PDFs zu bestimmen und deren Unsicherheiten korrekt zu quantifizieren.