Kernel transformations and bounds for smeared spectral functions

Technische Zusammenfassung: Kern-Transformationen und Schranken für verschmierte Spektralfunktionen

Problemstellung
In Quantenfeldtheorien, insbesondere der Quantenchromodynamik (QCD), sind Spektralfunktionen häufig singuläre, temperierte Distributionen. Phänomenologische Anwendungen und Vergleiche zwischen Theorie (z. B. Gitter-QCD) und Experiment erfordern häufig die Auswertung dieser Spektralfunktionen, die mit spezifischen Kernen (z. B. Cauchy-, Gauß- oder kinematisch motivierten Kernen) verschmiert wurden. Während die Gitter-QCD verrauschte, diskrete Stichproben von euklidischen Zeit-Korrelationsfunktionen liefert (welche selbst Laplace-verschmierte spektrale Observablen sind), stellt die direkte Extraktion einer spezifischen Ziel-Observablen $\rho[\kappa]$ aus diesen Daten ein notorisch schlecht gestelltes inverses Problem dar.

Diese Arbeit befasst sich mit einer verwandten, aber unterschiedlichen Herausforderung: dem Kern-Transformationsproblem. Gegeben sei eine Familie von energie-verschmierten Observablen $\rho[\phi_\alpha]$ (berechnet mittels eines Eingangs-Kern-Modells), wie kann man dieselbe zugrunde liegende Spektralfunktion, die mit einem anderen Ziel-Kern $\kappa$ verschmiert ist, rigoros berechnen? Das Ziel ist es, Abbildungen zwischen diesen Familien zu etablieren, ohne zum ursprünglichen inversen Problem der Rekonstruktion der unverschmierten Spektralfunktion $\rho(\omega)$ zurückzukehren, und dabei rigorose Schranken für die resultierenden Observablen anzugeben, die sowohl statistisches Rauschen als auch durch die Transformation eingeführte systematische Fehler berücksichtigen.

Methodik
Die Autoren entwickeln ein Framework basierend auf der Linearität des Spektral-Funktionals $\rho[\kappa] = \int d\omega \rho(\omega)\kappa(\omega)$. Die Kernstrategie besteht darin, den Ziel-Kern $\kappa(\omega)$ als Linearkombination (oder Integral) der Eingangs-Kern-Familie $\{\phi_\alpha\}$ via eines „Übergangskerns“ $K_{\kappa \leftarrow \phi}(\alpha)$ auszudrücken:
$$\kappa(\omega) = \int_A d\alpha K_{\kappa \leftarrow \phi}(\alpha) \phi_\alpha(\omega)$$
Falls diese Darstellung konvergiert, wird die Ziel-Observable direkt aus den Eingangsdaten gewonnen:
$$\rho[\kappa] = \int_A d\alpha K_{\kappa \leftarrow \phi}(\alpha) \rho[\phi_\alpha]$$

Die Methodik unterteilt sich in zwei Regime:

1. Exakte Transformationen: Das Paper etabliert analytische Bedingungen, unter denen der Übergangskern existiert und das Integral ohne willkürliche Regularisierung konvergiert. Dies stützt sich stark auf die analytische Struktur der Kerne in der komplexen Ebene (speziell die Lage der Singularitäten relativ zur Massenlücke) und die Fourier-Analyse.

   • Wichtige Beispiele: Das Paper leitet exakte Übergangskerne für Gauß-zu-Gauß (nur Verbreiterung), Cauchy-zu-Cauchy (nur Verbreiterung) und, am signifikantesten, Cauchy-zu-Gauß (exakt für alle Breiten) her.
   • Hindernisse: Transformationen, die eine „Dekonvolution“ erfordern (z. B. das Verschärfen einer Gauß-Verteilung zu einer Cauchy-Verteilung oder das Verengen einer Cauchy-Verteilung), scheitern im Kontinuumslimit im Allgemeinen aufgrund der essentiellen Singularitäten der Kerne oder des Wachstums ihrer Fourier-Transformationen.

2. Regulierte Transformationen: Wenn exakte Abbildungen nicht existieren oder numerisch instabil sind, wird der Ziel-Kern durch einen regulierten Approximanten $\kappa_T$ ersetzt. Die Differenz $\rho[\kappa] - \rho[\kappa_T]$ wird als systematischer Bias behandelt. Die Autoren stellen eine Methode bereit, um diesen Bias direkt aus den Eingangsdaten unter Verwendung der Hölder-Ungleichung zu begrenzen, unabhängig vom verwendeten Regularisierungsschema.

Schranken-Propagierung
Ein zentraler Beitrag ist die Propagierung rigoroser Punktwert-Schranken (oder statistischer Fehlerbudgets) vom Eingang zum Ziel. Zwei komplementäre Methoden werden vorgeschlagen:

• Riesz–Kantorovich (RK) Schranken: Eine allgemeine, nicht-iterative Methode, die den Übergangskern in seine positiven und negativen Teile zerlegt. Sie verwendet die obere Schranke des Eingangs, wo der Kern positiv ist, und die untere Schranke, wo er negativ ist (und umgekehrt für die untere Zielschranke). Diese Methode ist rigoros und rechentechnisch kostengünstig, kann aber konservativ sein, da sie Korrelationen zwischen den Eingangspunkten ignoriert.
• Positivitäts-optimierte Schranken: Eine Methode, die die Propagierung der Schranken als semi-infinites Programm (SIP) formuliert. Sie erzwingt explizit die physikalische Randbedingung, dass die zugrunde liegende Spektraldichte $\rho(\omega)$ nicht-negativ sein muss. Dies liefert engere Schranken als RK, erfordert jedoch numerische Optimierung und einen Zertifizierungsschritt, um sicherzustellen, dass die Lösung die Kontinuums-Ungleichungen auf einem endlichen Gitter erfüllt.

Für regulierte Transformationen ist die Gesamtunsicherheit die Summe aus der propagierten statistischen/Intervall-Unsicherheit und dem zertifizierten systematischen Bias durch den Kern-Mismatch. Der Regulator-Parameter wird optimiert, um die gesamte zertifizierte Breite zu minimieren.

Wesentliche Beiträge

1. Formalismus für Kern-Transformationen: Das Paper etabliert die notwendigen und hinreichenden analytischen Bedingungen für exakte Kern-zu-Kern-Abbildungen und identifiziert, dass solche Abbildungen existieren, wenn die Singularitäten des Ziel-Kerns ausreichend weit von der reellen Achse entfernt sind im Verhältnis zur Breite des Eingangs-Kerns.
2. Explizite analytische Ausdrücke: Die Autoren liefern geschlossene Formen für Übergangskerne verschiedener Klassen, einschließlich des primären Beispiels der Cauchy-zu-Gauß-Transformation, welche exakt ist und keine Regularisierung erfordert.
3. Rigorose Bias-Zertifizierung: Eine neuartige Methode wird eingeführt, um den systematischen Fehler jeder approximativen Kern-Transformation allein unter Verwendung der bekannten Eingangsdaten und des Verhältnisses von Ziel- zu Eingangs-Kern (Gl. 71) zu begrenzen. Dies ermöglicht „zertifizierte“ Schranken selbst dann, wenn exakte Transformationen unmöglich sind.
4. Optimierungs-Framework: Das Paper formuliert die Auswahl der Eingangs-Verschmierbreiten und der Regularisierungsparameter als Optimierungsprobleme, um das finale Unsicherheitsintervall zu minimieren.
5. Lévy-Mischungs-Konstruktion: Die Autoren zeigen, dass eine Cauchy-verschmierte Observable aus einem Kontinuum von Gauß-verschmierten Observablen (mit variierenden Breiten) über eine Lévy-Verteilung-Mischung rekonstruiert werden kann, wodurch die Hindernisse fester Breiten umgangen werden.

Ergebnisse
Numerische Demonstrationen an Toy-Modellen und Lattice-ähnlichen Daten bestätigen das Framework:

• Cauchy-zu-Gauß: Exakte Transformationen propagieren die Schranken erfolgreich ohne Kern-Mismatch-Bias. Die optimale Eingangs-Verschmierbreite $\epsilon^*$ liegt in der Größenordnung der Zielbreite $\sigma$.
• Cauchy-zu-Cauchy (Verschärfung): Im ill-posed Fall der Verschärfung eines Cauchy-Kerns rekonstruiert der regulierte Ansatz die Zielgröße erfolgreich mit zertifizierten Schranken. Die Ergebnisse zeigen einen Trade-off: Wenn der Regulator entfernt wird, verschwindet der systematische Bias, aber der propagierte statistische Fehler explodiert; der optimale Regulator balanciert dies aus, um das gesamte zertifizierte Intervall zu minimieren.
• Gauß-zu-Cauchy: Unter Verwendung der Lévy-Mischung demonstriert das Paper, dass eine Cauchy-Zielgröße aus einer Familie von Gauß-Eingängen rekonstruiert werden kann, wobei die Positivitäts-optimierten Schranken (SIP) engere Intervalle liefern als die RK-Methode.
• Euklidisch-zu-Verschmiert: Das Framework wird auf verrauschte euklidische Zeit-Korrelatoren angewendet, um Cauchy- und Gauß-verschmierte Spektralfunktionen mit rigorosen Schranken zu transformieren, was die Anwendbarkeit der Methode für die praktische Lattice-QCD-Analyse zeigt.

Bedeutung
Das Paper behauptet, dass dieses Framework eine robuste Alternative zur Lösung des vollständigen inversen Spektralproblems für jede neue phänomenologische Observable bietet. Anstatt für jede neue spezifische Kernel die vollständige Spektralfunktion $\rho(\omega)$ aus euklidischen Daten zu rekonstruieren, kann man eine bequeme intermediäre verschmierte Observable (z. B. Cauchy-verschmiert) berechnen und diese dann mit zertifizierten Fehlerbalken in die gewünschte Ziel-Observable (z. B. Gauß oder kinematisch) transformieren.

Die Bedeutung liegt in:

• Modularität: Es entkoppelt die Extraktion spektraler Informationen von der spezifischen phänomenologischen Kernel.
• Rigor: Es liefert mathematisch rigorose obere und untere Schranken, die sowohl das statistische Rauschen als auch den systematischen Bias der Transformation selbst berücksichtigen.
• Positivität: Es nutzt die physikalische Randbedingung der Spektral-Positivität, um die Schranken über das hinaus zu verengen, was mit generischer linearer Propagierung möglich wäre.
• Interoperabilität: Es bildet eine Brücke zwischen verschiedenen theoretischen und experimentellen Bestimmungen von Spektraldichten (z. B. die Relation von Lattice-QCD-Ergebnissen zu experimentellen Wirkungsquerschnitten oder Myon-$g-2$-Berechnungen), indem es eine kontrollierte mathematische Verbindung zwischen verschiedenen Verschmierungskonventionen schafft.

Die Autoren betonen, dass die Methoden zwar direkt auf euklidische Zeit-Inputs angewendet werden können, der primäre Fokus jedoch auf der Transformation zwischen energie-verschmierten Observablen liegt, um die wiederholte Lösung des schlecht gestellten inversen Problems für jede neue Observable der Wahl zu vermeiden.