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

Resumen Técnico: TMDs a través de la Lente de la IA Generativa

Enunciado del Problema
La extracción de funciones de distribución de partones (PDF) dependientes del momento transversal (TMD) a partir de datos experimentales constituye un problema inverso clásico. Dentro del formalismo de Collins-Soper-Sterman (CSS), los TMDs se relacionan con secciones eficaces observables mediante una transformada de Bessel (Hankel), formulada matemáticamente como una ecuación integral de Fredholm de primer tipo. Este problema es intrínsecamente mal planteado: los datos experimentales son discretos, finitos en rango y sujetos a incertidumbres estadísticas. En consecuencia, infinitas configuraciones en el espacio del parámetro de impacto ($b_T$) pueden reproducir los mismos observables dentro de los márgenes de error.

Los análisis globales actuales de vanguardia suelen depender de formas funcionales analíticas rígidas o de redes neuronales con regularización explícita para restringir estas soluciones. Sin embargo, estos enfoques a menudo no abordan formalmente la existencia de "TMDs nulos": modos funcionales que residen en el espacio nulo efectivo de la transformada integral. Estos modos permanecen fundamentalmente invisibles para los observables físicos debido al alcance finito del momento de los datos, pero a menudo están implícitamente restringidos por la forma funcional elegida o la regularización, lo que puede conducir a una subestimación de las verdaderas incertidumbres en la imagen 3D de los partones.

Marco Metodológico
Este trabajo introduce un marco no paramétrico, basado en píxeles, para la inferencia bayesiana y la imagen de TMDs, validado mediante un enfoque híbrido Metropolis-Hastings impulsado por Flujos Normalizantes (NF-MH).

1. Discretización basada en Píxeles: En lugar de asumir una forma funcional global, la distribución TMD en el espacio $b_T$ se discretiza en una cuadrícula de valores nodales ("píxeles"). La distribución continua se reconstruye utilizando interpoladores locales (polinomios de Lagrange) definidos sobre estos nodos. Esto permite que los datos dicten la forma de la distribución con un sesgo a priori mínimo.
2. Inferencia Bayesiana: La reconstrucción se enmarca como un problema de inferencia probabilística. La distribución de probabilidad posterior $P(\tilde{f}|f)$ se determina utilizando el teorema de Bayes, combinando una función de verosimilitud (basada en los residuos $\chi^2$ entre datos y teoría) con una distribución previa. El previo emplea regularización estilo Tikhonov (hasta segundo orden) para penalizar oscilaciones no físicas y garantizar suavidad, sin imponer una forma global específica.
3. Muestreo con IA Generativa: Para muestrear eficientemente la posterior de alta dimensión (50+ dimensiones), los autores utilizan un Flujo Normalizante (NF) entrenado para aproximar la densidad posterior objetivo. El NF sirve como distribución propuesta global para un algoritmo Metropolis-Hastings (MH). Esta estrategia híbrida elude la exploración lenta típica de las caminatas aleatorias locales en altas dimensiones, permitiendo un muestreo exacto de la posterior mientras se mantiene la eficiencia computacional mediante aceleración por GPU y diferenciación automática.
4. Descomposición en Valores Singulares (SVD): El marco emplea la SVD de la matriz del núcleo para caracterizar rigurosamente los límites de resolución. Esto descompone el espacio de soluciones en un "espacio observable" (restringido por los datos) y un "espacio nulo" (no restringido por los datos, determinado únicamente por el previo).

Contribuciones y Resultados Clave
La metodología se valida mediante tres pruebas de cierre de complejidad creciente: un modelo gaussiano de referencia, la PDF TMD del quark $u$ y la función de estructura no polarizada $F_{UU,T}$ (que implica convolución con funciones de fragmentación).

• Identificación de TMDs Nulos: El análisis SVD define y cuantifica formalmente los "TMDs nulos". El estudio revela que, para mediciones de una sola escala, el núcleo de Bessel filtra eficazmente los componentes de alta frecuencia correspondientes a pequeños $b_T$ (distancias cortas). Estos componentes residen en el espacio nulo, lo que significa que su reconstrucción está impulsada enteramente por el previo teórico en lugar de los datos experimentales. Esto crea un "piso de precisión" irreducible donde aumentar la precisión estadística ($N_{ev}$) no estrecha las bandas de incertidumbre en la región de pequeño $b_T$.
• Resolución Multi-Escala: El artículo demuestra que esta barrera de resolución se rompe mediante el análisis multi-escala. Al ajustar simultáneamente datos a través de múltiples escalas de energía ($\mu^2$), la evolución de los TMDs proporciona acceso a diferentes regiones del espectro $k_T$. Los datos de alta energía sondean las colas de alto momento, que corresponden a la estructura de corta distancia en el espacio $b_T$. Este "brazo de palanca cinemático" llena efectivamente el subespacio observable previamente inaccesible, reduciendo significativamente la dominancia del espacio nulo y bajando el piso de precisión.
• Desconvolución de Observables Convolucionados: En el caso de $F_{UU,T}$, el marco desconvoluye con éxito la PDF TMD de la función de fragmentación (FF). El análisis muestra que, aunque la FF modula la sensibilidad, también puede actuar como una apertura limitante, enmascarando estructuras de gran $b_T$. El enfoque multi-escala sigue siendo efectivo para recuperar la estructura hadrónica intrínseca incluso en este escenario convolucionado.
• Cuantificación de Incertidumbres: El marco NF-MH proporciona una densidad de probabilidad completa para la distribución en lugar de una única curva de "mejor ajuste". Los análisis de conjunto confirman que el marco captura correctamente las fluctuaciones estadísticas y distingue entre la precisión interna del modelo y la estabilidad estadística externa.

Significado y Afirmaciones
Los autores afirman que este trabajo representa la primera integración de discretización basada en píxeles, IA generativa y SVD dentro de un contexto bayesiano para resolver el problema inverso de los TMDs. El significado principal radica en el cambio de la optimización punto a punto hacia un mapeo probabilístico completo del espacio de soluciones, lo cual:

1. Elimina Degeneraciones Inherentes: Al identificar y cuantificar explícitamente los TMDs nulos, el marco evita la falsa confianza que puede surgir de suposiciones funcionales rígidas.
2. Permite Imágenes No Sesgadas: El enfoque no paramétrico permite la extracción simultánea del núcleo de evolución no perturbativo y la estructura hadrónica intrínseca, sin imponer formas rígidas a los componentes no perturbativos.
3. Define Límites de Resolución: El estudio establece formalmente que la resolución del mapa 3D de partones no es meramente una función de la precisión estadística, sino que está fundamentalmente limitada por la cobertura espectral de los datos en el espacio de momentos. Argumenta que lograr imágenes de alta fidelidad del núcleo del nucleón requiere datos multi-escala para superar el límite de difracción impuesto por la transformada de Bessel.

El artículo concluye que esta sinergia entre aprendizaje automático y datos multi-escala establece un nuevo camino hacia la imagen 3D de partones de alta fidelidad, proporcionando una base sólida para futuros análisis globales en instalaciones como el Laboratorio Jefferson y el Colisionador Electrón-Ión (EIC).