Kernel transformations and bounds for smeared spectral functions

Resumen Técnico: Transformaciones de Núcleos y Límites para Funciones Espectrales Suavizadas

Planteamiento del Problema
En las teorías de campos cuánticos, particularmente en la Cromodinámica Cuántica (QCD), las funciones espectrales son a menudo distribuciones templadas singulares. Las aplicaciones fenomenológicas y las comparaciones entre la teoría (por ejemplo, QCD en el retículo) y el experimento requieren frecuentemente la evaluación de estas funciones suavizadas con núcleos específicos (por ejemplo, núcleos de Cauchy, Gaussianos o cinemáticamente motivados). Mientras que el QCD en el retículo proporciona muestras discretas y ruidosas de funciones de correlación en tiempo euclídeo (que son, en sí mismas, observables espectrales suavizados por Laplace), la extracción de un observable suavizado específico $\rho[\kappa]$ directamente de estos datos constituye un problema inverso notoriamente mal planteado.

Este trabajo aborda un desafío relacionado pero distinto: el problema de la transformación de núcleos. Dado una familia de observables suavizados en energía $\rho[\phi_\alpha]$ (computados mediante una familia de núcleos determinada), ¿cómo se puede computar rigurosamente el mismo observable espectral subyacente suavizado con un núcleo objetivo $\kappa$? El objetivo es establecer mapas entre estas familias sin retornar al problema inverso original de reconstruir la función espectral no suavizada $\rho(\omega)$, y proporcionando límites rigurosos sobre los observables resultantes que den cuenta tanto del ruido estadístico como de los errores sistemáticos introducidos por la transformación.

Metodología
Los autores desarrollan un marco basado en la linealidad del funcional espectral $\rho[\kappa] = \int d\omega \rho(\omega)\kappa(\omega)$. La estrategia central es expresar el núcleo objetivo $\kappa(\omega)$ como una combinación lineal (o integral) de la familia de núcleos de entrada $\{\phi_\alpha\}$ a través de un "núcleo de transición" $K_{\kappa \leftarrow \phi}(\alpha)$:
$$\kappa(\omega) = \int_A d\alpha K_{\kappa \leftarrow \phi}(\alpha) \phi_\alpha(\omega)$$
Si esta representación converge, el observable objetivo se obtiene directamente de los datos de entrada:
$$\rho[\kappa] = \int_A d\alpha K_{\kappa \leftarrow \phi}(\alpha) \rho[\phi_\alpha]$$

La metodología se divide en dos regímenes:

1. Transformaciones Exactas: El artículo establece condiciones analíticas bajo las cuales el núcleo de transición existe y la integral converge sin regularización arbitraria. Esto depende fuertemente de la estructura analítica de los núcleos en el plano complejo (específicamente la ubicación de las singularidades respecto a la brecha de masa) y del análisis de Fourier.

   • Ejemplos Clave: El artículo deriva núcleos de transición exactos para Gaussian-a-Gaussian (solo ensanchamiento), Cauchy-a-Cauchy (solo ensanchamiento) y, más significativamente, Cauchy-a-Gaussian (exacto para todos los anchos).
   • Obstrucciones: Las transformaciones que requieren una "deconvolución" (por ejemplo, agudizar un Gaussiano para convertirlo en un Cauchy, o estrechar un Cauchy) generalmente fallan en converger en el límite del continuo debido a las singularidades esenciales de los núcleos o al crecimiento de sus transformadas de Fourier.

2. Transformaciones Reguladas: Cuando los mapas exactos no existen o son numéricamente inestables, el núcleo objetivo es reemplazado por un aproximante regulado $\kappa_T$. La diferencia $\rho[\kappa] - \rho[\kappa_T]$ se trata como un sesgo sistemático. Los autores proporcionan un método para acotar este sesgo directamente desde los datos de entrada utilizando la desigualdad de Hölder, independientemente del esquema de regularización utilizado.

Propagación de Límites
Una contribución central es la propagación de límites puntuales rigurosos (o presupuestos de error estadístico) desde la entrada hacia el objetivo. Se proponen dos métodos complementarios:

• Límites de Riesz–Kantorovich (RK): Un método general y no iterativo que divide el núcleo de transición en partes positivas y negativas. Utiliza el límite superior de la entrada donde el núcleo es positivo y el límite inferior donde es negativo (y viceversa para el límite inferior del objetivo). Este método es riguroso y computacionalmente económico, pero puede ser conservador al ignorar las correlaciones entre los puntos de entrada.
• Límites Optimizados por Positividad: Un método que formula la propagación de límites como un Programa Semi-Infinito (SIP). Fuerza explícitamente la restricción física de que la densidad espectral subyacente $\rho(\omega)$ debe ser no negativa. Esto produce límites más ajustados que el método RK, pero requiere optimización numérica y un paso de certificación para asegurar que la solución satisfaga las desigualdades del continuo en una rejilla finita.

Para las transformaciones reguladas, la incertidumbre total es la suma de la incertidumbre estadística/de intervalo propagada y el sesgo sistemático certificado del desajuste del núcleo. El parámetro del regulador se optimiza para minimizar este ancho certificado total.

Contribuciones Claves

1. Formalismo para Transformaciones de Núcleos: El artículo establece las condiciones analíticas necesarias y suficientes para los mapas de núcleo a núcleo, identificando que tales mapas existen si las singularidades del núcleo objetivo están suficientemente separadas del eje real en relación con el ancho del núcleo de entrada.
2. Expresiones Analíticas Explícitas: Los autores proporcionan núcleos de transición en forma cerrada para varias clases, incluyendo el ejemplo principal de la transformación Cauchy-a-Gaussian, la cual es exacta y no requiere regularización.
3. Certificación de Sesgo Rigurosa: Se introduce un nuevo método para acotar el error sistemático de cualquier transformación aproximada de núcleos utilizando únicamente los datos de entrada conocidos y la razón entre el núcleo objetivo y el de entrada (Ec. 71). Esto permite límites "certificados" incluso cuando las transformaciones exactas son imposibles.
4. Marco de Optimización: El artículo formula la selección de los anchos de suavizado de entrada y los parámetros de regularización como problemas de optimización para minimizar el intervalo de incertidumbre final.
5. Construcción de Mezcla de Lévy: Los autores demuestran que un observable suavizado por Cauchy puede ser reconstruido a partir de una familia de observables suavizados por Gaussianos (con anchos variables) mediante una mezcla de distribución de Lévy, evitando la obstrucción del ancho fijo.

Resultados
Demostraciones numéricas en modelos de juguete y datos similares a los de la red confirman el marco:

• Cauchy-a-Gaussian: Las transformaciones exactas propagan los límites con éxito y sin sesgo por desajuste de núcleo. El ancho de suavizado de entrada óptimo $\epsilon^*$ se encuentra del orden del ancho objetivo $\sigma$.
• Cauchy-a-Cauchy (Agudización): Para el caso mal planteado de agudizar un núcleo de Cauchy, el enfoque regulado reconstruye con éxito el objetivo con límites certificados. Los resultados muestran un compromiso: a medida que se elimina el regulador, el sesgo sistemático desaparece pero el error estadístico propagado explota; el regulador óptimo equilibra ambos para minimizar el intervalo certificado total.
• Gaussian-a-Cauchy: Usando la mezcla de Lévy, el artículo demuestra que un objetivo de Cauchy puede ser recuperado a partir de una familia de entradas Gaussianas, con los límites optimizados por positividad (SIP) proporcionando intervalos más ajustados que el método RK.
• Euclídeo-a-Suavizado: El marco se aplica a correladores de tiempo euclídeo ruidosos, transformándolos en funciones espectrales suavizadas por Cauchy y Gaussianas con límites rigurosos, demostrando la viabilidad del método para el análisis práctico de QCD en el retículo.

Significancia
El artículo afirma que este marco ofrece una alternativa robusta para resolver el problema inverso espectral completo para cada nuevo observable fenomenológico. En lugar de reconstruir la función espectral completa $\rho(\omega)$ a partir de datos euclídeos para cada nuevo núcleo, uno puede computar un observable intermedio suavizado conveniente (por ejemplo, suavizado por Cauchy) y luego transformarlo al núcleo objetivo deseado (por ejemplo, Gaussiano o cinemático) con barras de error certificadas.

La significancia radica en:

• Modularidad: Desacopla la extracción de información espectral del núcleo específico de la fenomenología requerida.
• Rigor: Proporciona límites superiores e inferiores matemáticamente rigurosos que dan cuenta tanto del ruido estadístico como del sesgo sistemático de la propia transformación.
• Positividad: Aprovecha la restricción física de la positividad espectral para ajustar los límites más allá de lo que es posible con la propagación lineal genérica.
• Interoperabilidad: Conecta diferentes determinaciones teóricas y experimentales de densidades espectrales (por ejemplo, relacionando resultados de QCD en el retículo con secciones transversales experimentales o cálculos del $g-2$ del muón) al proporcionar un puente matemático controlado entre diferentes convenciones de suavizado.

Los autores enfatizan que, si bien los métodos pueden aplicarse directamente a las entradas de tiempo euclídeo, el enfoque principal es la transformación entre observables suavizados en energía, evitando así la resolución repetida del problema inverso mal planteado para cada nuevo observable de interés.