⚛️ high-energy experiments

Neural-Network extraction of TMDs with SIDIS data

Este artículo presenta el primer análisis global de las distribuciones de Momento Transversal Dependientes (TMD) no polarizadas utilizando una parametrización de red neuronal que incorpora simultáneamente datos de Drell-Yan y SIDIS con precisión N $^3$ LL, demostrando que la inclusión de datos de SIDIS ensancha las TMD extraídas al tiempo que reduce las incertidumbres en comparación con los análisis de solo Drell-Yan y ofrece un marco independiente del modelo para futuros experimentos de alta precisión.

Autores originales: Matteo Cerutti

Publicado 2026-06-29

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Matteo Cerutti

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina intentar comprender la forma de una nube. No puedes simplemente mirarla desde un solo ángulo; necesitas ver cómo las gotas de agua se mueven y se dispersan en tres dimensiones. En el mundo de la física de partículas, los científicos están tratando de mapear la "nube" dentro de un protón (un bloque de construcción de la materia). Específicamente, quieren saber cómo se mueven las diminutas partículas en su interior (los quarks), no solo hacia adelante, sino también de lado a lado. Este movimiento de lado a lado se llama Momento Transversal.

Aquí hay un desglose sencillo de lo que hace el artículo de Matteo Cerutti:

1. El Problema: Mapas Rígidos

Durante mucho tiempo, los científicos han intentado mapear estos movimientos de los quarks utilizando fórmulas matemáticas. Piensa en estas fórmulas como un mapa pre-dibujado. El problema es que estos viejos mapas eran demasiado rígidos. Asumían que la "nube" de quarks tenía una forma específica y fija. Si la nube real era ligeramente diferente, el mapa no podía mostrarlo, lo que provocaba desacuerdos entre los resultados de diferentes científicos.

2. La Nueva Herramienta: Una Red Neuronal Flexible

En este artículo, el autor introduce una nueva herramienta: una Red Neuronal (NN).

La Analogía: En lugar de un mapa rígido y pre-dibujado, imagina una escultura de arcilla. Una red neuronal es como un escultor que puede moldear la arcilla en cualquier forma que los datos sugieran, sin forzarla en una caja preestablecida.
Esta flexibilidad permite que el modelo aprenda la verdadera forma de la distribución de los quarks directamente de los datos, en lugar de adivinar la forma primero.

3. El Experimento: Dos Cámaras Diferentes

Para construir este mapa, el autor utilizó datos de dos tipos diferentes de colisiones de partículas, que actúan como dos cámaras diferentes tomando fotos del mismo objeto:

Cámara A (Drell-Yan): Esto es como chocar dos camiones pesados (hadrones) entre sí. Proporciona una imagen clara de los quarks en su interior.
Cámara B (SIDIS): Esto es como disparar una bala (un electrón) contra un camión y observar qué piezas salen volando. Esto da una visión ligeramente diferente que incluye cómo se rompen las piezas (fragmentación).

Anteriormente, algunos estudios solo utilizaban la Cámara A. Este estudio es especial porque utiliza ambas cámaras simultáneamente para construir un mapa único y unificado.

4. Los Resultados: Una Imagen Más Amplia y Clara

Cuando el autor combinó los datos de ambas cámaras utilizando al escultor de arcilla flexible (Red Neuronal), encontró dos cosas principales:

La Forma es Más Ancha: Cuando añadieron los datos de la cámara "SIDIS", el mapa resultante de la nube de quarks resultó ser más ancho que cuando solo usaron la cámara "Drell-Yan". Es como si la segunda cámara hubiera revelado que la nube se dispersa más de lo que se pensaba anteriormente.
La Incertidumbre es Menor: Debido a que tenían más puntos de datos de ambas cámaras, su confianza en las mediciones aumentó. La "borrosidad" alrededor de los bordes de su mapa se redujo en comparación con el uso de una sola cámara. Sin embargo, debido a que el escultor de arcilla es tan flexible, el mapa sigue siendo un poco más "borroso" que los antiguos mapas rígidos y pre-dibujados. Esto es en realidad algo bueno: significa que el modelo está siendo honesto sobre lo que no sabe, en lugar de pretender ser más preciso de lo que es.

5. Por Qué Importa

El estudio demuestra que el uso de estas herramientas flexibles, similares a la IA (Redes Neuronales), es una forma inteligente de evitar que los científicos fuercen sus datos en cajas viejas y rígidas. Muestra que, al combinar diferentes tipos de experimentos, obtenemos una imagen más precisa y honesta de cómo se construye la materia.

El autor señala que este enfoque será de gran ayuda para futuros experimentos de alta precisión en instalaciones importantes como Jefferson Lab y el Colisionador de Iones Electrónicos (Electron-Ion Collider), ayudándoles a sacar el máximo provecho de sus datos.

En resumen: El autor utilizó una herramienta de IA flexible para combinar dos tipos diferentes de datos de colisiones de partículas. Esto reveló que la estructura interna de los protones es más ancha de lo que se pensaba anteriormente y proporcionó un mapa más honesto y fiable de cómo se mueven los quarks en su interior.

Resumen Técnico: Extracción de TMDs mediante Redes Neuronales con datos de SIDIS

Planteamiento del Problema
Las distribuciones de Momento Transversal (TMD, por sus siglas en inglés) ofrecen un mapa tridimensional del espacio de momentos de la estructura de los hadrones. Mientras que los procesos Drell-Yan (DY) restringen las funciones de distribución de partones (PDF) de quarks TMD, la Dispersión Inelástica Profunda Semi-Inclusiva (SIDIS) proporciona acceso simultáneo a las TMD PDF y a las funciones de fragmentación (TMD FF). A pesar de los avances en la precisión perturbativa y en los conjuntos de datos globales, persisten tensiones entre las extracciones actuales de las TMD PDF de quarks no polarizadas de diferentes ajustes globales. Estas discrepancias se atribuyen, en parte, a la limitada flexibilidad de las parametrizaciones estándar utilizadas para modelar el sector no perturbativo de las TMD. Trabajos previos demostraron que las Redes Neuronales (NN) podrían reducir el sesgo de parametrización en análisis de solo DY, pero se requería un análisis global que incorporara datos de SIDIS para evaluar plenamente las restricciones sobre las distribcciones TMD.

Metodología
Este trabajo presenta un análisis global de las distribuciones TMD no polarizadas utilizando una parametrización de red neuronal, extendiendo un estudio previo de prueba de concepto sobre datos de DY para incluir mediciones de SIDIS. El análisis opera con una precisión de siguiente a siguiente a siguiente al logaritmo líder (N3LL).

Marco Teórico: Las secciones eficaces diferenciales para DY ( $h_A + h_B \to \ell^+ + \ell^- + X$ ) y SIDIS ( $\ell + h \to \ell' + h' + X$ ) se formulan en términos de TMD PDF y FF en el espacio del parámetro de impacto ( $b_T$ ). La estructura de la TMD se factoriza en coeficientes perturbativos (acoplamiento con PDFs/FFs colineales), núcleos de evolución (dimensiones anómalas $\gamma$ y $K$ ) y una función no perturbativa ( $f_{NP}$ ).
Parametrización de Red Neuronal: El componente no perturbativo $f_{NP}$ $f_{N P}$ se divide en una parte "intrínseca", parametrizada enteramente por una red neuronal, y un término de evolución. La arquitectura de la NN se define como [2, 10, 1], tomando como entradas la fracción de momento longitudinal ( $x$ $x$ o $z$ $z$ ) y $b_T$ $b_{T}$ , con 10 nodos ocultos y una función de activación sigmoide.
- El número total de parámetros libres es 83: 41 para la función no perturbativa de la TMD PDF, 41 para la función no perturbativa de la TMD FF, y un parámetro ( $g_2$ ) para la evolución.
- Para evitar el sobreajuste (overfitting), el conjunto de datos se divide en muestras de entrenamiento y validación de igual tamaño.
Datos y Ajuste: El conjunto de datos global comprende 2,029 puntos de datos: 482 de mediciones de DY (Fermilab, RHIC, LHC) y 1,547 de multiplicidades de SIDIS (HERMES, COMPASS). Se aplican cortes cinemáticos para satisfacer los requisitos de factorización de TMD ( $q_T/Q < 0.2$ para DY).
Estimación de la Incertidumbre: Los errores experimentales se propagan utilizando el método bootstrap, ajustando 100 réplicas de Monte Carlo de los datos experimentales. Los mejores parámetros de ajuste se obtienen minimizando una función $\chi^2$ .

Contribuciones Clave y Resultados
El análisis realiza con éxito una extracción simultánea de las TMD PDF y las TMD FF, logrando una calidad de ajuste de $\chi^2/N_{dat} = 1.01$ . Los principales hallazgos incluyen:

Impacto de los Datos de SIDIS en el Ancho de la TMD: La inclusión de datos de SIDIS conduce a TMD PDF no polarizadas más anchas en comparación con una extracción de NN de solo DY (NNDY). Este efecto de ensanchamiento es consistente con las observaciones en modelos de parametrización tradicional (por ejemplo, MAP22).
Cuantificación de la Incertidumbre: Las incertidumbres asociadas con la extracción global de NN se reducen en relación con el caso de solo DY, pero siguen siendo mayores que las obtenidas utilizando modelos tradicionales (MAP22). Los autores interpretan esto como evidencia de que la mayor flexibilidad de la parametrización de la NN permite una evaluación más robusta y realista de las incertidumbres, evitando el estrechamiento artificial que suele verse en formas funcionales rígidas.
Núcleo de Collins-Soper: El núcleo de Collins-Soper (dimensión anómala de evolución de la rapidez) extraído del análisis global de NN muestra un buen acuerdo con la extracción NNDY y los cálculos de QCD en el retículo (lattice QCD). Notablemente, a valores grandes de $b_T$ , el resultado es menor que la extracción NNDY, lo cual es consistente con las TMD PDF más anchas observadas en el espacio de momentos.
Consistencia de los Datos: Los resultados indican que no existen tensiones significativas entre los datos de DY y SIDIS con respecto a la extracción de la evolución no perturbativa de la TMD.

Significancia
El artículo demuestra el potencial de las parametrizaciones flexibles de redes neuronales para reducir la dependencia del modelo en los análisis globales de TMD. Al incorporar con éxito datos de SIDIS junto con datos de DY a una precisión N3LL, el estudio proporciona una restricción más completa sobre las distribuciones de TMD no polarizadas. Estos resultados ofrecen orientación para maximizar el potencial de física de las futuras mediciones de alta precisión en Jefferson Lab (específicamente el experimento SoLID) y el Colisionador de Iones Electrónicos (EIC).