Operator Learning in Lattice QCD: Spectral Reconstruction

Resumen Técnico: Aprendizaje de Operadores en QCD en el Entramado: Reconstrucción Espectral

Planteamiento del Problema
La reconstrucción espectral en la Cromodinámica Cuántica (QCD) en el entramado implica la extracción de densidades espectrales a partir de funciones de correlación euclidianas computadas mediante simulaciones de Monte Carlo. Esta tarea es matemáticamente equivalente a la inversión numérica de una transformada de Laplace, un problema que es notoriamente mal planteado debido al ruido estadístico en los correladores y a la cantidad limitada de puntos de datos disponibles. Si bien métodos como el algoritmo de Hansen-Lupo-Tantalo (HLT) proporcionan soluciones independientes del modelo con incertidumbres controladas, dependen de combinaciones lineales de valores de los correladores. Este enfoque lineal a menudo conduce a un compromiso donde reducir las incertidumbres sistemáticas requiere aceptar grandes incertidumbres estadísticas, particularmente para kernels de suavizado (smearing) con picos agudos. Los enfoques previos de aprendizaje automático (p. ej., Ref. [25]) trataron la reconstrucción espectral como un mapeo de vector a vector, lo que requería el reentrenamiento para cada cambio en las rejillas de tiempo de entrada o en los parámetros de salida, resultando computacionalmente impracticables para aplicaciones fenomenológicas amplias.

Metodología
Este trabajo propone una novedosa estrategia de aprendizaje supervisado basada en el Aprendizaje de Operadores, utilizando específicamente Redes de Operadores Profundos (DeepONets). En lugar de mapear vectores fijos a vectores fijos, el marco propuesto entrena redes neuronales para aproximar el operador $\hat{O}$ que mapea el espacio de las funciones de correlación euclidianas al espacio de las funciones espectrales suavizadas.

• Arquitectura: El método emplea una estructura DeepONet que consta de dos redes neuronales independientes:
  • Una Red de Rama (Branch Net) que codifica el correlador euclidiano de entrada (representado como un vector en una rejilla fija de tiempos euclidianos) en una representación latente.
  • Una Red de Tronco (Trunk Net) que codifica el dominio de la salida (energía $E$ y parámetro de suavizado $\sigma$) en una representación latente correspondiente.
  • La predicción final es el producto punto de estos dos vectores latentes, lo que permite la evaluación continua de la densidad espectral en cualquier $(E, \sigma)$ sin necesidad de reentrenamiento.
• Generación de Datos de Entrenamiento: Las redes se entrenan con datos ficticios (mock data) generados a partir de un Proceso Gaussiano (GP). El GP se construye con una función media que corresponde a la contribución de dos partículas del modelo $\sigma$ no lineal $O(3)$ y un kernel de covarianza que permite variaciones suaves por encima del umbral de cuatro partículas. Esto incorpora conocimiento físico previo manteniendo un amplio espacio de funciones admisibles.
• Cuantificación de la Incertidumbre: Para abordar la incertidumbre sistemática inherente a las aproximaciones de redes neuronales, los autores utilizan un ensamble de 15 redes entrenadas de forma independiente con arquitecturas variables (profundidad, anchura) y tamaños de conjunto de entrenamiento distintos.
  • Incertidumbre Sistemática: Se estima mediante la dispersión ponderada de las predicciones del ensamble, donde se asignan pesos basados en la pérdida de validación mínima de cada red.
  • Incertidumbre Estadística: Se estima mediante el remuestreo de bootstrap de los correladores de entrada.
  • Sesgo Global: Se corrige evaluando la diferencia media entre las predicciones y los valores reales en un conjunto separado de datos ficticios.
• Manejo de Ruido: Los conjuntos de entrenamiento incluyen ruido inyectado en los correladores ficticos para que coincidan con las relaciones ruido-señal de los ensambles de red reales (específicamente los ensambles A1–A4, B1 y B2 de la Ref. [4]).

Contribuciones Clave

1. Primera Aplicación de DeepONets en QCD en el Entramado: Este trabajo introduce la arquitectura DeepONet en el campo, demostrando su capacidad para aprender el mapeo del operador de correladores euclidianos a densidades espectrales suavizadas.
2. Superación de las Limitaciones de Reentrenamiento: Al tratar el problema como un aprendizaje de operador, el método permite realizar predicciones sobre correladores definidos en diferentes rejillas temporales o para diferentes parámetros de salida sin reentrenar la red, lo que representa una mejora significativa respecto a los enfoques previos de ML de vector a vector.
3. Estimación Robusta de la Incertidumbre: El artículo establece un procedimiento riguroso para estimar las incertidumbres sistemáticas utilizando ensambles de redes neuronales, validado mediante pruebas de clausura en datos ficticios no vistos.
4. Validación de Referencia (Benchmark): La estrategia se aplica al modelo $\sigma$ no lineal $O(3)$ en 1+1 dimensiones, un sistema de referencia con una densidad espectral analítica conocida. El método reconstruye con éxito la tasa inclusiva por encima del umbral de cuatro partículas hasta altas energías.

Resultados
La estrategia propuesta fue validada tanto en datos ficticios como en correladores de red reales de la Ref. [4].

• Pruebas de Clausura: En datos ficticios no vistos, el método demostró que la incertidumbre total estimada (combinando errores estadísticos y sistemáticos) es conservadora, con la distribución de "pull" (desviación de la verdad normalizada por el error) consistente con las expectativas gaussianas.
• Aplicación en el Entramado: El método se aplicó para reconstruir la densidad espectral del modelo $O(3)$. El resultado final, obtenido tras realizar los límites de volumen infinito, continuo y $\sigma \to 0$, está en excelente acuerdo con la densidad espectral analítica exacta.
• Comparación con HLT: Comparado con el método de vanguardia HLT (Ref. [4]), la estrategia basada en DeepONet exhibe una reducción significativa en la incertidumbre total. La determinación final logra una incertidumbre relativa de aproximadamente el 2% para energías $E < 20m$, aumentando a cerca del 9% a energías más altas. El presupuesto de error muestra que las incertidumbres estadística, de reconstrucción, de tamaño finito y de continuo contribuyen en niveles comparables, sin que una sola fuente domine.

Significancia y Reivindicaciones
Los autores afirman que este trabajo demuestra el potencial de las DeepONets para proporcionar un enfoque más potente para la extracción de información espectral en simulaciones de QCD en el entramado en comparación con los métodos tradicionales de regularización lineal. El método recupera con éxito la densidad espectral analítica conocida con mayor precisión que el algoritmo HLT.

El artículo mantiene un tono modesto respecto a su aplicabilidad general. Si bien los resultados son prometedores, los autores declaran explícitamente que la medida en que la reducción observada de la incertidumbre persiste en ausencia del conocimiento físico previo específico (la función media del GP basada en el modelo $O(3)$) "queda por cuantificar". Señalan que la estrategia es naturalmente extensible a observables más relevantes desde el punto de vista fenomenológico y a otras operaciones en la teoría de campos en el entramado, pero la validación actual está estrictamente limitada al benchmark del modelo $O(3)$. El trabajo no pretende resolver el problema de la reconstrucción espectral para sistemas físicos arbitrarios y desconocidos sin restricciones previas, sino que establece una prueba de concepto para un nuevo paradigma basado en el aprendizaje de operadores que supera a los benchmarks existentes en un entorno controlado.