Tackling inverse problems for PDFs from lattice QCD

Cette présentation de lancement pour la conférence Baryons 2025 fait le lien entre les récents progrès de l'extraction des fonctions de distribution de partons en QCD sur réseau et les efforts de longue date visant à résoudre le problème inverse de la reconstruction des fonctions spectrales.

L'essentiel

🕵️‍♂️ Le Grand Détective : Retrouver les pièces d'un puzzle invisible

Imaginez que vous essayez de comprendre comment est construite une voiture de course (un hadron, comme un proton) en regardant uniquement ses ombres projetées sur un mur, alors que la voiture elle-même est cachée dans le noir. C'est à peu près le défi que rencontrent les physiciens qui étudient la matière à l'échelle la plus petite.

Ce document, présenté par Alexander Rothkopf, explique comment ils tentent de reconstituer la "carte" des pièces qui composent cette voiture : les partons (quarks et gluons). Cette carte s'appelle la Distribution de Partons (PDF).

1. Le Problème : On ne peut pas voir la réalité directement

Pour comprendre comment les particules bougent à l'intérieur d'un proton, les physiciens utilisent une théorie appelée QCD sur réseau. Le problème ? Cette simulation se déroule dans un monde mathématique où le temps est "figé" (comme une photo), alors que la réalité est dynamique (comme une vidéo).

C'est comme si vous vouliez comprendre comment un gâteau monte dans le four, mais vous n'avez le droit de le regarder qu'une seule fois, à travers une fenêtre fermée, et seulement de côté. Vous ne pouvez pas voir le mouvement direct.

Pour obtenir la vraie image (la PDF), les physiciens doivent faire un saut mathématique (une transformation de Fourier inverse) pour passer de cette "photo" statique à la "vidéo" dynamique.

2. L'Ennemi : Le "Problème Inverse" (Le casse-tête impossible)

C'est ici que ça devient difficile. Le document explique que ce saut mathématique est un problème inverse mal posé.

L'analogie du brouillard :
Imaginez que vous essayez de deviner la forme d'un objet caché derrière un brouillard très épais en lançant des balles de tennis contre lui.

• Si vous avez beaucoup de balles et que le brouillard est fin, vous pouvez deviner la forme.
• Mais si vous avez très peu de balles (données limitées) et que le brouillard est très dense (le "bruit" statistique), une toute petite erreur dans votre lancer peut vous faire croire que l'objet est un cube alors qu'il est une sphère.

En physique, cela signifie que si l'on essaie de calculer la carte des partons directement à partir des données imparfaites de l'ordinateur, le résultat explose en erreurs ou devient totalement faux. C'est ce qu'on appelle un problème instable.

3. La Solution : Apporter des "indices" (La Régularisation)

Puisqu'on ne peut pas résoudre le puzzle uniquement avec les données brutes, les physiciens doivent utiliser leur cerveau et leur expérience. Ils doivent ajouter des indices supplémentaires (appelés "informations a priori" ou priors).

C'est comme si, pour deviner la forme de l'objet derrière le brouillard, on vous disait : "L'objet est probablement rond, car c'est un ballon, pas un cube." Cette information aide à filtrer les mauvaises réponses.

Le document compare deux façons de faire ce travail de détective :

• Méthode Quasi-PDF : On essaie de deviner la forme en regardant l'ombre de très près, mais il faut beaucoup d'énergie (vitesse) pour que ça marche.
• Méthode Pseudo-PDF : On nettoie d'abord l'image pour enlever les artefacts, puis on essaie de deviner.

4. Les Outils du Détective : Comment choisir la bonne réponse ?

Le texte passe en revue plusieurs "méthodes" pour résoudre ce casse-tête, en les comparant à des outils de reconstruction d'image :

• La méthode Backus-Gilbert (Le lisseur) : C'est une méthode simple qui essaie de lisser les données. Elle est stable, mais elle a tendance à "écraser" les détails fins. Si le proton a une petite bosse importante, cette méthode risque de la rendre invisible.
• L'Inférence Bayésienne (Le juge prudent) : C'est la méthode la plus populaire. Elle combine les données brutes avec une "croyance de départ" (le modèle).
  • MEM (Maximum Entropy) : C'est comme un artiste qui peint une image en évitant de créer des détails qui ne sont pas dans les données. C'est très stable, mais parfois un peu trop lisse.
  • BR (Bayesian Reconstruction) : C'est un peu plus libre. Il permet plus de détails, mais risque de créer des "fantômes" (des artefacts, comme des échos sonores) si les données sont trop pauvres.
• Les Réseaux de Neurones (L'IA) : On utilise une intelligence artificielle pour apprendre à reconnaître la forme du proton. C'est très puissant, mais il faut faire attention à ne pas "apprendre par cœur" le bruit au lieu de la réalité.

5. Leçon du jour : Travailler ensemble

Le message final de l'auteur est un appel à la collaboration.
Il y a deux groupes de physiciens :

1. Ceux qui étudient les protons à température normale (0 Kelvin).
2. Ceux qui étudient la matière dans des conditions extrêmes (comme dans les étoiles à neutrons ou juste après le Big Bang), où ils doivent aussi reconstituer des images floues à partir de données brutes.

Ces deux groupes font exactement le même type de casse-tête mathématique ! Les experts du groupe "conditions extrêmes" ont déjà développé des outils très sophistiqués pour gérer le bruit et les erreurs. Le document suggère que les experts des protons devraient emprunter ces outils pour mieux reconstruire la carte des partons.

En résumé

Ce papier dit : "Reconstruire la structure interne des protons à partir de simulations d'ordinateur est un casse-tête mathématique très difficile et instable. Pour le résoudre, nous ne pouvons pas nous fier uniquement aux données brutes. Nous devons utiliser des méthodes statistiques intelligentes (comme le Bayésien) et des indices de la physique connue pour guider notre reconstruction, tout en étant très honnêtes sur les erreurs possibles."

C'est un travail de détective qui demande de la rigueur, de la créativité et de l'entraide entre différentes communautés scientifiques.

Résumé technique

1. Le Problème : Extraction des Fonctions de Distribution de Partons (PDF) en QCD sur Réseau

L'objectif central de l'article est de résoudre le problème inverse complexe consistant à extraire les Fonctions de Distribution de Partons (PDF) à partir de simulations de Chromodynamique Quantique (QCD) sur réseau.

• Contexte physique : Les PDF sont essentielles pour comprendre la structure des hadrons et interpréter les données des collisionneurs (LHC, futur EIC). Elles décrivent la probabilité de trouver un parton avec une fraction d'impulsion $x$ dans un nucléon.
• La contrainte fondamentale : Les simulations QCD sur réseau sont effectuées en temps euclidien, ce qui rend l'accès direct aux corrélations sur le cône de lumière (nécessaires pour définir les PDF physiques) impossible.
• L'approche actuelle : Pour contourner cela, deux méthodes efficaces ont été développées :
  1. Quasi-PDF : Utilisation de vecteurs d'espace-temps de type espace (ex: $z = (0,0,0,z_3)$) et transformation de Fourier inverse par rapport au temps d'Ioffe $\nu$.
  2. Pseudo-PDF : Utilisation du rapport de matrices d'éléments pour éliminer les divergences UV, suivi d'une transformation de Fourier pour obtenir la PDF physique.
• Le cœur du problème inverse : Dans les deux cas, l'extraction de la PDF $f(x)$ nécessite une transformation de Fourier inverse d'une fonction mesurée $M(\nu)$ (matrice d'éléments) définie sur le temps d'Ioffe.
  • Si l'accès à la zone de Brillouin (l'intervalle complet des temps d'Ioffe possibles) est complet, le problème est bien posé.
  • Réalité des simulations : L'accès est limité (temps d'Ioffe $\nu$ restreint par la taille du réseau et les impulsions accessibles). Cela transforme le problème en un problème inverse mal posé (au sens de Hadamard) : la solution n'est pas unique et est extrêmement sensible au bruit statistique des données (amplification exponentielle du bruit).

2. Méthodologie et Stratégies de Régularisation

L'auteur souligne que pour obtenir une solution unique à un problème mal posé, il est impératif d'introduire une régularisation, c'est-à-dire d'intégrer des informations a priori sur le système.

L'article compare et évalue plusieurs approches de reconstruction :

A. Méthodes Linéaires

• Méthode de Backus-Gilbert (BG) : Elle cherche une combinaison linéaire des données pour reconstruire la fonction.
  • Limite : Elle ne reproduit pas nécessairement les données d'entrée et lisse artificiellement les structures (pics), ce qui est problématique pour les PDF qui peuvent avoir des comportements complexes.
  • Amélioration : L'utilisation d'un "préconditionnement" (ajustement préalable avec un modèle phénoménologique) améliore les résultats mais reste limitée dans la région des petits $x$.

B. Méthodes Bayésiennes (Non-linéaires)

Ces méthodes maximisent la probabilité a posteriori $P[f|Q, I] \propto P[Q|f, I] \times P[f|I]$, où le terme de probabilité a priori $P[f|I]$ agit comme régularisateur.

• Maximum Entropy Method (MEM) : Utilise l'entropie de Shannon-Jaynes comme régularisateur. Il favorise la solution la plus "lisse" compatible avec les données.
  • Avantage : Très stable, évite les oscillations artificielles (ringing).
  • Inconvénient : Peut lisser excessivement les structures physiques réelles si les données sont peu nombreuses.
• Bayesian Reconstruction (BR) : Utilise un fonctionnel de régularisation basé sur la distribution Gamma, favorisant la régularité de la fonction.
  • Avantage : Moins contraignant que le MEM, permet des structures plus fines.
  • Inconvénient : Plus sensible aux artefacts de "ringing" (oscillations) lorsque la portée en temps d'Ioffe est courte.

C. Réseaux de Neurones (NN)

• Utilisation de réseaux de neurones comme base de fonctions expressive pour modéliser la PDF.
• La régularisation est intégrée via la fonction de perte (training functional), souvent sous forme de régularisation de type Tikhonov (pénalisation des poids). Cela équivaut à une inférence bayésienne avec un prior spécifique.

3. Résultats Clés (Étude de Benchmark)

L'auteur a comparé ces méthodes sur des PDF factices (mock PDFs) générées à partir de modèles phénoménologiques, converties en données de temps d'Ioffe avec un bruit statistique réaliste et une portée limitée ($\nu_{max} = 10$).

• Scénarios testés :
  • Modèle A : Croissance monotone vers les petits $x$.
  • Modèle B : Croissance suivie d'une décroissance vers zéro à l'origine (comportement attendu par la phénoménologie).
• Performances observées :
  • Backus-Gilbert : Sans préconditionnement, échoue à capturer les pics. Avec préconditionnement, s'améliore mais sous-estime encore les incertitudes dans la région des petits $x$.
  • MEM : Produit une excellente reproduction des deux modèles, même avec peu de points de données (12 points). Sa propriété de lissage stabilise la reconstruction et évite les oscillations parasites, bien qu'il puisse masquer des détails fins.
  • BR : Excellent pour le Modèle A, mais souffre d'artefacts de "ringing" significatifs pour le Modèle B (qui a une structure plus complexe) avec la même portée limitée. L'extension de la portée en temps d'Ioffe améliore considérablement les résultats BR.
• Gestion des incertitudes : Les approches bayésiennes permettent de quantifier explicitement deux sources d'incertitude :
  1. L'erreur statistique des données (via le Jackknife ou le rééchantillonnage).
  2. L'incertitude liée au choix du modèle a priori (en variant le modèle par défaut $m(x)$).

4. Contributions et Signification

• Pont entre communautés : L'article établit un lien fort entre la communauté travaillant sur les PDF à température nulle ($T=0$) et celle travaillant sur la reconstruction des fonctions spectrales de hadrons à température finie ($T>0$). Les deux domaines font face au même problème inverse mal posé.
• Validation des méthodes existantes : Il démontre que les méthodes éprouvées pour les fonctions spectrales (MEM, BR) sont directement applicables et performantes pour l'extraction des PDF en QCD sur réseau.
• Importance de la régularisation : Il met en évidence qu'il n'existe pas de solution "nue" aux données. La qualité de la reconstruction dépend crucialement de la qualité des données d'entrée (portée en temps d'Ioffe) et de la stratégie de régularisation choisie.
• Perspective future : L'auteur encourage une collaboration accrue pour partager les techniques d'analyse d'incertitudes et de régularisation, soulignant que l'amélioration de la qualité des données (réseaux plus grands, impulsions plus élevées) couplée à une meilleure compréhension des effets de régularisation est la clé pour obtenir des PDF fiables, notamment pour les quantités difficiles comme la PDF des gluons.

En conclusion, ce travail fournit une feuille de route technique pour transformer les données brutes de la QCD sur réseau en PDF physiques fiables, en insistant sur la nécessité d'une approche bayésienne rigoureuse pour gérer les incertitudes inhérentes à ce problème inverse.