Operator Learning in Lattice QCD: Spectral Reconstruction

Résumé Technique : Apprentissage d'Opérateurs en QCD sur Réseau : Reconstruction Spectrale

Énoncé du Problème
La reconstruction spectrale en QCD sur réseau (Lattice QCD) consiste à extraire des densités spectrales à partir de fonctions de corrélation euclidiennes calculées via des simulations de Monte Carlo. Cette tâche est mathématiquement équivalente à l'inversion numérique d'une transformée de Laplace, un problème notoirement mal posé en raison du bruit statistique dans les corrélateurs et du nombre limité de points de données disponibles. Bien que des méthodes telles que l'algorithme de Hansen-Lupo-Tantalo (HLT) fournissent des solutions indépendantes du modèle avec des incertitudes contrôlées, elles reposent sur des combinaisons linéaires de valeurs de corrélateurs. Cette approche linéaire entraîne souvent un compromis où la réduction des incertitudes systématiques nécessite d'accepter de grandes incertitudes statistiques, particulièrement pour les noyaux de lissage (smearing kernels) à pics étroits. Les approches précédentes par apprentissage automatique (par exemple, la Réf. [25]) traitaient la reconstruction spectrale comme une application de vecteur à vecteur, nécessitant un réentraînement pour chaque changement de grille de temps euclidien ou de paramètres de sortie, ce qui les rendait pratiquement impossibles à utiliser pour de larges applications phénoménologiques.

Méthodologie
Ce travail propose une nouvelle stratégie d'apprentissage supervisé basée sur l'Apprentissage d'Opérateurs, utilisant spécifiquement les Réseaux de Neurones Profonds d'Opérateurs (DeepONets). Au lieu de cartographier des vecteurs fixes vers des vecteurs fixes, le cadre proposé entraîne des réseaux de neurones pour approximer l'opérateur $\hat{O}$ qui fait correspondre l'espace des fonctions de corrélation euclidiennes à l'espace des fonctions spectrales lissées.

• Architecture : La méthode emploie une structure DeepONet composée de deux réseaux de neurones indépendants :
  • Un Réseau Branche (Branch Net) qui encode le corrélateur euclidien d'entrée (représenté comme un vecteur sur une grille fixe de tempss euclidiens) en une représentation latente.
  • Un Réseau Tronc (Trunk Net) qui encode le domaine de la sortie (énergie $E$ et paramètre de lissage $\sigma$) en une représentation latente correspondante.
  • La prédiction finale est le produit scalaire de ces deux vecteurs latents, permettant une évaluation continue de la densité spectrale pour n'importe quel $(E, \sigma)$ sans réentraînement.
• Génération de Données d'Entraînement : Les réseaux sont entraînés sur des données fictives (mock data) générées par un Processus Gaussien (GP). Le GP est construit avec une fonction moyenne correspondant à la contribution de deux particules du modèle $\sigma$ non linéaire $O(3)$ et un noyau de covariance permettant des variations fluides au-dessus du seuil de quatre particules. Cela incorpore des connaissances physiques préalables tout en maintenant un espace large de fonctions admissibles.
• Quantification de l'Incertitude : Pour traiter l'incertitude systématique inhérente aux approximations par réseaux de neurones, les auteurs utilisent un ensemble de 15 réseaux entraînés indépendamment avec des architectures variées (profondeur, largeur) et des tailles de jeux d'entraînement différentes.
  • Incertitude Systématique : Estimée via l'écart pondéré des prédictions de l'ensemble, où des poids sont attribués en fonction de la perte de validation minimale de chaque réseau.
  • Incertitude Statistique : Estimée via un rééchantillonnage par bootstrap des corrélateurs d'entrée.
  • Biais Global : Corrigé en évaluant la différence moyenne entre les prédictions et les valeurs réelles sur un ensemble distinct de données fictives.
• Gestion du Bruit : Les ensembles d'entraînement incluent du bruit injecté dans les corrélateurs fictifs pour correspondre aux rapports bruit/signal des ensembles de réseaux réels (spécifiquement les ensembles A1–A4, B1 et B2 de la Réf. [4]).

Contributions Clés

1. Première Application des DeepONets en QCD sur Réseau : Ce travail introduit l'architecture DeepONet dans le domaine, démontrant sa capacité à apprendre la correspondance de l'opérateur entre les corrélateurs euclidiens et les densités spectrales lissées.
2. Surmonter les Limitations de Réentraînement : En traitant le problème comme un apprentissage d'opérateur, la méthode permet des prédictions sur des corrélateurs définis sur différentes grilles temporelles ou pour différents paramètres de sortie sans réentraînement, une amélioration significative par rapport aux approches d'apprentissage automatique de type vecteur-à-vecteur.
3. Estimation Robuste de l'Incertitude : Le papier établit une procédure rigoureuse pour estimer les incertitudes systématiques en utilisant des ensembles de réseaux de neurones, validée par des tests de clôture sur des données fictives inédites.
4. Validation par Benchmark : La stratégie est appliquée au modèle $\sigma$ non linéaire $O(3)$ en 1+1 dimensions, un système de référence possédant une densité spectrale analytique connue. La méthode reconstruit avec succès le taux inclusif au-dessus du seuil de quatre particules jusqu'à des énergies élevées.

Résultats
La stratégie proposée a été validée à la fois sur des données fictives et sur de réels corrélateurs de réseau issus de la Réf. [4].

• Tests de Clôture : Sur des données fictives inédites, la méthode a démontré que l'incertitude totale estimée (combinant les erreurs statistiques et systématiques) est conservatrice, avec une distribution de "pull" (écart par rapport à la vérité normalisé par l'erreur) cohérente avec les attentes gaussiennes.
• Application au Réseau : La méthode a été appliquée pour reconstruire la densité spectrale du modèle $O(3)$. Le résultat final, obtenu après avoir effectué les limites de volume infini, de continuum et de $\sigma \to 0$, est en excellent accord avec la densité spectrale analytique exacte.
• Comparaison avec HLT : Comparée à la méthode de pointe HLT (Réf. [4]), la stratégie basée sur DeepONet présente une réduction significative de l'incertitude totale. La détermination finale atteint une incertitude relative d'environ 2 % pour les énergies $E < 20m$, montant à environ 9 % à des énergies plus élevées. Le budget d'erreur montre que les incertitudes statistiques, de reconstruction, de taille finie et de continuum contribuent à des niveaux comparables, aucune source unique ne dominant.

Signification et Revendications
Les auteurs affirment que ce travail démontre le potentiel des DeepONets pour fournir une approche plus puissante d'extraction d'informations spectrales dans les simulations de QCD sur réseau par rapport aux méthodes traditionnelles de régularisation linéaire. La méthode reconstruit avec succès la densité spectrale analytique connue avec une précision supérieure à l'algorithme HLT.

Le papier maintient un ton modeste concernant sa large applicabilité. Bien que les résultats soient prometteurs, les auteurs précisent explicitement que la mesure dans laquelle la réduction d'incertitude observée persiste en l'absence des connaissances physiques préalables spécifiques (la fonction moyenne du GP basée sur le modèle $O(3)$) « reste à quantifier ». Ils notent que la stratégie est naturellement extensible à des observables plus pertinentes sur le plan phénoménologique et à d'autres opérations dans la théorie des champs sur réseau, mais que la validation actuelle est strictement limitée au benchmark du modèle $O(3)$. Le travail ne prétend pas résoudre le problème de la reconstruction spectrale pour des systèmes physiques arbitraires et inconnus sans contraintes préalables, mais établit une preuve de concept pour un nouveau paradigme basé sur l'apprentissage d'opérateurs qui surpasse les références existantes dans un cadre contrôlé.