⚛️ nuclear theory

AI-assisted modeling and Bayesian inference of unpolarized quark transverse momentum distributions from Drell-Yan data

यह शोध पत्र ${\rm N^3LO}$ और ${\rm N^4LL}$ सटीकता पर ड्रेल-यान (Drell-Yan) डेटा का उपयोग करते हुए, अनपोलराइज्ड क्वार्क ट्रांसवर्स-मोमेंटम-डिपेंडेंट पार्टोन वितरण फलनों (parton distribution functions) का एक वैश्विक बेयसियन विश्लेषण प्रस्तुत करता है, जो कुशल मार्कोव चेन मोंटे कार्लो सैंपलिंग को सक्षम करने और अनिश्चितताओं को मापने के लिए एआई-संचालित कार्यात्मक रूप चयन और मशीन-लर्निंग एम्युलेटर्स का लाभ उठाता है।

मूल लेखक: Zhong-Bo Kang, Luke Sellers, Congyue Zhang, Curtis Zhou

प्रकाशित 2026-04-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zhong-Bo Kang, Luke Sellers, Congyue Zhang, Curtis Zhou

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

बड़ी तस्वीर: अदृश्य प्रोटॉन का मानचित्रण

कल्पना कीजिए कि प्रोटॉन (परमाणु के नाभिक के भीतर का छोटा कण) कोई ठोस संगमरमर नहीं है, बल्कि एक व्यस्त, अराजक शहर है जो क्वार्क और ग्लूऑन जैसे छोटे कणों से भरा हुआ है।

लंबे समय से, भौतिकविदों के पास इस शहर का एक बहुत अच्छा नक्शा है जो यह दिखाता है कि यातायात आगे और पीछे (अनुदैर्ध्य गति - longitudinal motion) कैसे चलता है। लेकिन उनके पास नक्शे का एक महत्वपूर्ण हिस्सा गायब था: यातायात अगल-बगल में कैसे मुड़ता है (पार्श्व गति - transverse motion)। इस अगल-बगल की गति को "ट्रांसवर्स मोमेंटम" कहा जाता है।

यह शोध पत्र उस अगल-बगल के मुड़ने की एक हाई-डेफिनिशन, 3D मैपिंग बनाने के बारे में है। लेखकों ने इस सटीक जानकारी का पता लगाने के लिए कि ये क्वार्क वास्तव में कैसे चलते हैं, बड़े कण टकरावों (जैसे ड्रे-यान प्रक्रिया, जहाँ कण आपस में टकराते हैं और लेप्टॉन के जोड़े बनाते हैं) के डेटा का उपयोग किया।

नया टूलकिट: आर्किटेक्ट और स्पीडस्टर के रूप में AI

लेखकों ने केवल नंबरों की गणना नहीं की; उन्होंने समस्याओं को हल करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का दो चतुर तरीकों से उपयोग किया, जो आमतौर पर मनुष्यों के लिए अकेले करना बहुत कठिन होता है।

1. AI आर्किटेक्ट (नक्शा डिजाइन करना)

आमतौर पर, जब वैज्ञानिक ऐसी चीज़ को मैप करने की कोशिश करते हैं जिसे वे सीधे नहीं देख सकते, तो उन्हें उस वक्र (curve) के आकार का अनुमान लगाना पड़ता है जो डेटा में फिट बैठता है। यह कागज के एक टुकड़े पर बिखरे हुए बिंदुओं के माध्यम से एक चिकनी रेखा खींचने की कोशिश करने जैसा है।

पुराना तरीका: एक इंसान एक आकार का अनुमान लगाता (शायद एक वक्र, या एक लहर), उसे खींचता, और देखता कि क्या वह फिट बैठता है। यदि नहीं, तो वे एक अलग आकार आज़माते। यह धीमा था और इस बात से प्रभावित था कि मानव सोचता था कि आकार कैसा होना चाहिए।
नया तरीका (यह शोध पत्र): लेखकों ने एक आर्किटेक्ट के रूप में एक AI एजेंट का उपयोग किया। उन्होंने AI को बताया, "ये भौतिकी के नियम हैं (बिल्डिंग कोड)। अब, उस वक्र के लिए 100 अलग-अलग ब्लूप्रिंट डिज़ाइन करो जो हमारे डेटा में सबसे अच्छी तरह फिट बैठता हो।" AI ने स्वचालित रूप से सैकड़ों गणितीय आकारों को जेनरेट किया, टेस्ट किया और रैंक किया। इसने एक इंसान की तुलना में बहुत तेज़ी से और अधिक रचनात्मकता के साथ सबसे अच्छा डिज़ाइन खोज लिया, जिससे यह सुनिश्चित हुआ कि वे किसी बेहतर आकार को केवल इसलिए न चूक जाएं क्योंकि वह "अजीब" दिखता था।

2. AI स्पीडस्टर (इम्युलेटर)

एक बार जब उनके पास सबसे अच्छा डिज़ाइन आ गया, तो उन्हें हजारों डेटा पॉइंट्स के विरुद्ध इसका परीक्षण करने की आवश्यकता थी।

समस्या: प्रत्येक डेटा पॉइंट के लिए भौतिकी की गणना करना हर बार केक बनाने जैसा है जब आप यह जांचना चाहते हैं कि फ्रॉस्टिंग कैसी है। इसमें बहुत समय लगता है। यदि आपको इसे दस लाख बार जांचने की आवश्यकता है (जो सांख्यिकी में होता है), तो आप वर्षों तक केक बना रहे होंगे।
समाधान: उन्होंने एक मशीन लर्निंग इम्युलेटर को प्रशिक्षित किया। इसे एक सुपर-फास्ट फूड क्रिटिक के रूप में सोचें जिसने दस लाख केक चखे हैं। पूरी भौतिकी गणना (केक बनाना) करने के बजाय, क्रिटिक सामग्री को देखता है और तुरंत कहता है, "इसका स्वाद 9.5/10 होगा।"
इस "इम्युलेटर" ने इनपुट और परिणामों के बीच के संबंध को इतनी अच्छी तरह से सीखा कि यह सेकंडों में परिणाम की भविष्यवाणी कर सकता था। इसने वैज्ञानिकों को वर्षों के बजाय दिनों में अपने जटिल सांख्यिकीय परीक्षण चलाने की अनुमति दी।

जासूसी कार्य: अनिश्चितता को मापने के दो तरीके

यह शोध पत्र यह मापने के दो अलग-अलग तरीकों की तुलना करता है कि वे अपने नक्शे के बारे में कितने "निश्चित" हैं।

"क्लोन आर्मी" विधि (रेप्लिका विश्लेषण):
कल्पना कीजिए कि आपके पास संदिग्ध की एक धुंधली फोटो है। यह पता लगाने के लिए कि वह कौन है, आप फोटो के 100 थोड़े अलग संस्करण बनाते हैं (पिक्सेल में रैंडम शोर जोड़कर) और 100 अलग-अलग जासूसों से व्यक्ति को पहचानने के लिए कहते हैं। यदि 95 कहते हैं कि "यह बॉब है," तो आप काफी आश्वस्त हैं कि यह बॉब है। यह भौतिकी में उपयोग किया जाने वाला पारंपरिक तरीका है।
"बायेसियन डिटेक्टिव" विधि (बायेसियन इन्फरेंस):
यह एक अधिक आधुनिक, संभाव्य दृष्टिकोण है। फोटो के क्लोन बनाने के बजाय, जासूस एक "अंतर्ज्ञान" (prior belief) के साथ शुरू करता है कि संदिग्ध कौन हो सकता है। जैसे-जैसे वे सबूत देखते हैं, वे गणितीय रूप से अपने विश्वास को अपडेट करते हैं। यह एक जासूस की तरह है जो कहता है, "मुझे लगा था कि यह बॉब है, लेकिन नए सबूतों ने मुझे 90% आश्वस्त कर दिया है कि यह बॉब है, जिसमें 10% संभावना चार्ली की है।"

परिणाम: लेखकों ने पाया कि दोनों विधियाँ इस बात पर सहमत थीं कि संदिग्ध कौन था (नक्शे के केंद्रीय मान समान थे)। हालाँकि, बायेसियन विधि ने "शायद" की एक थोड़ी व्यापक सीमा (बड़ा अनिश्चितता बैंड) दी। यह वास्तव में अच्छी खबर है! इसका मतलब है कि बायेसियन विधि अज्ञात चीजों के बारे में अधिक ईमानदार हो रही है, बजाय इसके कि वह उतना निश्चित होने का दिखावा करे जितना डेटा अनुमति नहीं देता।

निष्कर्ष: उन्होंने क्या सीखा?

"स्वर्व" (Swerve) वास्तविक है: उन्होंने सफलतापूर्वक मैप किया कि क्वार्क अगल-बगल कैसे चलते हैं।
"कोलिन्स-सोपर कर्नेल" (Collins-Soper Kernel): यह उस "इंजन" का एक फैंसी नाम है जो यह संचालित करता है कि टक्कर की ऊर्जा बदलने के साथ क्वार्क की गति कैसे बदलती है। उनका नया इंजन मैप हाल की अन्य खोजों (जैसे इलेक्ट्रॉन-एनर्जी कोरिलेटर) और यहाँ तक कि सुपरकंप्यूटर सिमुलेशन (लैटिस QCD) के साथ भी बहुत अच्छी तरह मेल खाता है।
निरंतरता: चाहे उन्होंने "क्लोन आर्मी" का उपयोग किया हो या "बायेसियन डिटेक्टिव" का, प्रोटॉन के आंतरिक भाग की अंतिम तस्वीर बहुत समान दिखी।

यह क्यों मायने रखता है?

प्रोटॉन को एक जटिल मशीन के रूप में सोचें। यदि आप एक बेहतर इंजन बनाना चाहते हैं (या ब्रह्मांड के मौलिक बलों को समझना चाहते हैं), तो आपको यह जानने की आवश्यकता है कि हर गियर ठीक से कैसे घूमता है।

AI का उपयोग करके सर्वोत्तम गणितीय मॉडल डिजाइन करने और गणनाओं को तेज़ करने के माध्यम से, यह शोध पत्र प्रोटॉन के भीतर क्वार्क कैसे चलते हैं, इसका अब तक का सबसे सटीक मानचित्र प्रदान करता है। यह यह भी सिद्ध करता है कि AI और बायेसियन सांख्यिकी शक्तिशाली नए उपकरण हैं जो उन समस्याओं को हल करने के लिए मिलकर काम कर सकते हैं जो पहले बहुत कठिन या बहुत धीमी थीं।

संक्षेप में: उन्होंने सबसे अच्छा संभव नक्शा डिजाइन करने के लिए AI का उपयोग किया, उसे जल्दी से बनाने के लिए एक डिजिटल "स्पीडस्टर" का उपयोग किया, और अपने नक्शे की सटीकता को मापने के दो अलग-अलग तरीकों की तुलना की ताकि यह सुनिश्चित हो सके कि यह विश्वसनीय है। परिणाम हमारे ब्रह्मांड के निर्माण खंडों की एक स्पष्ट और अधिक ईमानदार तस्वीर है।

यहाँ शोध पत्र "AI-assisted modeling and Bayesian inference of unpolarized quark transverse momentum distributions from Drell–Yan data" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र ड्रे-यान (Drell–Yan - DY) डेटा से विश्वसनीय अनिश्चितता मात्रा निर्धारण (uncertainty quantification) के साथ अनपोलराइज्ड क्वार्क ट्रांसवर्स-मोमेंटम-डिपेंडेंट पार्टन डिस्ट्रीब्यूशन फंक्शन्स (TMD PDFs) निकालने की चुनौती को संबोधित करता है।

संदर्भ: TMD PDFs प्रोटॉन की 3D मोमेंटम संरचना का वर्णन करते हैं। जबकि सैद्धांतिक पर्टर्बेटिव QCD (pQCD) घटक उच्च सटीकता (N3LO + N4LL resummation) तक पहुँच चुके हैं, नॉन-पर्टर्बेटिव क्षेत्र (बड़े ट्रांसवर्स दूरियों) के लिए फेनोमेनोलॉजिकल मॉडलिंग की आवश्यकता है।
अंतराल (The Gap): पारंपरिक निष्कर्षण अनिश्चितता अनुमान के लिए काफी हद तक मोंटे कार्लो रेप्लिका विधि (Monte Carlo replica method) पर निर्भर करते हैं। हालांकि यह सुदृढ़ है, लेकिन यह विधि गणनात्मक रूप से गहन है और इसमें बेयसियन इन्फरेंस (Bayesian inference) के स्पष्ट संभाव्यता ढांचे (probabilistic framework) का अभाव है। इसके अलावा, नॉन-पर्टर्बेटिव मापदंडों के लिए कार्यात्मक रूपों (functional forms) का चयन अक्सर व्यक्तिपरक या मैन्युअल अन्वेषण द्वारा सीमित होता है।
लक्ष्य: एक बेयसियन इन्फरेंस फ्रेमवर्क का उपयोग करके TMD PDFs का वैश्विक निष्कर्षण करना, जिसमें मॉडल चयन को अनुकूलित करने और गणना को तेज करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) को शामिल किया गया हो, और परिणामी अनिश्चितताओं की मानक रेप्लिका विधि के साथ सीधे तुलना करना।

2. कार्यप्रणाली (Methodology)

लेखकों ने उच्च-क्रम pQCD, AI-संचालित मॉडल चयन और मशीन लर्निंग सरोगेट्स को एकीकृत करने वाला एक परिष्कृत वर्कफ़्लो विकसित किया।

A. सैद्धांतिक ढांचा (Theoretical Framework)

प्रक्रिया: न्यूट्रल-करेंट ड्रे-यान उत्पादन ( $h_1 h_2 \to \ell^+\ell^- X$ )।
सटीकता: गणनाएँ पर्टर्बेटिव QCD में N3LO (Next-to-Next-to-Next-to-Leading Order) और N4LL (Next-to-Next-to-Next-to-Next-to-Leading Logarithmic) resummation के साथ की गई हैं।
फैक्टरइज़ेशन (Factorization): कम $q_T$ क्षेत्र के लिए TMD फैक्टरइज़ेशन का उपयोग करता है। क्रॉस-सेक्शन में हार्ड फंक्शन, पर्टर्बेटिव मैचिंग कोएफिशिएंट्स और नॉन-पर्टर्बेटिव फंक्शन ( $S_{NP}$ के लिए TMD PDF और $D_{NP}$ के लिए कोलिन्स-सोपर कर्नेल) शामिल हैं।
डेटा: विभिन्न ऊर्जाओं (7–13 TeV) पर फिक्स्ड-टारगेट प्रयोगों (E288, E605, E772), RHIC (STAR), टेवैट्रॉन (CDF, D0), और LHC (ATLAS, CMS, LHCb) से प्राप्त 465 डेटा पॉइंट्स का एक वैश्विक डेटासेट।

B. AI-संचालित मॉडल अन्वेषण (AI-Driven Model Exploration) (अनुभाग 4.3)

नॉन-पर्टर्बेटिव कार्यात्मक रूपों को पूर्व-निर्धारित करने के बजाय, लेखकों ने "एंसात्ज़ स्पेस" (ansatz space) का पता लगाने के लिए एक AI एजेंट (OpenAI Codex/GPT-5.4) का उपयोग किया।

वर्कफ़्लो: एजेंट को फेनोमेनोलॉजिकल लक्ष्यों (जैसे फिट की गुणवत्ता, $k_T$ -स्पेस में भौतिक व्यवहार, मापदंड सहसंबंधों से बचना) और भौतिक बाधाओं (जैसे $S_{NP}(b \to 0) = 1$ , $D_{NP}(b \to 0) \sim b^2$ ) के साथ प्रशिक्षित किया गया था।
प्रक्रिया: एजेंट ने नॉन-पर्टर्बेटिव सुडकोव फैक्टर $S_{NP}(x,b)$ और कोलिन्स-सोपर कर्नेल $D_{NP}(b)$ के लिए उम्मीदवार कार्यात्मक रूपों का बार-बार प्रस्ताव दिया, उन्हें फिर से फिट किया और उनका मूल्यांकन किया।
परिणाम: इससे 9 मुक्त मापदंडों (जैसे $S_{NP}(x,b)$ के लिए $\ln x$ में गॉसियन-जैसा विरूपण और $D_{NP}(b)$ के लिए एक विशिष्ट सैचुरेशन प्रोफाइल) वाले एक विशिष्ट पैरामीट्रिज़ेशन के चयन की ओर मार्ग प्रशिर हुआ, जो पारंपरिक रूपों की तुलना में बेहतर पाया गया।

C. बेयसियन इन्फरेंस और ML एमुलेटर (Bayesian Inference & ML Emulator) (अनुभाग 5)

बेयसियन इन्फरेंस के लिए लाइक्लीहुड फंक्शन (likelihood function) का लाखों बार मूल्यांकन करना आवश्यक है, जो सटीक सिद्धांत गणनाओं के साथ गणनात्मक रूप से अत्यधिक कठिन है।

सरोगेट मॉडल: लेखकों ने "व्हाइटनड रेसिडुअल वेक्टर" (सिद्धांत और डेटा के बीच का अंतर, कोवेरिएंस मैट्रिक्स द्वारा सामान्यीकृत) की भविष्यवाणी करने के लिए एक मल्टीलेयर पर्सेप्ट्रॉन (MLP) एमुलेटर को प्रशिक्षित किया।
अनुकूली प्रशिक्षण (Adaptive Training): प्रशिक्षण डेटा उत्पन्न करने के लिए एक AI-संचालित "कंट्रोलर-एक्सेक्यूटर-रिव्यूअर" वर्कफ़्लो का उपयोग किया गया था। कंट्रोलर ने मापदंड स्थान में "कठिन" क्षेत्रों (उच्च त्रुटि वाले) की पहचान की, और एक्सेक्यूटर ने एमुलेटर को पुन: प्रशिक्षित करने के लिए वहां नए ट्रुथ-लेवल डेटा पॉइंट्स उत्पन्न किए, जिससे महत्वपूर्ण स्थानों पर उच्च सटीकता सुनिश्चित हुई।
सैंपलिंग: पोस्टीरियर डिस्ट्रीब्यूशन को एक एफाइन-इनवेरिएंट एन्सेम्बल MCMC सैंपलर (emcee) का उपयोग करके सैंपल किया गया।
मार्जिनलाइजेशन (Marginalization): कोलीनियर PDF अनिश्चितताओं को लाइक्लीहुड फंक्शन के भीतर 100 कोलीनियर PDF रेप्लिका के एक एन्सेम्बल पर मार्जिनलाइज़ करके शामिल किया गया।

D. रेप्लिका विधि के साथ तुलना (Comparison with Replica Method)

प्रत्यक्ष तुलना के लिए एक गैर-बेयसियन नियंत्रण के रूप में एक समानांतर विश्लेषण मानक मोंटे कार्लो रेप्लिका विधि (100 छद्म-डेटा सेट उत्पन्न करना और फिर से फिट करना) का उपयोग करके किया गया।

3. प्रमुख योगदान (Key Contributions)

प्रथम वैश्विक बेयसियन TMD निष्कर्षण: यह पूर्ण बेयसियन इन्फरेंस के पहले अनुप्रयोगों में से एक है, जो अनिश्चितताओं के लिए सीधा संभाव्यता व्याख्या प्रदान करता है।
AI-अनुकूलित नॉन-पर्टर्बेटिव मॉडलिंग: यह प्रदर्शित करता है कि AI एजेंट व्यवस्थित रूप से कार्यात्मक रूपों का अन्वेषण और रैंकिंग कर सकते हैं, जिससे मानवीय पूर्वाग्रह कम होता है और बेहतर फिट गुणवत्ता वाले लचीले पैरामीट्रिज़ेशन की खोज होती है।
ML-त्वरित बेयियन इन्फरेंस: जटिल QCD गणनाओं के लिए एक मशीन लर्निंग एमुलेटर का सफल कार्यान्वयन, जो उच्च सटीकता बनाए रखते हुए गणनात्मक लागत को नाटकीय रूप रूप से कम करता है।
मेथडोलॉजिकल तुलना: एक ही सैद्धांतिक ढांचे के भीतर बेयसियन और रेप्लिका अनिश्चितता अनुमानों के बीच एक कठोर, मात्रात्मक तुलना प्रदान की गई, जो अनिश्चितताओं के प्रसार के तरीके में स्पष्ट संरचनात्मक अंतर प्रकट करती है।

4. परिणाम (Results)

A. फिट की गुणवत्ता और मापदंड (Fit Quality and Parameters)

फिट की गुणवत्ता: दोनों विधियों ने उत्कृष्ट वैश्विक फिट गुणवत्ता प्राप्त की, जिसमें $\chi^2/N \approx 1.02$ (रेप्लिका) और $\chi^2/N \approx 1.03$ (बेयसियन) है।
मापदंड मान: 9 नॉन-पर्टर्बेटिव मापदंडों के केंद्रीय मान आम तौर पर दोनों विधियों के बीच सुसंगत थे, हालांकि वे थोड़े अलग स्थानीय मिनिमा (local minima) से संबंधित थे।
अनिश्चितता संरचना:
- बेयसियन अनिश्चितताएं: रेप्लिका अनिश्चितताओं की तुलना में आमतौर पर अधिक व्यापक थीं (औसतन ~1.23 के कारक से)।
- सहसंबंध (Correlations): सहसंबंध संरचनाएं भिन्न थीं। उदाहरण के लिए, बेयियन विश्लेषण ने आकार (shape) और गॉसियन उपसमूहों के बीच मजबूत परस्पर क्रिया दिखाई, जबकि रेप्लिका विधि ने कोलिन्स-सोपर मापदंडों $c_1$ और $B_{NP}$ के बीच एक मजबूत एंटी-कोरिलेशन दिखाया।
- गॉसियन सीमा: बेयियन पोस्टीरियर को रेप्लिका डिस्ट्रीब्यूशन की तुलना में गॉसियन डिस्ट्रीब्यूशन (हेसियन सन्निकटन) के अधिक करीब पाया गया, जो बताता है कि बेयियन परिणाम बाद के फिटिंग पाइपलाइनों के लिए अधिक मजबूत हो सकते हैं।

B. भौतिक आउटपुट (Physics Outputs)

कोलिन्स-सोपर कर्नेल: निकाला गया कर्नेल $D(b, \mu)$ लैटिस QCD परिणामों (ASWZ24, LPC23) के साथ सुसंगत है और पिछले फेनोमेनोलॉजिकल निष्कर्षणों (ART23, ART25) के बीच में स्थित है। यह बड़े $b$ पर EEC (Energy-Energy Correlator) निष्कर्षण के साथ अच्छा तालमेल दिखाता है।
TMD PDFs: निकाले गए $x$ -डिपेंडेंट TMD PDFs सुचारू (smooth) और धनात्मक हैं। $Q=5$ GeV से $Q=100$ GeV तक का विकास $k_T$ स्पेस में अपेक्षित विस्तार (broadening) दिखाता है।
डेटा तुलना: दोनों विधियाँ डेटा का अच्छा वर्णन करती हैं। मुख्य दृश्य अंतर यह है कि बेयियन भविष्यवाणी बैंड थोड़े अधिक चौड़े हैं, जो अनिश्चितताओं का अधिक रूढ़िवादी अनुमान प्रदान करते हैं, विशेष रूप से छोटे प्रयोगात्मक त्रुटियों वाले सामान्यीकृत कोलाइडर डेटासेट के लिए।

5. महत्व (Significance)

सुदृढ़ अनिश्चितता मात्रा निर्धारण: यह अध्ययन रेखांकित करता है कि जबकि केंद्रीय मान स्थिर हैं, अनिश्चितता की संरचना निष्कर्ष पद्धति पर निर्भर करती है। बेयसियन इन्फरेंस प्रायर्स (priors) को शामिल करने और नज़ूलियंस मापदंडों (जैसे कोलीनियर PDFs) को मार्जिनलाइज़ करने के लिए एक पारदर्शी ढांचा प्रदान करता है।
भविष्य के लिए तैयार (Future-Proofing): विकसित ढांचा अत्यधिक अनुकूलनीय है। इसे आसानी से विषम डेटा स्रोतों (जैसे लैटिस QCD इनपुट) को शामिल किया जा सकता है और यह इलेक्ट्रॉन-आयन कोलाइडर (EIC) जैसे भविष्य के उच्च-परिशुद्धता प्रयोगों के लिए स्केलेबल है।
भौतिकी में AI: यह कार्य न केवल डेटा विश्लेषण के लिए, बल्कि मॉडल डिस्कवरी (सही भौतिक एंसात्ज़ खोजना) और कंप्यूटेशनल त्वरण (एमुलेटर्स) के लिए AI को एकीकृत करने के एक ब्लूप्रिंट के रूप में कार्य करता है, जो सटीक QCD फेनोमेनोलॉजी के लिए एक नया मानक स्थापित करता है।

निष्कर्षतः, यह शोध पत्र सफलतापूर्वक सिद्ध करता है कि AI-सहायता प्राप्त बेयसियन इन्फरेंस, पारंपरिक रेप्लिका विधियों के लिए एक व्यवहार्य, शक्तिशाली और पूरक दृष्टिकोण है, जो TMD PDFs निकालने के लिए गहरी अंतर्दृष्टि और अधिक सुदृढ़ अनिश्चितता मात्रा निर्धारण प्रदान करता है।