TMDs in the Lens of Generative AI: A Pixel-Based Approach to Partonic Imaging

तकनीकी सारांश: जनरेटिव AI के परिप्रेक्ष्य में TMDs

समस्या विवरण
प्रायोगिक डेटा से ट्रांसवर्स मोमेंटम डिपेंडेंट (TMD) पार्टोन डिस्ट्रीब्यूशन फंक्शन्स (PDFs) का निष्कर्षण एक क्लासिक 'इनवर्स प्रॉब्लम' (inverse problem) है। कॉलिन्स-सोपर-स्टर्मन (CSS) फॉर्मलिज्म के भीतर, TMDs को बेसेल (हेंकेल) ट्रांसफॉर्म के माध्यम से अवलोकनीय क्रॉस-सेक्शन्स से जोड़ा जाता है, जिसे गणितीय रूप से प्रथम श्रेणी के फ्रेडहोम इंटीग्रल इक्वेशन (Fredholm integral equation of the first kind) के रूप में तैयार किया गया है। यह समस्या स्वाभाविक रूप से 'इल-पोज़्ड' (ill-posed) है: प्रायोगिक डेटा विविक्त (discrete), सीमित रेंज वाला और सांख्यिकीय अनिश्चितताओं से ग्रस्त होता है। फलस्वरूप, इम्पैक्ट पैरामीटर ($b_T$) स्पेस में अनंत विन्यास (configurations) एक ही अवलोकनीय को त्रुटि मार्जिन के भीतर पुनरुत्पादित कर सकते हैं।

वर्तमान अत्याधुनिक ग्लोबल विश्लेषण आमतौर पर इन समाधानों को नियंत्रित करने के लिए कठोर विश्लेणात्मक कार्यात्मक रूपों या स्पष्ट रेगुलराइजेशन वाले न्यूरल नेटवर्क्स पर निर्भर करते हैं। हालाँकि, ये दृष्टिकोण अक्सर "नल TMDs" (null TMDs)—अर्थात इंटीग्रल ट्रांसफॉर्म के प्रभावी 'नल स्पेस' में रहने वाले कार्यात्मक मोड—के अस्तित्व को औपचारिक रूप से संबोधित करने में विफल रहते हैं। ये मोड डेटा की सीमित मोमेंटम पहुंच के कारण मौलिक रूप से भौतिक अवलोकनों के लिए अदृश्य रहते हैं, फिर भी उन्हें अक्सर चुने गए कार्यात्मक रूप या रेगुलराइजेशन द्वारा अप्रत्यक्ष रूप से बाधित किया जाता है, जिससे 3D पार्टोनिक इमेजिंग में वास्तविक अनिश्चितताओं का कम आकलन होने की संभावना रहती है।

कार्यप्रणाली ढांचा (Methodological Framework)
यह कार्य TMDs के बेयसियन इन्फरेंस (Bayesian inference) और इमेजिंग के लिए एक नॉनपैरामेट्रिक, पिक्सेल-आधारित ढांचे को प्रस्तुत करता है, जिसे हाइब्रिड नॉर्मलाइजिंग फ्लो-संचालित मेट्रोपोलिस-हेस्टिंग्स (NF-MH) दृष्टिकोण के माध्यम से मान्य किया गया है।

1. पिक्सेल-आधारित विवक्तीकरण (Pixel-Based Discretization): एक वैश्विक कार्यात्मक रूप मानने के बजाय, $b_T$ स्पेस में TMD वितरण को नोडल मानों ("पिक्सेल") के एक ग्रिड में विभाजित किया जाता है। निरंतर वितरण का पुनर्निर्माण इन नोड्स पर परिभाषित स्थानीय इंटरपोलेटर्स (लैग्रेंज पॉलीनोमियल्स) का उपयोग करके किया जाता है। यह न्यूनतम ए प्रियोरी (a priori) पूर्वाग्रह के साथ डेटा को वितरण के आकार को निर्धारित करने की अनुमति देता है।
2. बेयसियन इन्फरेंस (Bayesian Inference): पुनर्निर्माण को एक संभाव्य अनुमान समस्या के रूप में फ्रेम किया गया है। पोस्टीरियर प्रोबेबिलिटी डिस्ट्रीब्यूशन $P(\tilde{f}|f)$ को बेयस के प्रमेय का उपयोग करके निर्धारित किया जाता है, जो एक लाइकलीहुड फंक्शन (डेटा और थ्योरी के बीच $\chi^2$ रेसिडुअल्स पर आधारित) को एक प्रायर (prior) वितरण के साथ जोड़ता है। प्रायर टिखोनोव-शैली के रेगुलराइजेशन (द्वितीय क्रम तक) का उपयोग करता है ताकि अवास्तविक दोलनों (oscillations) को दंडित किया जा सके और स्मूथनेस सुनिश्चित की जा सके, बिना किसी विशिष्ट वैश्विक आकार को लागू किए।
3. जनरेटिव AI सैंपलिंग (Generative AI Sampling): उच्च-आयामी (50+ आयाम) पोस्टीरियर को कुशलतापूर्वक सैंपल करने के लिए, लेखक एक नॉर्मलाइजिंग फ्लो (NF) का उपयोग करते हैं जिसे लक्षित पोस्टीरियर डेंसिटी को अनुमानित करने के लिए प्रशिक्षित किया गया है। NF एक मेट्रोपोलिस-हेस्टिंग्स (MH) एल्गोरिदम के लिए एक वैश्विक प्रोपोज़ल डिस्ट्रीब्यूशन के रूप में कार्य करता है। यह हाइब्रिड रणनीति उच्च आयामों में विशिष्ट 'लोकल रैंडम वॉक' की धीमी खोज को दरकिनार करती है, जिससे GPU एक्सेलेरेशन और ऑटो-डिफरेंशिएशन के माध्यम से कम्प्यूटेशनल दक्षता बनाए रखते हुए पोस्टीरियर का सटीक सैंपलिंग संभव होता है।
4. सिंगुलर वैल्यू डिकंपोजिशन (SVD): ढांचा रिज़ॉल्यूशन सीमाओं को कठोरता से लक्षणित करने के लिए कर्नेल मैट्रिक्स के SVD का उपयोग करता है। यह समाधान स्थान को एक "अवलोकनीय स्थान" (डेटा द्वारा नियंत्रित) और एक "नल स्थान" (डेटा द्वारा अनियंत्रित, केवल प्रायर द्वारा निर्धारित) में विभाजित करता है।

प्रमुख योगदान और परिणाम
इस पद्धति को तीन क्लोजर टेस्ट्स के माध्यम से मान्य किया गया है जिनकी जटिलता बढ़ती जाती है: एक बेसलाइन गॉसियन मॉडल, $u$-क्वार्क TMD PDF, और अनपोलराइज्ड $F_{UU,T}$ स्ट्रक्चर फंक्शन (जिसमें फ्रैगमेंटेशन फंक्शन्स के साथ कन्वोल्शन शामिल है)।

• नल TMDs की पहचान: SVD विश्लेषण औपचारिक रूप से "नल TMDs" को परिभाषित और मात्रात्मक रूप से निर्धारित करता है। अध्ययन से पता चलता है कि सिंगल-स्केल माप के लिए, बेसेल कर्नेल उच्च-आवृत्ति वाले घटकों को प्रभावी ढंग से फ़िल्टर करता है जो छोटे $b_T$ (कम दूरी) के अनुरूप होते हैं। ये घटक नल स्पेस में रहते हैं, जिसका अर्थ है कि इनका पुनर्निर्माण पूरी तरह से सैद्धांतिक प्रायर द्वारा संचालित होता है। यह एक अपरिहार्य "प्रिसिजन फ्लोर" (precision floor) बनाता है जहाँ सांख्यिकीय सटीकता ($N_{ev}$) बढ़ाने से भी छोटे-$b_T$ क्षेत्र में अनिश्चितता बैंड संकुचित नहीं होते हैं।
• बहु-पैमाना रिज़ॉल्यूशन (Multi-Scale Resolution): पेपर यह प्रदर्शित करता है कि इस रिज़ॉल्यूशन बाधा को मल्टी-स्केल विश्लेषण द्वारा तोड़ा जा सकता है। कई ऊर्जा पैमानों ($\mu^2$) पर डेटा को एक साथ फिट करके, TMDs का विकास $k_T$ स्पेक्ट्रम के विभिन्न क्षेत्रों तक पहुँच प्रदान करता है। उच्च-ऊर्जा डेटा उच्च-मोमेंटम पूंछों (tails) की जांच करता है, जो $b_T$ स्पेस में लघु-दूरी की संरचना के अनुरूप होते हैं। यह "काइनेमैटिक लीवर आर्म" (kinematic lever arm) पहले तक अप्राप्य अवलोकनीय उप-स्थान को प्रभावी रूप से भर देता है, जिससे नल-स्पेस का प्रभुत्व काफी कम हो जाता है और प्रिसिजन फ्लोर नीचे गिर जाता है।
• कन्वोल्टेड अवलोकनीयों का डीकनवोल्यूशन (Deconvolution of Convoluted Observables): $F_{UU,T}$ के मामले में, ढांचा फ्रैगमेंटेशन फंक्शन (FF) से TMD PDF को सफलतापूर्वक डीकनवॉल्यूट करता है। विश्लेषण दिखाता है कि जबकि FF संवेदनशीलता को मॉड्युलेट करता है, यह एक सीमित अपर्चर के रूप में भी कार्य कर सकता है, जो बड़े-$b_T$ संरचनाओं को मास्क कर देता है। मल्टी-स्केल दृष्टिकोण इस जटिल परिदृश्य में भी अंतर्निहित हैड्रोनिक संरचना को पुनः प्राप्त करने में प्रभावी रहता है।
• अनिश्चितता का परिमाणन (Uncertainty Quantification): NF-MH ढांचा केवल एक एकल "बेस्ट-फिट" कर्व के बजाय वितरण का एक पूर्ण प्रोबेबिलिटी डेंसिटी प्रदान करता है। एन्सेम्बल विश्लेषण पुष्टि करते हैं कि ढांचा सांख्यिकीय उतार-चढ़ाव को सही ढंग से पकड़ता है और आंतरिक मॉडल परिशुद्धता तथा बाहरी सांख्यिकीय स्थिरता के बीच अंतर करता है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य बेयसियन संदर्भ के भीतर पिक्सेल-आधारित विवक्तीकरण, जनरेटिव AI, और SVD के एकीकरण को प्रदर्शित करने वाला पहला कार्य है। प्राथमिक महत्व बिंदु-वार अनुकूलन (point-wise optimization) से पूर्ण संभाव्य मैपिंग (probabilistic mapping) की ओर बदलाव में निहित है, जो:

1. अंतर्निहित विसंगतियों को हटाता है: "नल TMDs" को स्पष्ट रूप से पहचानने और मापने के माध्यम से, यह ढांचा कठोर कार्यात्मक धारणाओं से उत्पन्न होने वाली झूठी आत्मविश्वास की स्थिति से बचता है।
2. निर्व로क्षित इमेजिंग (Unbiased Imaging) सक्षम करता है: नॉनपैरामेट्रिक दृष्टिकोण गैर-परिवर्तनीय विकास कर्नेल (nonperturbative evolution kernel) और अंतर्निहित हैड्रोनिक संरचना को बिना किसी कठोर आकार को थोपे, एक साथ निकालने की अनुमति देता है।
3. रिज़ॉल्यूशन सीमाओं को परिभाषित करता है: अध्ययन औपचारिक रूप से स्थापित करता है कि 3D पार्टोनिक मैप का रिज़ॉल्यूशन केवल सांख्यिकीय सटीकता का मामला नहीं है, बल्कि यह मोमेंटम स्पेस में डेटा के स्पेक्ट्रल कवरेज द्वारा मौलिक रूप से सीमित है। यह तर्क देता है कि न्यूक्लियस कोर की उच्च-फिडेलिटी इमेजिंग प्राप्त करने के लिए बेसेल ट्रांसफॉर्म द्वारा लगाए गए विवर्तन सीमा (diffraction limit) को पार करने हेतु मल्टी-स्केल डेटा की आवश्यकता है।

पेपर निष्कर्ष निकालता है कि मशीन लर्निंग और मल्टी-स्केल डेटा के बीच यह तालमेल उच्च-फिडेलिटी 3D पार्टोनिक इमेजिंग की ओर एक नया मार्ग स्थापित करता है, जो जेफरसन लैब और इलेक्ट्रॉन-आयन कोलाइडर (EIC) जैसी सुविधाओं के लिए भविष्य के ग्लोबल विश्लेषण हेतु एक मजबूत आधार प्रदान करता है।