Tackling inverse problems for PDFs from lattice QCD

In questa presentazione di apertura per la sessione "Recenti sviluppi in QCD" a Baryons 2025, l'autore collega i recenti progressi nell'estrazione delle funzioni di distribuzione delle partoni (PDF) dalla QCD reticolare con i consolidati sforzi nella risoluzione del problema inverso per la ricostruzione delle funzioni spettrali.

L'essenziale

🌌 Il Mistero dei "Fantasmi" dentro i Protoni: Una Caccia al Tesoro Matematica

Immagina di voler capire come è fatto un proton (il mattoncino fondamentale della materia), ma c'è un problema: non puoi aprirlo e guardarlo dentro. È come se fosse una scatola chiusa ermeticamente, fatta di "fantasmi" energetici chiamati partoni (quark e gluoni) che corrono a velocità prossime a quella della luce.

Per capire cosa c'è dentro, i fisici usano un metodo indiretto: lanciano "proiettili" (altre particelle) contro il protone e guardano come rimbalzano. Da questi rimbalzi, cercano di ricostruire la mappa della distribuzione dei fantasmi. Questa mappa si chiama PDF (Funzione di Distribuzione dei Partoni).

Il problema è che i fisici che lavorano con i computer quantistici (la Cromodinamica Quantistica su Reticolo o Lattice QCD) non possono guardare direttamente i fantasmi mentre corrono. I loro computer vivono in un "mondo parallelo" (il tempo euclideo) dove il concetto di "corsa veloce" non esiste. Devono quindi fare un trucco matematico per vedere cosa succede nel nostro mondo reale.

🧩 Il Grande Enigma: Il Problema Inverso

Il cuore del paper è la descrizione di un problema inverso.
Immagina di avere una torta (il protone) e di voler sapere esattamente quanti cieli, noci e uvetta ci sono dentro.

• Il problema diretto: Metti gli ingredienti nel mixer, mescoli e ottieni la torta. Facile.
• Il problema inverso: Hai la torta finita e devi indovinare quanti cieli e noci c'erano dentro. È molto più difficile!

Nel caso dei protoni, i computer ci danno dei dati "sfocati" e limitati (come se avessimo solo un pezzo di torta o una foto sgranata). I fisici devono usare la matematica per "riavvolgere il nastro" e ricostruire la ricetta originale.

📉 Il Muro Invisibile: Perché è così difficile?

Il paper spiega che c'è un ostacolo enorme: i dati sono incompleti.
Immagina di dover ricostruire una canzone ascoltando solo le prime 10 note. Se provi a indovinare il resto della melodia, potresti sbagliare tutto.
Nel linguaggio dei fisici, questo significa che non abbiamo accesso a tutte le "frequenze" possibili (la zona di Brillouin). Quando provi a fare il calcolo inverso con dati incompleti, il computer impazzisce: un piccolo errore nei dati di partenza (come un rumore di fondo) viene amplificato in modo esplosivo, trasformando la tua ricostruzione in un caos inutile.

È come cercare di ricostruire un volto umano guardando solo un'ombra proiettata su un muro: se l'ombra è piccola o sfocata, potresti pensare che la persona abbia il naso a punta quando in realtà è piatto.

🛠️ Le Soluzioni: Come i Fisici "Addomesticano" il Caos

Poiché la matematica pura non basta (il problema è "mal posto"), i fisici devono usare l'intuito e regole aggiuntive, chiamate informazioni a priori (o priors). È come dire al computer: "Ehi, so che la torta non può avere 1000 kg di sale, quindi non provare a inventare quella ricetta".

Il paper confronta diversi metodi per risolvere questo enigma:

1. Il Metodo "Semplice" (Backus-Gilbert): È come usare un righello. Funziona bene se la torta è liscia, ma se ci sono picchi o dettagli complessi (come un ciuffo di uvetta concentrata), questo metodo tende a "spalmare" tutto, rendendo la mappa troppo sfocata. Non riesce a vedere i dettagli fini.
2. Il Metodo "Intelligente" (Bayesiano - MEM e BR): Qui i fisici usano l'intelligenza statistica. Immagina di avere un detective che ha un'idea preconcetta di come dovrebbe essere la torta (il "modello di default").
   • MEM (Massima Entropia): È come un artista che preferisce dipingere un quadro liscio e armonioso. Evita di inventare dettagli strani che non ci sono. È molto stabile, ma a volte troppo "noioso" e perde i picchi reali.
   • BR (Ricostruzione Bayesiana): È un po' più audace. Cerca di essere più fedele ai dati, ma rischia di creare "fantasmi" (artefatti) dove non ce ne sono, come se vedessi delle macchie d'acqua sul muro che in realtà non ci sono (il fenomeno del ringing).
3. Le Reti Neurali (AI): È come insegnare a un bambino a riconoscere le forme. Gli mostri migliaia di torte e gli dici "questa ha l'uvetta qui, quella lì". Alla fine, l'AI impara a indovinare la ricetta anche con pochi dati. È potente, ma bisogna stare attenti a non fargli "allucinazioni".

🤝 La Grande Collaborazione: Unire le Forze

Il punto più bello del paper è il suggerimento di collaborazione.
Da un lato ci sono i fisici che studiano i protoni a temperatura zero (come nel nostro universo normale). Dall'altro, ci sono i fisici che studiano la materia a temperature altissime (come subito dopo il Big Bang o dentro le stelle di neutroni).
Entrambi hanno lo stesso problema: devono ricostruire un'immagine sfocata da dati incompleti.
I fisici delle alte temperature hanno già sviluppato strumenti molto sofisticati per risolvere questo enigma. Il paper suggerisce di "prestare" queste armi matematiche ai fisici dei protoni. È come se un architetto esperto in restauro di castelli antichi aiutasse un architetto a costruire un grattacielo moderno: le regole della fisica sono diverse, ma la matematica per risolvere i puzzle è la stessa.

🏁 Conclusione: Cosa abbiamo imparato?

In sintesi, questo paper ci dice che:

1. Capire la struttura interna dei protoni è come risolvere un puzzle con pezzi mancanti.
2. La matematica da sola non basta; serve un po' di "buon senso" (informazioni aggiuntive) per non impazzire.
3. I metodi più promettenti sono quelli che combinano i dati sperimentali con modelli intelligenti (come l'approccio Bayesiano).
4. La collaborazione tra diverse branche della fisica è la chiave per fare passi da gigante.

Grazie a questi metodi, stiamo finalmente riuscendo a vedere chiaramente i "fantasmi" dentro i protoni, aprendo la strada a una comprensione più profonda dell'universo e a nuove scoperte nei futuri acceleratori di particelle.

Sommario tecnico

Titolo: Affrontare i problemi inversi per le PDF nella QCD reticolare

Autore: Alexander Rothkopf (Dipartimento di Fisica, Korea University)
Contesto: Presentazione inaugurale per la sessione "Recent developments in QCD" a Baryons 2025.

---

1. Il Problema: Estrarre le Funzioni di Distribuzione dei Partoni (PDF)

Le Funzioni di Distribuzione dei Partoni (PDF) sono strumenti fondamentali per comprendere la struttura degli adroni e interpretare gli esperimenti di scattering (es. LHC, futuro EIC). Sono definite nel contesto dello scattering inelastico profondo (DIS) e descrivono la probabilità di trovare un partone con una frazione di momento $x$ all'interno di un nucleone.

La sfida principale nella Cromodinamica Quantistica (QCD) reticolare risiede nel fatto che le simulazioni sono eseguite in tempo euclideo, mentre le PDF sono definite fisicamente sul cono di luce (tempo reale).

• Limitazione fondamentale: Non è possibile valutare direttamente l'elemento di matrice sul cono di luce ($z^2 \to 0$) nelle simulazioni reticolari.
• Approcci attuali: Si utilizzano metodi indiretti come le Quasi-PDF e le Pseudo-PDF, che approcciano il cono di luce da regioni spazio-like (momenti spaziali) tramite trasformate di Fourier o rapporti di elementi di matrice.

Il cuore del problema è che l'estrazione della PDF fisica $f(x)$ dagli elementi di matrice calcolati sul reticolo (spesso indicati come $M(\nu, z^2)$ o $Q(\nu)$) richiede una trasformata di Fourier inversa (IFT). Tuttavia, nelle simulazioni reali, l'accesso al "tempo di Ioffe" ($\nu$) è limitato e discreto. Questo rende il problema una trasformata inversa mal posta (ill-posed):

1. Non unicità: Infinite PDF diverse possono riprodurre gli stessi dati rumorosi e limitati.
2. Instabilità: Piccoli errori statistici nei dati di input vengono amplificati esponenzialmente durante l'inversione, rendendo la soluzione inaffidabile senza regolarizzazione.

---

2. Metodologia e Approcci di Risoluzione

Il documento analizza come trasformare questo problema inverso mal posto in un problema risolvibile attraverso l'introduzione di informazioni a priori (regularizzazione).

A. Formulazione del Problema Inverso

L'equazione fondamentale lega l'elemento di matrice $Q$ alla PDF $f(x)$ tramite un nucleo $K$:
$$Q = K \cdot f$$
Dove $K$ è una matrice di discretizzazione (es. coseno per le Pseudo-PDF).

• Se si ha accesso all'intera zona di Brillouin, gli autovalori di $K$ sono dell'ordine dell'unità e l'inversione è stabile.
• Con accesso limitato (tipico delle simulazioni attuali), gli autovalori decadono esponenzialmente, rendendo la matrice mal condizionata.

B. Classificazione dei Metodi di Ricostruzione

L'autore classifica i metodi in tre categorie principali:

1. Metodi Parametrici: Si assume una forma funzionale fissa (es. $f(x) = c x^a (1-x)^b$) e si adattano i parametri. Riduce il problema a un fit $\chi^2$, ma è vincolato dalla scelta della forma funzionale.
2. Metodi Non-Parametrici Lineari:
   • Metodo di Backus-Gilbert (BG): Costruisce una combinazione lineare dei dati per massimizzare la risoluzione. È limitato dalla capacità di incorporare informazioni a priori (es. positività) e tende a "smussare" artificialmente le strutture piccate.
   • Gaussian Processes: Assumono una distribuzione congiunta gaussiana.
3. Metodi Non-Parametrici Non Lineari (Bayesiani):
   • Maximum Entropy Method (MEM): Usa l'entropia di Shannon-Jaynes come regolarizzatore. Tende a produrre soluzioni molto lisce, evitando artefatti di "ringing" (oscillazioni), ma può nascondere dettagli fisici reali.
   • Bayesian Reconstruction (BR): Utilizza un funzionale di regolarizzazione basato sulla distribuzione Gamma, che pone l'accento sulla liscietà ma è meno restrittivo del MEM. Può soffrire di ringing se i dati sono scarsi.
   • Reti Neurali (NN): Usate come basi di funzioni espansive. La regolarizzazione è introdotta tramite la funzione di perdita (training functional), spesso con termini di regolarizzazione Tikhonov.

---

3. Risultati Chiave e Benchmarking

L'autore presenta uno studio comparativo (benchmark) utilizzando PDF fittizie ("mock PDF") con due comportamenti diversi:

• Modello A: Crescita monotona verso $x \to 0$.
• Modello B: Decrescita verso zero per $x \to 0$ (comportamento fenomenologico atteso).

I dati sono stati generati simulando un accesso realistico al tempo di Ioffe ($\nu_{max} = 10$) con un numero limitato di punti dati ($N_\nu = 12$).

Risultati dei metodi testati:

• Backus-Gilbert (BG):
  • Senza pre-condizionamento: Fallisce nel catturare le strutture piccate e le deviazioni dalla soluzione vera, specialmente per $x < 0.5$.
  • Con pre-condizionamento (fitting preliminare con modello fenomenologico): Migliora le prestazioni, ma fatica ancora a stimare correttamente l'incertezza nella regione di piccolo $x$.
• Maximum Entropy Method (MEM):
  • Mostra eccellenti prestazioni per entrambi i modelli.
  • La sua proprietà intrinseca di "smussamento" (smoothing) stabilizza la ricostruzione ed evita artefatti di ringing, permettendo di recuperare fedelmente la forma della PDF sottostante anche con pochi dati.
• Bayesian Reconstruction (BR):
  • Funziona bene per il Modello A.
  • Soffre di significativi artefatti di ringing per il Modello B a causa della limitata estensione del tempo di Ioffe e del basso numero di punti dati. Le oscillazioni artificiali contaminano la ricostruzione.
  • Le prestazioni migliorano significativamente se si estende il range di $\nu_{max}$ (es. a 20).

Gestione dell'Incertezza:
Il documento sottolinea che i metodi Bayesiani (MEM e BR) sono superiori nella quantificazione dell'incertezza totale. Essi permettono di separare e valutare:

1. L'incertezza statistica (tramite tecniche di ricampionamento come Jackknife).
2. L'incertezza sistematica legata alla scelta del modello di default (prior) e della regolarizzazione.

---

4. Contributi Chiave e Significato

1. Identificazione del Problema Inverso: Il lavoro chiarisce che l'estrazione delle PDF dalla QCD reticolare è, per sua natura, un problema inverso mal posto, analogo alla ricostruzione delle funzioni spettrali a temperatura finita ($T>0$).
2. Confronto Critico dei Metodi: Fornisce una valutazione empirica che dimostra come i metodi sviluppati per le funzioni spettrali (MEM, BR) siano direttamente trasferibili e efficaci per le PDF.
   • Il MEM si rivela particolarmente robusto per dati limitati grazie alla sua regolarizzazione forte.
   • Il BR è potente ma richiede dati di alta qualità o un range di tempo di Ioffe più ampio per evitare ringing.
3. Collaborazione Interdisciplinare: L'autore evidenzia l'opportunità di una sinergia tra la comunità delle PDF ($T=0$) e quella delle funzioni spettrali in-medium ($T>0$). La comunità delle funzioni spettrali ha decenni di esperienza nella gestione dell'incertezza e nella regolarizzazione di problemi inversi simili, competenze che possono accelerare i progressi nelle estrazioni delle PDF.
4. Importanza della Quantificazione dell'Incertezza: Il messaggio centrale è che una ricostruzione di successo non è solo la stima della PDF, ma la determinazione completa del "budget di incertezza", includendo sia gli errori statistici dei dati reticolari che le incertezze sistematiche introdotte dalla scelta della regolarizzazione.

Conclusione

Il documento conclude che, sebbene l'estrazione delle PDF dalla QCD reticolare sia una sfida tecnica enorme dovuta alla natura euclidea delle simulazioni, l'uso di metodi di regolarizzazione avanzati (in particolare quelli Bayesiani come MEM e BR) offre percorsi viable per ottenere risultati fisici affidabili. L'esperienza accumulata nella ricostruzione di funzioni spettrali è una risorsa preziosa per la comunità delle PDF, permettendo di affrontare le sfide dell'inversione di dati rumorosi e limitati con maggiore rigore statistico.