Heavy Quarkonium Spectrum and Decay Constants from a Neural-Network-Based Holographic Model

技術要約：ニューラルネットワークに基づくホログラフィックモデルによる重いクォーク・クォーニウムのスペクトルと崩壊定数

問題提起
従来のボトムアップ型AdS/QCDモデル、特にソフトウォール・モデルは、ディラトン場 $\Phi(z)$ に対して、通常は二次形式（$\Phi(z) \propto z^2$）を仮定するアドホックな解析的アンサッツに依存している。これは軽いメソンの線形レゲ軌跡を再現することには成功しているが、重いクォーク・クォーニウム（チャームオニウムおよびボトムオニウム）のスペクトルとそれらのレプトン崩壊定数を同時に記述することはできない。具体的には、二次形式のアンサッツは崩壊定数の縮退、あるいは不適切な傾向を予測し、放射励起の増加に伴う実験的に観測される単調な抑制を捉えることに失敗する。既存の線形レゲ軌跡仮説（$M_n^2 \propto n$）は、重いクォーク系に対しては破綻しており、ベテ・サルピーター理論や非相対論的QCDダイナミクスと整合する非線形なパラメータ化（$M_n^2 \propto (n+b)^\nu$）を必要とする。これらの問題を解決するために有限のUVカットオフや修正されたポテンシャルを用いた試みは存在するが、それらは定性的な一致を示すのみであるか、質量スペクトルと崩壊定数の両方を高い精度で同時にフィットさせることに失敗している。

手法
著者らは、ボトムアップ型AdS/QCDの枠組みの中で、多層パーセプトロン（MLP）を用いてディラトン場 $\Phi(z)$ をデータ駆動的に逆構成することを提案している。

• ニューラルネットワーク・アーキテクチャ: モデルは、ホログラフィック座標 $z$ の関数としてディラトン場の微分 $\Phi'(z)$ を学習する、5つの隠れ層（各層128ニューロン）を持つMLPを採用している。ネットワークの出力は、ベクトルカレント演算子の共形次元との整合性を保証するため、UV境界条件 $\Phi(0)=0$ を満たすように構造的に制約されている。
• 自動微分: ポテンシャルを直接フィッティングする代わりに、ネットワークは $\Phi'(z)$ を出力する。第2微分 $\Phi''(z)$ は自動微分によって計算される。これらの微分は、以下のホログラフィック・ポテンシャル方程式に代入される：
  $$U(z) = \frac{3}{4z^2} + \frac{\Phi'(z)}{2z} + \frac{\Phi'(z)^2}{4} - \frac{\Phi''(z)}{2}$$
• スペクトル計算: 得られたポテンシャル $U(z)$ はシュレディンガー型の方程式に使用される。この方程式は有限のグリッド上で離散化され、固有値（質量 $M_n$）と固有関数を抽出するために対角化される。崩壊定数（$f_n$）は、バルク・トゥ・バウンダリー・モードの境界近傍の振る舞いから計算される。
• 学習戦略: ネットワークは、チャームオニウムおよびボトムオニウムの状態に関する実験データ（PDG）を用いて学習される。目的関数は、予測された質量と崩壊定数の実験値との平方根平均二乗（RMS）偏差を最小化することである。著者らは、コサインアニーリング学習率スケジュールを備えたAdamオプティマイザを利用している。
• 活性化関数分析: 本手法の重要な要素は、異なる活性化関数（Tanh, ReLU, SiLU）のテストである。研究では、データが乏しい領域における物理的に不自然な外挿を防ぐために、有界で飽和する関数（Tanhなど）が、暗黙的な正則化として機能し、不可欠であることが示されている。

主要な貢献

1. ディラトン再構成への初のMLP適用: 本研究は、固定された解析的アンサッツから離れ、ボトムアップ型AdS/QCDモデルにおいてディラトン場 $\Phi(z)$ を直接再構成するためにMLPを適用した最初の事例である。
2. 質量と崩壊定数の同時フィット: モデルは、重いクォーク・クォーニウムの質量スペクトルと、放射励起に伴うレプトン崩壊定数の単調減少を同時に再現するという、長年の困難を解決することに成功した。
3. 非二次的なディラトン・プロファイル: データ駆動による再構成は、非二次的なディラトン・プロファイルをもたらす。UV領域では、崩壊定数の縮退を解くための非二次的な補正を示し、IR領域では、閉じ込めを反映した急速な成長を示す。
4. 活性化関数の帰納バイアス: 論文は、活性化関数の選択がモデルの帰納バイアスの決定的な要素であることを特定している。Tanh活性化関数は、ReLUのような無界な関数と比較して、希薄なハドロン分光データに対して優れた安定性と精度を提供することを示しており、ReLUは制御不能な外挿に苦しむ。

結果

• 精度: 結合フィットにより、チャームオニウムで1.26%、ボトムオニウムで**3.32%**のRMS偏差を達成した。
• 質量スペクトル: モデルは、基底状態および励起状態の質量を高精度に予測する。例えば、$J/\psi$ の予測質量は実験値からわずか0.01%しか逸脱しておらず、$\Upsilon(1S)$ では0.0002%である。
• 崩壊定数: モデルは、放射励起数 $n$ が増加するにつれて崩壊定数が減少するという実験的傾向を正しく再現しており、これは従来のソフトウォール・モデルが定量的に捉えることができなかった特徴である。
• 汎用性: 一部の状態（例：最初の3つのチャームオニウム状態）で学習し、より高い励起状態でテストした場合、モデルは合理的な予測力を維持するが、最も高い励起状態（例：$\Upsilon(11020)$ は質量偏差1.3%、崩壊定数偏差11.3%を示す）では偏差が増大する。
• ポテンシャルの構造: 再構成された有効ポテンシャル $U(z)$ は、UVでは近調和振動子的な挙動を、IRでは重いクォーク系に物理的要件として必要な非線形補正を示す。

意義
本論文は、ニューラルネットワークによる再構成が、固定されたアドホックなパラメータ化に頼ることなく、重いクォーク・クォーニウムの本質的なダイナミクスを捉える柔軟かつ効果的なツールであることを確立している。この研究は、波関数の原点における抑制（崩壊定数を支配）と閉じ込めメカニズム（スペクトルを支配）が、データから直接導出された単一のホログラフィック・ポテンシャル内で統一できることを示している。著者らは、このアプローチが、有限温度背景、格子QCDの制約、または追加のチャネルを組み込むための将来的な拡張の基礎を提供すると主張しており、現在の結果が主にゼロ温度のスペクトルに焦点を当てていることを強調している。また、本研究は、希薄なデータに対処する物理情報に基づくニューラルネットワークにおける、暗黙的正則化としての活性化関数設計の重要性を浮き彫りにしている。