Parton Fragmentation Functions Extracted with a Physics-Informed Neural Network

技術要約：物理情報ニューラルネットワークを用いたパルトン断片化関数の抽出

問題提起
高エネルギー強相互作用プロセスの信頼できる予測は、非摂動的なパルトン断片化関数（FF）に決定的に依存している。伝統的に、実験データからFFを抽出するには、入力スケールにおける特定のパラメータ化された関数形式を仮定し、その後、ドキショリフ・グリボフ・リプタトフ・アルタレリ・パリ（DGLAP）進化方程式を用いてそれらを進化させる必要がある。この従来のアプローチは、パラメータ化のバイアスを導入する可能性があり、また非摂動的なダイナミクスを十分に捉えきれない可能性のある硬直した関数形式に依存している。さらに、グローバルフィットにおいてDGLAP進化と断面積の畳み込みを反復的に数値評価することは、広大なパラメータ空間をスキャンする場合、計算負荷が高い。

手法
著者らは、事前のパラメータ化された形式の仮定なしにパルトンFFを決定するために、物理情報ニューラルネットワーク（PINN）を利用した新しい手法を提案している。この手法は、DGLAP進化方程式をニューラルネットワークのアーキテクチャに直接統合している。

• ネットワーク・アーキテクチャ: このフレームワークは、2つの全結合ネットワーク（NN1およびNN2）を用いたカスケード設計を採用している。NN1は進化変数 $\ln(Q^2)$ を通じて $Q^2$ 依存性を符号化し、NN2は運動学的変数 $z$ とNN1からの潜在的特徴の組み合わせを処理して、補助関数を出力する。境界条件 $D(z=1)=0$ を強制し、正値性を確保するために、FFは $zD_i^{h\pm}(z, Q) = (1-z)^{\nu_i} \nu_i(z, Q)$ として構成される。
• 物理的制約: ネットワークは、実験データからの偏差を最小化すると同時に、DGLAP進化方程式への違反にペナルティを課す複合損失関数を用いて訓練される。数値的効率を向上させるため、進化の制約は、畳み込み積分が代数的な積に減少するメリン空間で強制される。
• 微分: 自動微分が最適化ループ内で利用され、DGLバックレスト（残差）に必要なスケール微分を計算する。これにより、記号微分を用いることなく解析的な精度を確保している。
• データと不確かさ: 抽出には、ALEPH、TASKO、TPC、OPAL、DELPHI、およびSLDの各コラボレーションによる単一包含電子・陽電子消滅（SIA）データを使用している。データセットには、軽粒子、フレーバータグ付き（uds, c, b）、および縦波成分の断面積測定が含まれており、これらは軽、重、およびグルオンの断片化を制約する。実験的不確かさは、100個の擬似データセットのアンサンブルを生成するモンテカルロ・レプリカ法を用いて伝播される。

主な貢献

1. 非パラメータ的抽出: 本研究は、定義済みの関数形式に依存せずにFFを抽出する手法を示しており、これによりパラメータ化のバイアスを軽減し、データが関数形状を決定することを可能にしている。
2. 統合された進化: DGLAP方程式を損失関数に直接組み込むことで、抽出されたFFは $(z, \mu)$ ドメイン全体でQCD進化の制約を自動的に満たす。これにより、フィッティングプロセス中に別途進化ステップを設ける必要がなくなる。
3. メリン空間の実装: 本研究は、逆メリン変換とDGLAP進化をニューラルネットワークのフレームワーク内に実装することに成功しており、結合された微分積分方程式を解くためのメリンモーメントの効率性を活用している。

結果

• DGLAPの検証: 抽出されたFFは、標準的な数値的DGLAP進化と比較検証された。抽出されたFFは、スケール14 GeVおよび1 TeV（後者は訓練データの範囲外）において、直接的な数値進化と5%以内の精度で一致しており、進化方程式を満たすネットワークの能力を確認した。
• 既存のフィットとの比較: 抽出されたFFは、AKK08およびKREのパラメータ化と比較された。シングレット・クォークのFFは $z \in [0.05, 0.8]$ の範囲で一致を示したが、グルオンおよび重いクォークのFFについては、特に大きな $z$ において不一致が観察された。著者らは、この研究がSIAデータのみを使用しているのに対し、AKK08やKREはグルオン断片化に対してより強い制約を与える陽子・陽子衝突データを組み込んでいることを、グルオンの不一致の原因としている。
• クロージャ・テスト: 抽出されたFFを使用して理論断面積を生成し、そのデータを用いてネットワークを再学習させるクロージャ・テストが行われた。再学習された結果は元の抽出と一貫しており（$z \in [0.01, 0.8]$ の範囲で20%以内の偏差）、手法の安定性と再現性を示した。
• 現象論的応用: 抽出されたFFは、RHICおよびLHCのエネルギー（$\sqrt{s} = 130$ から $7000$ GeV）における陽子-(反)陽子衝突における単一包含チャージハドロンスペクトルの計算に適用された。PINN抽出FFを用いた次世代の摂動論的QCD（NLO pQCD）計算は、この広いエネルギー範囲にわたって実験データとよく一致しており、抽出された関数の普遍性を検証した。

意義
本論文は、PINN法が非摂動的量の抽出における重要な前進であることを主張している。パラメータ化された形式を排除し、フィッティングプロセスを個別のDGLAP進化ステップから切り離すことで、このアプローチは抽出手順を簡素化し、FFの普遍的な適用性を高める。著者らは、このフレームワークがより堅牢で偏りのないFFの推定を提供し、従来のパラメータ的手法で見落とされる可能性のある特徴を明らかにする可能性があり、重イオン衝突における修正された進化方程式への将来的な応用への基礎を築くものであると述べている。