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

本論文は、生成 AI とベイズ推論を活用して横運動量依存（TMD）パルトン分布とその進化カーネルを同時に抽出する新規の非パラメトリック画素ベースの枠組みを提示し、これにより不偏な 3 次元パルトンイメージングを可能にしつつ、不確実性を厳密に特徴付け、本質的な縮退を解決するものである。

要約

壁に映る影を見るだけで、隠された物体がどのような姿をしているのかを推し量ろうと想像してみてください。これがまさに、物理学者たちが横運動量依存（TMD）分布を研究する際に直面している課題です。彼らは陽子内部の微小な粒子（クォークとグルーオン）の 3 次元「地図」を作成したいと考えていますが、実際にはこれらの粒子が高速で衝突する際に生じる「影」（データ）しか見ることができません。

本論文は、この「影のパズル」を解くための新しい賢明な手法を、高度な数学と生成 AIを組み合わせて提案しています。以下に、そのアプローチを簡単な比喩を用いて解説します。

1. 問題：ぼやけた影

過去、科学者たちは陽子の内部地図の形状を推測する際、それが特定の滑らかな曲線（完全なベル型など）であると仮定していました。しかし、陽子はそれほど単純ではないかもしれません。

本論文は、これを「ぼやけた影」を見て複雑な彫刻の形状を推測しようとする試みに例えています。もしその影が「必ず滑らかな球体から来ているに違いない」と仮定すれば、興味深い凹凸やへこみを見逃してしまう可能性があります。さらに、影を物体に戻すための数学は「不適切問題（ill-posed）」です。つまり、全く同じ影を投射する異なる形状が多数存在し得ることを意味します。特定の角度（特定のエネルギーレベル）からのデータしか持っていなければ、どれだけ多くのデータを収集しても、数学的に見えない物体の部分が存在します。著者らはこれらの見えない部分を**「Null TMDs（ヌル TMD）」**と呼び、これは現在のデータでは単に「見えない」陽子の特性です。

2. 解決策：ピクセル化アプローチ

滑らかな曲線を推測する代わりに、著者らは陽子の内部地図をピクセルで構成されたデジタル画像として扱うことにしました。

• 従来の方法： 画像全体を単一の数式に当てはめようとする（例：「画像全体は円である」と言う）。
• 新しい方法： 画像を 50 個の小さな正方形（ピクセル）のグリッドに分解する。各ピクセルの明るさをデータが個別に決定させる。これは「ノンパラメトリック」であり、データを事前に作られた型に無理やり当てはめるのではなく、データ自体に語らせることを意味します。

3. エンジン：探偵としての生成 AI

ピクセル数が多く（50 個）、数学が極めて複雑なため、ピクセルの明るさのすべての可能な組み合わせをチェックするには、宇宙の年齢を超える時間がかかってしまいます。これを解決するために、彼らは生成 AI（具体的には「ノーマライジング・フロー」）を使用しました。

AI を、これまでに数百万回この種の影のパズルを見てきた超優秀な探偵と想像してください。

1. 学習： AI は「妥当な」陽子地図の一般的なルールを学びます（物理的制約を知っています）。
2. サンプリング： 一つの答えを推測するのではなく、影を説明し得る数千の可能な「ピクセル地図」を生成します。
3. フィルタリング： 統計的手法（メトロポリス・ヘイスティングス法）を用いて、実験データと完全に一致する地図のみを保持し、一致しないものを破棄します。

これにより、彼らは単に「最善の地図」を見つけるだけでなく、地図の不確実性を理解できるようになります。「このピクセルは 95% の確率で明るいですが、あのピクセルについては全く確信が持てません」と言えるようになります。

4. 「精度の床」とマルチスケール・トリック

著者らは、ある厳しい限界を発見しました。完璧なデータがあったとしても、一つの角度（一つのエネルギーレベル）からの影しか見ていなければ、「精度の床」が存在します。影の数学（ベッセル変換）が回折限界レンズのように機能するため、陽子の中心にある微細な詳細は見えません。これは高周波の詳細をフィルタリングしてしまいます。

画期的な突破：
隠された詳細を見るためには、複数の角度（異なるエネルギーレベル）から影を見る必要があります。

• 比喩： 荒い石の質感を見ようとしていると想像してください。片側から光を当てれば、いくつかの影が見えます。光を動かす（エネルギーを変える）と、影が移動し、異なる質感が明らかになります。
• 4 つの異なるエネルギーレベルからのデータを組み合わせることで、AI は陽子の構造を「三角測量」できます。高エネルギーデータは、低エネルギーデータが見逃す微小な中心の詳細を解像するために必要な「高周波」情報を提供します。

5. 複雑なケース：畳み込み

本論文は、より困難なシナリオである構造関数についてもこの手法をテストしました。

• 比喩： 影が単なる陽子ではなく、壁に届く前に画像を歪ませる「ガラスの破片」（フラグメンテーション関数）を陽子に重ねたものだと想像してください。
• 著者らは、その AI がガラスによる歪みを「デコンボリューション（逆畳み込み）」して元に戻し、ガラスが一部の詳細を隠していたとしても、元の陽子地図を再構築することに成功したことを示しました。

発見の要約

• Null TMDs は存在する： 陽子の構造の一部は、単一エネルギー実験に対して数学的に不可視です。これらは「制約されていない」状態にあり、データではなく理論的仮定によってのみ定義されます。
• マルチスケールが鍵である： 同じエネルギーでより多くのデータを収集するだけでは、この不可視性を克服できません。完全な像を見るためには、異なるエネルギーでデータを収集し、「縮退を解く」ことが必須です。
• AI は機能する： このピクセルベースで AI 駆動の手法は、テストにおいて陽子の内部地図を正常に再構築し、陽子の 3 次元構造について何が（そして何が）知られているかについて、より誠実で詳細な画像を提供しました。

要約すれば、著者らは新しい柔軟なカメラ（ピクセル-AI フレームワーク）を構築し、陽子の心臓部の鮮明な 3 次元写真を撮影するには、一つの距離だけでなく、多くの異なる距離から写真を撮る必要があることを証明しました。

技術概要

技術的概要：生成 AI の視点から見た TMD

問題定義
実験データからの横運動量依存（TMD）パarton 分布関数（PDF）の抽出は、古典的な逆問題である。Collins-Soper-Sterman（CSS）形式論において、TMD は観測可能な断面積とベッセル（ハンケル）変換を介して関連付けられ、数学的には第一種のフレドホルム積分方程式として定式化される。この問題は本質的に不適切である：実験データは離散的であり、範囲が有限で、統計的不確実性にさらされている。その結果、衝突パラメータ（$b_T$）空間における無数の構成が、誤差範囲内で同じ観測量を再現しうる。

現在の最先端のグローバル解析は、通常、これらの解を制約するために、硬い解析的関数形または明示的な正則化を備えたニューラルネットワークに依存している。しかし、これらのアプローチは、積分変換の有効な零空間に存在する「ヌル TMD」と呼ばれる関数モードの存在を形式的に扱えていないことが多い。これらのモードは、データの有限な運動量到達範囲のために物理的観測量に対して本質的に不可視であるが、選択された関数形や正則化によって暗黙的に制約されることが多く、3 次元部分子イメージングにおける真の不確実性の過小評価につながる可能性がある。

方法論的枠組み
本研究は、ハイブリッドなノーマライジングフロー駆動メトロポリス・ヘイスティングス（NF-MH）アプローチを通じて検証された、TMD のベイズ推論およびイメージングのための非パラメトリックなピクセルベースの枠組みを導入する。

1. ピクセルベースの離散化: グローバルな関数形を仮定する代わりに、$b_T$ 空間における TMD 分布は、節点値（「ピクセル」）のグリッドに離散化される。連続分布は、これらの節点上で定義された局所補間関数（ラグランジュ多項式）を用いて再構成される。これにより、分布の形状がデータに支配され、最小限の事前バイアスで決定される。
2. ベイズ推論: 再構成は確率的推論問題として定式化される。事後確率分布 $P(\tilde{f}|f)$ は、データと理論間の $\chi^2$ 残差に基づく尤度関数と事前分布を組み合わせるベイズの定理を用いて決定される。事前分布は、非物理的な振動を罰し、滑らかさを保証するために、特定のグローバルな形状を強制することなく、2 次までの Tikhonov 型正則化を採用する。
3. 生成 AI サンプリング: 高次元の事後分布（50 次元以上）を効率的にサンプリングするために、著者らは目標事後密度を近似するように訓練されたノーマライジングフロー（NF）を利用する。NF は、メトロポリス・ヘイスティングス（MH）アルゴリズムに対するグローバルな提案分布として機能する。このハイブリッド戦略は、高次元における局所ランダムウォークに典型的な遅い探索を回避し、GPU アクセラレーションと自動微分による計算効率を維持しながら、事後分布の正確なサンプリングを可能にする。
4. 特異値分解（SVD）: この枠組みは、解像度の限界を厳密に特徴づけるために、カーネル行列の SVD を採用する。これにより、解空間は（データによって制約される）「観測可能空間」と（データによって制約されず、事前分布のみによって決定される）「零空間」に分解される。

主要な貢献と結果
この手法は、複雑さが増す 3 つのクロージャテスト（ベースラインのガウスモデル、$u$ クォーク TMD PDF、およびフラグメンテーション関数との畳み込みを含む非偏極 $F_{UU,T}$ 構造関数）を通じて検証された。

• ヌル TMD の同定: SVD 解析は、「ヌル TMD」を形式的に定義し、定量化する。本研究は、単一スケール測定の場合、ベッセルカーネルが実質的に小さな $b_T$（短距離）に対応する高周波成分をフィルタリングすることを明らかにしている。これらの成分は零空間に存在するため、その再構成は実験データではなく、理論的事前分布によって完全に駆動される。これにより、統計的精度（$N_{ev}$）を向上させても小 $b_T$ 領域における不確実性バンドが狭まらない、回避不可能な「精度の床」が生じる。
• マルチスケール解像度: 本論文は、この解像度の障壁がマルチスケール解析によって打破されることを示している。複数のエネルギースケール（$\mu^2$）にわたるデータを同時にフィットすることにより、TMD の進化が $k_T$ スペクトルの異なる領域へのアクセスを可能にする。高エネルギーデータは高運動量の尾部を探るが、これは $b_T$ 空間における短距離構造に対応する。この「運動学的レバーアーム」は、以前はアクセス不可能だった観測可能部分空間を実質的に埋め、零空間の支配を大幅に減少させ、精度の床を低下させる。
• 畳み込まれた観測量の脱畳み込み: $F_{UU,T}$ の場合、この枠組みは TMD PDF をフラグメンテーション関数（FF）から成功裡に脱畳み込んだ。解析は、FF が感度を調節する一方で、大きな $b_T$ 構造を隠す制限的な開口部として機能しうることを示している。マルチスケールアプローチは、この畳み込まれた状況においても、内在的なハドロン構造を回復する上で有効である。
• 不確実性の定量化: NF-MH 枠組みは、単一の「最尤曲線」ではなく、分布に対する完全な確率密度を提供する。アンサンブル解析は、この枠組みが統計的変動を正しく捉え、内部モデルの精度と外部統計的安定性を区別することを確認している。

意義と主張
著者らは、この研究が、TMD 逆問題を解決するために、ピクセルベースの離散化、生成 AI、および SVD をベイズ的文脈で初めて統合したものであると主張する。主な意義は、点ごとの最適化から解空間の完全な確率的マッピングへの転換にあり、それは以下の点をもたらす：

1. 本質的な縮退の除去: ヌル TMD を明示的に同定・定量化することで、硬い関数仮定から生じうる誤った確信を回避する。
2. バイアスのないイメージングの実現: 非パラメトリックなアプローチにより、非摂動成分に硬い形状を課すことなく、非摂動進化カーネルと内在的なハドロン構造を同時に抽出可能にする。
3. 解像度限界の定義: この研究は、3 次元部分子マップの解像度が単に統計的精度の関数ではなく、本質的に運動量空間におけるデータのスペクトルカバレッジによって制限されることを形式的に確立する。核子のコアの高忠実度イメージングを達成するには、ベッセル変換が課す回折限界を克服するためにマルチスケールデータが必要であると論じる。

本論文は、機械学習とマルチスケールデータのこの相乗効果が、高忠実度 3 次元部分子イメージングへの新たな道を開き、ジェファーソン研究所や電子イオン衝突型加速器（EIC）などの施設における将来のグローバル解析のための堅固な基盤を提供すると結論付けている。