Operator Learning in Lattice QCD: Spectral Reconstruction

技術要約：格子QCDにおけるオペレーター学習：スペクトル再構成

問題設定
格子量子色力学（QCD）におけるスペクトル再構成は、モンテカルロ・シミュレーションによって計算されたユークリッド相関関数からスペクトル密度を抽出することを含む。このタスクは、ユークリッド相関関数のラプラス変換の数値的反転に数学的に等価であるが、これは相関関数の統計的ノイズや利用可能なデータ点の制限により、極めて不良設定（ill-posed）な問題である。Hansen-Lupo-Tantalo（HLT）アルゴリズムのような手法は、モデルに依存しない解と制御された不確かさを提供するが、これらは相関関数の値の線形結合に依存している。この線形的なアプローチは、鋭いピークを持つスミアリング・カーネルを用いる場合、系統的な不確かさを低減しようとすると統計的な不確かさが増大するというトレードオフをしばしば招く。従来の機械学習アプローチ（例：文献[25]）は、スペクトル再構成をベクトル対ベクトルのマッピングとして扱っており、入力タイムグリッドや出力パラメータが変更されるたびに再学習が必要であったため、幅広い現象論的応用に対しては計算上実用的ではなかった。

手法
本研究では、オペレーター学習、具体的にはDeep Operator Networks (DeepONets) を用いた新しい教師あり学習戦略を提案する。固定されたベクトルから固定されたベクトルへのマッピングではなく、提案されたフレームワークは、ユークリッド相関関数からスミアリングされたスペクトル関数への空間への写像である演算子 $\hat{O}$ を近似するようにニューラルネットワークを訓練する。

• アーキテクチャ: 本手法は、2つの独立したニューラルネットワークからなるDeepONet構造を採用している。
  • ブランチ・ネット（Branch Net）: 入力となるユークリッド相関関数（固定されたユークリッド時間グリッド上のベクトルとして表現される）を潜在表現へとエンコードする。
  • トランク・ネット（Trunk Net）: 出力のドメイン（エネルギー $E$ およびスミアリング・パラメータ $\sigma$）を対応する潜在表現へとエンコードする。
  • 最終的な予測はこれら2つの潜在ベクトルの内積であり、これにより、再学習を行うことなく、任意の $(E, \sigma)$ において連続的に評価することが可能となる。
• 訓練データの生成: ネットワークは、**ガウス過程（GP）**から生成された模擬データを用いて訓練される。このGPは、$O(3)$ 非線形 $\sigma$ モデルの既知の二粒子寄与に対応する平均関数と、4粒子閾値の上方での滑らかな変化を許容する共分散カーネルで構成されている。これにより、広範な許容関数の空間を維持しつつ、事前の物理的知識を組み込んでいる。
• 不確かさの定量化: ニューラルネットワークによる近似に内在する系統的な不確かさに対処するため、著者らは15個の独立して訓練されたネットワークのアンサンブルを利用している。これらのネットワークは、異なるアーキテクチャ（深さ、幅）および訓練セットサイズを持つ。
  • 系統的不確かさ: 各ネットワークの最小検証損失に基づいて重み付けされた、アンサンブルによる予測の広がりを通じて推定される。
  • 統計的不当さ: 入力相関関数のブートストラップ・リサンプリングを通じて推定される。
  • グローバル・バイアス: 別の模擬データセット上で、予測値と真値の平均差を評価することで補正される。
• ノイズ処理: 訓練セットには、実際の格子アンサンブル（具体的には文献[4]のアンサンブルA1–A4、B1、およびB2）のノイズ対信号比に一致するように注入されたノイズが含まれている。

主要な貢献

1. 格子QCDにおけるDeepONetの初適用: 本研究は、DeepONetアーキテクチャをこの分野に導入し、ユークリッド相関関数からスミアリングされたスペクトル密度への演算子写像を学習できることを示した。
2. 再学習の制限の克服: 問題をオペレーター学習として扱うことで、本手法は、ネットワークを再学習することなく、異なるタイムグリッドや異なる出力パラメータで定義された相関関数に対して予測を行うことを可能にし、従来のベクトル対ベクトルMLアプローチに対する重要な改善を実現した。
3. 堅牢な不確かさ推定: 著者らは、ニューラルネットワーク・アンサンブルを用いた系統的不確かさの推定に関する厳密な手順を確立し、これは未知の模擬データを用いたクロージャ・テストによって検証されている。
4. ベンチマーク検証: 本戦略は、既知の解析的スペクトル密度を持つベンチマーク系である1+1次元 $O(3)$ 非線形 $\sigma$ モデルに適用された。本手法は、高エネルギーまでの4粒子閾値上での包括的なレートを正常に再構成した。

結果
提案された戦略は、模擬データおよび文献[4]の実際の格子相関関数の両方で検証された。

• クロージャ・テスト: 未知の模擬データにおいて、本手法は、推定された全不確かさ（統計誤差と系統誤差の結合）が保守的であることを示し、「プル（pull）」分布（誤差で正規化された偏差から真値への偏差）がガウス期待値と一致していることを示した。
• 格子への適用: 本手法は、$O(3)$ モデルのスペクトル密度を再構成するために適用された。無限体積、連続極限、および $\sigma \to 0$ 極限を行った後の最終的な結果は、厳密な解析的スペクトル密度と非常によく一致している。
• HLTとの比較: 最先端のHLT手法（文献[4]）と比較して、DeepONetベースの戦略は全不確かさの大幅な減少を示す。最終的な決定では、エネルギー $E < 20m$ において約2%の相対不確かさを達成し、より高いエネルギーでは約9%に上昇する。誤差予算を確認すると、統計、再構成、有限サイズ、および連続体の不確かさが同程度のレベルで寄与しており、単一の要因が支配的になることはない。

意義と主張
著者らは、本研究が、従来の線形正則化手法と比較して、格子QCDシミュレーションからスペクトル情報を抽出するためのより強力なアプローチを提供するDeepONetの可能性を示していると主張している。本手法は、既知の解析的スペクトル密度をより高い精度で再構成することに成功している。

論文のトーンは、その広範な適用性に関しては控えめである。結果は有望であるが、著者らは、特定の事前物理知識（$O(3)$ モデルに基づくGP平均関数）が存在しない場合に、観察された不確かさの減少がどの程度維持されるかは「未だ定量化されていない」と明記している。彼らは、本戦略がより現象論的に関連のある観測量や、格子場理論における他の演算に自然に拡張可能であることを述べているが、現在の検証は、厳密に $O(3)$ モデルのベンチマークに限定されている。本研究は、制約のない任意の未知の物理系に対してスペクトル再構成問題を解決すると主張するものではなく、制御された設定において既存のベンチマークを凌駕する、新しいオペレーター学習ベースのパラダイムの概念実証を確立するものである。