Reconstructing Meson Parton Distributions from Mellin Moments with Artificial Neural Networks

技術要約：人工ニューラルネットワークを用いたメソン・パルトン分布のモーメントからの再構成

問題の定義
本論文は、有限個のメリン・モーメント $\{M_n\}_{n=0}^N$ から、メソンのパルトン分布関数（PDF）またはパルトン分布振幅（PDA）として表される $q(x)$ を再構成するという逆問題を扱っている。ここで、モーメントは $M_n = \int_0^1 x^n q(x) dx$ と定義される。この再構成は、アダマール（Hadamard）の意味において本質的に不良設定（ill-posed）である。すなわち、有限のモーメント集合から点ごとの $x$ 依存性への写像は、一意的でもなければ安定でもない。初めの $N$ 個のモーメントを共有する関数は無限に存在し得、入力データへの微小な摂動が、再構成されたプロファイルに非物理的な振動や偽の多峰性を誘発することがある。従来のアプローチは、多くの場合、硬直的なパラメトリック・アンサンブル（例：ベータ型関数）に依存しており、これは重大な関数的バイアスを導入する。あるいは、追加の選択基準を課すエントロピーに基づく手法も用いられる。

手法
著者らは、第一原理に基づいた物理的制約を持つ、柔軟で非パラメトリックな再構成戦略として、人工ニューラルネットワーク（ANN）を提案している。

1. 物理的制約（ハードおよびソフト）:
   特定の関数形式を仮定する代わりに、本手法ではメソン分布の既知の物理的性質を強制する。

   • ハード制約（アーキテクチャによるもの）: 以下の事項を厳密に満たすことを保証する「ラッパー」を通じて実装される。
     • サポート（支持域）: $x \in [0, 1]$。
     • 正規化: $\int_0^1 q(x) dx = 1$。
     • 端点挙動: $q(0) = q(1) = 0$。これは、ネットワークの出力を前因子（例：$x(1-x)$）で乗じるか、あるいは対称化することによって達成される。
     • 対称性: パイオン（およびクォークオニア）については、厳密な $x \leftrightarrow 1-x$ 対称性が強制される。
   • ソフト制約（損失ペナルティ）: 不良設定の逆問題に特有のアーティファクト（偽の隆起や曲率の反転）を抑制するために、微分可能なペナルティが損失関数に加えられる。
     • 単峰性 ($L_{uni}$): 単峰構造に違反する勾配を罰する。
     • 凹性 ($L_{conc}$): ピーク付近での正の曲率（変曲点）を罰する。

2. ネットワーク・アーキテクチャ:
   物理的ラッパーが適用される前の関数 $f(x)$ を近似するために、2種類の交換可能なニューラル・コアが比較される。

   • 多層パーセプトロン (MLP): ノードに固定された非線形性と、エッジに学習可能な線形重みを持つ標準的なフィードフォワード・ネットワーク。
   • コルモゴロフ・アーノルド・ネットワーク (KAN): エッジに学習可能な非線形性（スプライン）が存在し、ノードは単純な加算を行うネットワーク。KANはコンパクトな支持を持つB-スプラインを利用する。

3. 学習手順:
   ネットワークは点ごとのデータ（これは利用不可能である）ではなく、モーメントに対して学習される。損失関数は、ターゲットとなるモーメントと、ネットワークの点ごとの出力の数値積分（求積法）によって計算された予測モーメントとの間の、重み付き最小二乗誤差を最小化する。重要な点は、この積分ステップが微分可能であるため、勾лоトがネットワークのパラメータへと逆伝播できることである。

主要な結果
本手法は、合成されたターゲット分布（対称な「パイオン型」および非対称な「カオン型」の両方）に対してベンチマークが行われた。これらについては、真の関数とモーメントが既知である。

• KAN vs. MLP の性能: KANは、特に非対称な分布（カオン）において、また入力モーメント数が少ない場合（$N=5$ 対 $N=10$）において、点ごとの $x$ プロファイルを再構成する上で一貫してMLPを上回った。
  • 両方のネットワークは、入力モーメントを同等の精度で再現した。これは、異なるプロファイルが同じモーメントに適合し得るという、不良設定の性質を示している。一部の非対称なケース（例：表2）では、特定のモーメント次数 $n$ においてMLPの方がわずかに精度が高い場合もあった。
  • しかし、KANは、すべての3つのベンチマーク（対称および非対称）において、低次のモーメント（$n=1, 2, 3$）において系統的に低い相対誤差を示した。これらの低次モーメントは、分布の全体的な位置、幅、および歪度を決定するものである。
  • KANは、モーメントの再現性は同等であったにもかかわらず、視覚的および統計的に真のターゲット関数に近いプロファイルを生成した。
• 局所性の役割: 著者らは、KANの優位性をそのB-スプライン基底の局所性に帰している。KANでは、スプライン係数の調整は $x$ の小さな窓の中でのみ関数に影響を与える。対照的に、MLPの重みはグローバルな支持を持つため、ある領域の適合を修正するための勾配ステップが、他の領域に偽のグローバルな振動を誘発することがある。この局所性により、KANは他の領域を不安定化させることなく、非対称なピークを「彫刻」することができる。
• データの希少性: わずか5つのモーメントで学習した場合、KANは低次モーメントと中央領域において高い忠実度を維持したが、MLPの再構成は真のプロファイルからより大きく逸脱した。

意義と主張
本論文は、最小限の関数的バイアスでメソン分布を再構成する手法を実証したと主張している。硬直的なパラメトリック・アンサンブルを、厳格な物理的原理（サポート、正規化、対称性）と統計的期待（単峰性）のみによって制約された柔軟なニューラル・コアに置き換えることで、本アプローチは特定の形状族を仮定することによる「ハードなバイアス」を回避している。

著者らは、スプラインに基づいたエッジ局所的なアーキテクチャが提供する誘導バイアスによるものであり、生の容量（キャパシティ）によるものではないと考えているが、KANアーキテクチャは、標準的なMLPを悩ませるグローバルな振動を自然に抑制するため、この種の逆問題に特に適していると述べている。本研究は、ニューラルネットワークが限られたモーメント・データから分布の形状を正確に復元できることを示す実現可能性調査としての役割を果たしている。著者らは、現在の「データセットごとの適合」アプローチは計算量が多いものの、将来的な研究として、アモルタイズされた推論（amortized inference）（合成モーメントのライブラリに対して単一のモデルを学習させること）を探求する予定であると述べている。ただし、これは明示的なハード制約の強制を、学習データ分布からの暗黙的な学習へとトレードオフすることになる。

結論として、KANの優位性は、おそらく生の容量ではなく、スプラインベースのエッジ局所的なアーキテクチャによって提供される特定の誘導バイアスに起因するものであると述べている。著者らは、今回使用されたKANはMLPよりも大幅に多くのパラメータを有していたことを明記しており、容量のみによって優位性の大部分を説明できる可能性があることを認めている。しかし、それが主要な説明ではないと考えており、スプライン基底の効果を厳密に分離するために、パラメータ数を一致させた制御された比較を行う必要があると呼びかけている。