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

본 논문은 생성형 AI 와 베이지안 추론을 활용하여 횡방향 운동량 의존 (TMD) 파트론 분포와 그 진화 핵을 동시에 추출하는 새로운 비모수적 픽셀 기반 프레임워크를 제시함으로써, 불확실성을 엄격하게 특성화하고 내재된 퇴화성을 해결하면서도 편향 없는 3 차원 파트론 이미징을 가능하게 한다.

핵심

어떤 숨겨진 물체가 벽에 드리운 그림자만 보고 그 모양을 파악하려 한다고 상상해 보세요. 물리학자들이 횡방향 운동량 의존 (TMD) 분포를 연구할 때 바로 이런 일을 하려 합니다. 그들은 양성자 내부의 작은 입자들 (쿼크와 글루온) 에 대한 3 차원 "지도"를 만들고 싶어 하지만, 오직 이 입자들이 고속으로 서로 충돌할 때 만들어지는 "그림자" (데이터) 만 볼 수 있을 뿐입니다.

이 논문은 생성형 AI와 고급 수학을 결합하여 이러한 "그림자 퍼즐"을 해결하는 새로운, 지능적인 방법을 제시합니다. 간단한 비유를 들어 그들의 접근 방식을 살펴보면 다음과 같습니다:

1. 문제: 흐릿한 그림자

과거 과학자들은 양성자의 내부 지도 모양을 특정하고 매끄러운 곡선 (완벽한 종 모양과 같은) 으로 가정하여 추측하려 했습니다. 하지만 양성자가 그렇게 단순하지 않을 수도 있습니다.

이 논문은 복잡한 조각상의 모양을 흐릿한 그림자만 보고 추측하려 하는 것과 같다고 주장합니다. 그림자가 반드시 매끄러운 공에서 나온 것이라고 가정한다면, 흥미로운 돌출부와 오목한 부분을 모두 놓칠 수 있습니다. 더 나아가, 그림자를 다시 물체로 되돌리는 수학은 "잘못 설정된 (ill-posed)" 문제입니다. 이는 동일한 그림자를 드리울 수 있는 모양이 여러 가지일 수 있음을 의미합니다. 만약 하나의 특정 각도 (하나의 에너지 준위) 에서만 데이터를 가지고 있다면, 아무리 많은 데이터를 수집해도 수학적으로 보이지 않는 물체의 일부가 존재합니다. 저자들은 이러한 보이지 않는 부분을 **"Null TMDs"**라고 부릅니다. 즉, 현재 데이터로는 단순히 "볼 수 없는" 양성자의 특징들입니다.

2. 해결책: 픽셀화된 접근법

매끄러운 곡선을 추측하는 대신, 저자들은 양성자의 내부 지도를 픽셀로 구성된 디지털 이미지처럼 취급하기로 결정했습니다.

• 옛 방식: 전체 이미지를 단일 공식에 맞추려 시도하는 것 (예: "전체 그림은 원이다"라고 말하는 것).
• 새 방식: 이미지를 50 개의 작은 사각형 (픽셀) 그리드로 분해하는 것입니다. 그들은 각 픽셀의 밝기를 개별적으로 데이터가 결정하도록 했습니다. 이는 "비모수적 (nonparametric)"인 것으로, 데이터를 미리 만들어진 틀에 맞추는 것이 아니라 데이터가 스스로 말하게 하는 것입니다.

3. 엔진: 탐정으로서의 생성형 AI

픽셀이 너무 많고 (50 개) 수학이 매우 복잡하기 때문에, 모든 가능한 픽셀 밝기 조합을 확인하는 것은 우주의 나이보다 더 오래 걸릴 것입니다. 이를 해결하기 위해 그들은 생성형 AI(구체적으로 "정규화 흐름")를 사용했습니다.

AI 를 수백만 개의 이러한 그림자 퍼즐을 본 초지능 탐정이라고 생각하세요.

1. 학습: AI 는 "합리적인" 양성자 지도가 어떤 모습인지에 대한 일반적인 규칙을 학습합니다 (물리학적 제약을 알고 있습니다).
2. 샘플링: 하나의 답을 추측하는 대신, AI 는 그림자를 설명할 수 있는 수천 가지의 가능한 "픽셀 지도"를 생성합니다.
3. 필터링: 통계적 방법 (Metropolis-Hastings) 을 사용하여 실험 데이터와 완벽하게 일치하는 지도만 유지하고 그렇지 않은 것은 폐기합니다.

이를 통해 그들은 단순히 "가장 좋은" 지도 하나를 찾는 것을 넘어, 지도의 불확실성을 이해할 수 있습니다. 그들은 "여기 픽셀은 95% 확률로 밝다고 믿지만, 저기 픽셀은 전혀 확신할 수 없다"고 말할 수 있습니다.

4. "정밀도 바닥"과 다중 스케일 트릭

저자들은 한 가지 한계를 발견했습니다. 완벽한 데이터라 하더라도, 그림자를 한 각도(하나의 에너지 준위) 에서만 본다면 "정밀도 바닥"이 존재합니다. 그림자의 수학 (베셀 변환) 이 회절 한계 렌즈처럼 작용하기 때문에 양성자 중심의 미세한 세부 사항을 볼 수 없습니다. 이는 고주파 세부 사항을 필터링해 버립니다.

혁신적 발견:
숨겨진 세부 사항을 보려면 그림자를 여러 각도(서로 다른 에너지 준위) 에서 봐야 합니다.

• 비유: 거친 돌의 질감을 보려 한다고 상상해 보세요. 한쪽에서 빛을 비추면 일부 그림자가 보입니다. 빛을 움직이면 (에너지를 변경하면) 그림자가 이동하여 다른 질감을 드러냅니다.
• 네 가지 다른 에너지 준위에서 데이터를 결합함으로써 AI 는 양성자의 구조를 "삼각측량"할 수 있습니다. 고에너지 데이터는 저에너지 데이터가 놓치는 작고 중심에 있는 세부 사항을 해결하는 데 필요한 "고주파" 정보를 제공합니다.

5. 복잡한 경우: 컨볼루션

이 논문은 더 어려운 시나리오인 구조 함수에 대해서도 이를 테스트했습니다.

• 비유: 그림자가 단순히 양성자가 아니라, 벽에 닿기 전에 이미지를 왜곡시키는 유리 조각 (단편화 함수) 이 추가된 양성자라고 상상해 보세요.
• 저자들은 그들의 AI 가 유리에 의해 발생한 왜곡을 성공적으로 "역변환 (deconvolve)"하여 원래 양성자 지도를 재구성할 수 있음을 보였습니다. 비록 유리가 일부 세부 사항을 숨기고 있었음에도 불구하고 말입니다.

연구 결과 요약

• Null TMDs 의 존재: 단일 에너지 실험으로는 수학적으로 보이지 않는 양성자 구조의 일부가 존재합니다. 이러한 부분은 데이터가 아닌 우리의 이론적 가정으로만 정의되며 "제약되지 않은" 상태로 남습니다.
• 다중 스케일이 핵심: 같은 에너지에서 더 많은 데이터를 수집한다고 해서 이러한 보이지 않음을 극복할 수 없습니다. 전체 그림을 보기 위해 "퇴화를 깨뜨리기" 위해서는 반드시 서로 다른 에너지에서 데이터를 수집해야 합니다.
• AI 의 성공: 이 픽셀 기반의 AI 주도 방법은 테스트에서 양성자의 내부 지도를 성공적으로 재구성하여, 양성자의 3 차원 구조에 대해 우리가 무엇을 알고 (또는 무엇을 모르는) 에 대해 훨씬 더 정직하고 상세한 그림을 제공했습니다.

요약하자면, 저자들은 새로운 유연한 카메라 (픽셀-AI 프레임워크) 를 구축하고, 양성자의 심장을 선명한 3 차원 사진으로 얻으려면 한 곳에서만 찍는 것이 아니라 여러 다른 거리에서 사진을 찍어야 함을 증명했습니다.

기술 요약

기술적 요약: 생성형 AI 를 통한 관점에서의 TMD

문제 제기
실험 데이터로부터 횡운동량 의존성 (TMD) 파톤 분포 함수 (PDF) 를 추출하는 것은 고전적인 역문제에 해당합니다. 콜린스 - 소페르 - 스테만 (CSS) 형식주의 내에서 TMD 는 베셀 (행크) 변환을 통해 관측 가능한 단면적과 관련되며, 이는 수학적으로 제 1 종 프레드홀름 적분 방정식으로 공식화됩니다. 이 문제는 본질적으로 잘 정의되지 않은 (ill-posed) 문제입니다: 실험 데이터는 이산적이며, 범위가 유한하고, 통계적 불확실성의 영향을 받기 때문입니다. 결과적으로, 충격파라미터 ($b_T$) 공간에서 무수히 많은 구성 요소가 오차 범위 내에서 동일한 관측량을 재현할 수 있습니다.

현재 최첨단 글로벌 분석들은 일반적으로 이러한 해를 제약하기 위해 경직된 분석적 함수 형태나 명시적 정규화를 갖춘 신경망에 의존합니다. 그러나 이러한 접근법들은 종종 "널 TMD(null TMDs)"의 존재, 즉 적분 변환의 유효 널 공간에 존재하는 함수적 모드에 대해 공식적으로 다루는 데 실패합니다. 이러한 모드는 데이터의 유한한 운동량 도달 범위 때문에 물리적 관측량에 근본적으로 보이지 않지만, 선택된 함수 형태나 정규화에 의해 암묵적으로 제약받는 경우가 많아 3 차원 파톤 이미징의 진정한 불확실성을 과소평가하게 할 수 있습니다.

방법론적 프레임워크
본 연구는 하이브리드 정규화 흐름 기반 메트로폴리스 - 헤이스팅스 (NF-MH) 접근법을 통해 검증된 TMD 에 대한 베이지안 추론 및 이미징을 위한 비모수적, 픽셀 기반 프레임워크를 도입합니다.

1. 픽셀 기반 이산화: 글로벌 함수 형태를 가정하는 대신, $b_T$ 공간의 TMD 분포를 노드 값 ("픽셀") 의 그리드로 이산화합니다. 연속적인 분포는 이러한 노드 위에 정의된 국소 보간법 (라그랑주 다항식) 을 사용하여 재구성됩니다. 이를 통해 데이터가 사전 편향 (a priori bias) 을 최소화하면서 분포의 형태를 결정할 수 있습니다.
2. 베이지안 추론: 재구성은 확률적 추론 문제로 프레임됩니다. 사후 확률 분포 $P(\tilde{f}|f)$는 베이지 정리를 사용하여 결정되며, 데이터와 이론 간의 $\chi^2$ 잔차에 기반한 가능도 함수와 사전 분포를 결합합니다. 사전 분포는 특정 글로벌 형태를 강제하지 않으면서 비물리적 진동을 패널티로 부과하고 매끄러움을 보장하기 위해 2 차까지의 티호노프 스타일 정규화를 사용합니다.
3. 생성형 AI 샘플링: 고차원 사후 분포 (50 개 이상 차원) 를 효율적으로 샘플링하기 위해, 저자들은 목표 사후 밀도를 근사하도록 훈련된 정규화 흐름 (NF) 을 활용합니다. NF 는 메트로폴리스 - 헤이스팅스 (MH) 알고리즘을 위한 전역 제안 분포로 작용합니다. 이러한 하이브리드 전략은 고차원에서 전형적인 국소 무작위 보행의 느린 탐색을 우회하여, GPU 가속과 자동 미분을 통한 계산 효율성을 유지하면서 사후 분포의 정확한 샘플링을 가능하게 합니다.
4. 특이값 분해 (SVD): 프레임워크는 커널 행렬의 SVD 를 사용하여 해상도 한계를 엄격하게 특성화합니다. 이는 해 공간을 데이터에 의해 제약된 "관측 가능 공간"과 데이터에 의해 제약되지 않고 사전에 의해만 결정되는 "널 공간"으로 분해합니다.

주요 기여 및 결과
이 방법론은 점진적으로 복잡도가 증가하는 세 가지 클로저 테스트를 통해 검증되었습니다: 기준 가우시안 모델, $u$ 쿼크 TMD PDF, 그리고 분열 함수 (fragmentation functions) 와의 컨볼루션을 포함하는 비편광 $F_{UU,T}$ 구조 함수입니다.

• 널 TMD 식별: SVD 분석은 "널 TMD"를 공식적으로 정의하고 정량화합니다. 연구는 단일 스케일 측정의 경우 베셀 커널이 작은 $b_T$(짧은 거리) 에 해당하는 고주파 성분을 효과적으로 필터링한다는 것을 보여줍니다. 이러한 성분은 널 공간에 위치하므로, 그 재구성은 실험 데이터가 아닌 이론적 사전에 의해 전적으로 주도됩니다. 이는 통계적 정밀도 ($N_{ev}$) 를 높여도 작은-$b_T$ 영역의 불확실성 밴드가 좁아지지 않는 회복 불가능한 "정밀도 바닥"을 생성합니다.
• 다중 스케일 해상도: 본 논문은 이러한 해상도 장벽이 다중 스케일 분석에 의해 깨진다는 것을 보여줍니다. 여러 에너지 스케일 ($\mu^2$) 에서 데이터를 동시에 피팅함으로써 TMD 의 진화는 $k_T$ 스펙트럼의 다른 영역에 접근할 수 있게 합니다. 고에너지 데이터는 $b_T$ 공간의 단거리 구조에 해당하는 고운동량 꼬리를 탐지합니다. 이러한 "운동량 지렛대"는 이전에 접근 불가능했던 관측 가능 부분 공간을 효과적으로 채워 널 공간의 지배력을 현저히 줄이고 정밀도 바닥을 낮춥니다.
• 컨볼루션된 관측량의 디컨볼루션: $F_{UU,T}$ 사례에서 프레임워크는 분열 함수 (FF) 로부터 TMD PDF 를 성공적으로 디컨볼루션합니다. 분석은 FF 가 민감도를 변조할 뿐만 아니라 큰-$b_T$ 구조를 가릴 수 있는 제한된 조리개 역할을 할 수도 있음을 보여줍니다. 다중 스케일 접근법은 이러한 컨볼루션된 상황에서도 내재된 하드론 구조를 복원하는 데 여전히 효과적입니다.
• 불확실성 정량화: NF-MH 프레임워크는 단일 "최적 적합" 곡선이 아닌 분포에 대한 완전한 확률 밀도를 제공합니다. 앙상블 분석은 프레임워크가 통계적 변동을 올바르게 포착하고 내부 모델 정밀도와 외부 통계적 안정성 사이를 구분함을 확인시켜 줍니다.

의의 및 주장
저자들은 이 작업이 TMD 역문제를 해결하기 위해 베이지안 맥락 내에서 픽셀 기반 이산화, 생성형 AI, 그리고 SVD 를 통합한 최초의 사례라고 주장합니다. 주요 의의는 점별 최적화에서 해 공간의 완전한 확률적 매핑으로의 전환에 있으며, 이는 다음과 같은 효과를 가집니다:

1. 고유한 퇴화성 제거: 널 TMD 를 명시적으로 식별하고 정량화함으로써 경직된 함수 가정에서 비롯될 수 있는 잘못된 확신을 방지합니다.
2. 편향 없는 이미징 가능: 비모수적 접근법은 비섭동적 진화 커널과 내재적 하드론 구조를 동시에 추출할 수 있게 하며, 비섭동적 구성 요소에 경직된 형태를 부과하지 않습니다.
3. 해상도 한계 정의: 본 연구는 3 차원 파톤 지도의 해상도가 단순히 통계적 정밀도의 함수가 아니라 운동량 공간에서 데이터의 스펙트럼 커버리지에 의해 근본적으로 제한된다는 것을 공식적으로 확립합니다. 저자들은 핵의 고충실도 이미징을 달성하려면 베셀 변환이 부과하는 회절 한계를 극복하기 위해 다중 스케일 데이터가 필요하다고 주장합니다.

이 논문은 머신러닝과 다중 스케일 데이터 간의 이러한 시너지가 제퍼슨 랩 (Jefferson Lab) 과 전자 - 이온 충돌기 (EIC) 와 같은 시설의 향후 글로벌 분석을 위한 견고한 기초를 제공하면서 고품질 3 차원 파톤 이미징을 향한 새로운 길을 확립한다고 결론짓습니다.