Normalizing Flows to Reconstruct Pseudo-PDFs

기술 요약: Pseudo-PDF 재구성을 위한 Normalizing Flows

문제 정의
부분자 분포 함수(PDF)는 강입자 구조를 이해하는 데 필수적이지만, 저에너지 스케일에서의 쿼크 및 글루온 상호작용이 비섭동적(non-perturbative)인 특성 때문에 직접 계산하기가 매우 어렵다. 최근의 격자 프레임워크는 비국소 행렬 요소(Ioffe-time 분포, ITD)를 계산하고, pseudo-PDF $P(x, z^2)$를 재구성하기 위한 역문제(inverse problem)를 해결함으로써 이 양들을 조사하는 방안을 제안하고 있다. 이 역문제는 부적정(ill-posed)하다. 가용한 격자 데이터는 제한된 수의 Ioffe-time 지점($N_\nu \sim 10$)으로 구성되는 반면, PDF는 연속적인 이산화된 운동량 분율 그리드($N_x = 129$) 상에서 재구성되어야 하기 때문이다. Gaussian Process(GP) 회귀를 포함한 기존의 접근 방식들은 매끄러움(smoothness)과 물리적 제약 조건을 인코딩하여 이를 해결해 왔으나, 격자 정보가 존재하지 않는 외삽(extrapolation) 영역에서 불확실성을 제어하기 위해 정교하고 종종 수동적인 하이퍼파라미터 선택 과정을 요구한다.

방법론
본 연구는 Gaussian Process 사전 분포(prior)와 Invertible Neural Networks(INN, 정규화 흐름(normalizing flows)의 일종)를 결합하여 PDF에 대한 전체 사후 분포(posterior distribution)를 학습하는 프레임워크를 제안한다. 이 방법론은 세 가지 주요 구성 요소로 이루어진다:

1. 데이터 생성 및 GP 사전 분포:
   학습 데이터는 이산화된 $x$-그리드 상에 정의된 Gaussian Process 사전 분포로부터 샘플링된 PDF를 통해 생성된다. GP 커널과 평균은 물리적 경계 조건인 정규화($\int q(x)dx = 1$) 및 $x=1$에서의 소멸 조건($q(1)=0$)을 강제하기 위해 라그랑주 승수(Lagrange multipliers)를 통해 제약된다. 샘플링된 PDF들은 푸리에 변환 관계의 2차 유한 요소 근사에서 유도된 이산 선형 연산자를 사용하여 합성 ITD 데이터로 변환된다.

2. Invertible Neural Network 구조:
   본 프레임워크의 핵심은 Real NVP (Affine Coupling) 층에 기반한 INN이다. 이 네트워크는 고차원 PDF 공간($\mathbb{R}^{N_x}$)과 저차원 ITD 관측량 및 잠재 변수(latent variables) 공간($\mathbb{R}^{N_\nu + N_z}$) 사이의 전단사 사상(bijective mapping) $f$를 구축한다.

• 차원 처리: $N_x > N_\nu$이므로, 입력과 출력의 차원을 일치시키기 위해($N_x = N_\nu + N_{noise} + N_{pad}$) 잠재 변수($N_{noise}$)와 제로 패딩($N_{pad}$)을 도입한다.
• 구조: 아키텍처는 6개의 적층된 affine coupling 층으로 구성된다. 각 층은 입력을 분할하고, LeakyReLU 활성화 함수를 가진 3개 층의 MLP로 매개변수화된 스케일링 및 이동 함수를 적용한다.
• 정규화: PDF의 발산하는 함수 형태에 따른 안정성을 보장하기 위해 사전 평균(prior mean)과 점별 분산(point-wise variance)을 사용하여 입력 샘플을 정규화한다.

3. 학습 목적 함수 (Maximum Mean Discrepancy):
   네트워크는 확률 분포 간의 거리를 측정하는 커널 기반 메트릭인 Maximum Mean Discrepancy(MMD) 손실 함수를 사용하여 학습된다. 손실 함수는 양방향이다:

• 네트워크가 예측한 PDF(역사상)와 실제 학습용 PDF 사이의 불일치를 최소화한다.
• 순방향 매핑된 ITD 데이터(및 잠재 변수)와 그 사전 분포 사이의 불일치를 최소화한다.
• 추가적인 항들은 순방향 매핑의 정확도($L_1$ norm)를 강제하고, 패딩된 출력 차원이 0임을 보장한다($L_2$ norm).

주요 결과
저자들은 프레임워크를 평가하기 위해 파라메트릭 PDF를 사용한 "폐쇄 테스트(closure test)"를 수행하였다:

• 잠재 차원 의존성: 재구성은 $x=1$에 가까운 영역에서는 실제 값(ground truth)과 일치하였다. 그러나 외삽 영역(낮은 $x$ 및 높은 Ioffe time $\nu$)에서는 재구성 품질이 잠재 노이즈 공간의 차원에 따라 달라졌다. 이는 잠재 변수가 역문제의 정규화를 효과적으로 조절하고 있음을 시사한다.
• 데이터 가용성: 가용한 ITD 데이터($\nu$)의 범위가 증가함에 따라 재구성 정확도가 향상되었으며, 이는 GP 회귀나 베이지안 추론과 같은 다른 방법들과 일치하는 동작이다.
• 제약 조건 보존: 아키텍처는 추론 단계에서 명시적인 강제 없이도 정규화 및 경계 조건 $q(1)=0$과 같은 물리적 제약 조건을 성공적으로 유지하였다.

의의 및 주장
본 논문은 전통적인 GP 접근 방식의 하이퍼파라미터 선택 단계를 정규화 흐름 아키텍처로 매핑하는 작업의 개념 증명(proof of concept)으로서 본 연구를 위치시킨다. 저자들은 이 접근 방식이 다음과 같다고 주장한다:

• Gaussian Process의 유연성을 유지하면서 Invertible Neural Networks의 표현력을 활용한다.
• 제한된 Ioffe-time 데이터에 대해 일관된 사후 분포를 성공적으로 학습한다.
• 문제에 내재된 물리적 제약 및 외삽 특성을 보존한다.
• 지정된 캘리브레이션 절차가 GP 회귀에서 학습될 수 있음을 입증함으로써, 기존의 재구성 방법들에 대한 데이터 기반 대안을 제공한다.

저자들은 현재 방법이 학습에 사용된 특정 GP 사전 분포에 의해 제약되어 있음을 언급하며 즉각적인 적용에 대해 신중한 태도를 유지하였다. 이들은 향후 연구가 더 넓은 범위의 사전 샘플에 대한 학습, 실제 격자 데이터에의 적용, Mellin 모멘트 측정의 통합, 그리고 일반화된 파톤 분포 함수(GPD)와 같은 고차원 양으로의 확장에 집중해야 한다고 제언하였다.