AI-assisted modeling and Bayesian inference of unpolarized quark transverse momentum distributions from Drell-Yan data

Dit artikel presenteert een Bayesiaanse analyse van ongepolariseerde quark-transversale impulsverdelingen uit Drell-Yan-data, waarbij kunstmatige intelligentie wordt ingezet voor het selecteren van functionele vormen en het trainen van een machine-learning-emulator om efficiënte, schaalbare parameterinferentie met N³LO+N⁴LL-nauwkeurigheid mogelijk te maken.

De kern

De Proton-kaart: Hoe AI en Wiskunde de binnenkant van deeltjes onthullen

Stel je voor dat je een proton (een bouwsteen van atomen) als een heel klein, snel draaiend balletje ziet. Maar in de wereld van deeltjesfysica is het geen simpel balletje; het is meer als een drukke, chaotische stad vol kleine deeltjes die we quarks noemen. Deze quarks bewegen niet alleen vooruit en achteruit, maar ook zijwaarts. Die zijwaartse beweging noemen we "transversale impuls".

De wetenschappers in dit paper willen een perfecte kaart maken van deze stad. Ze willen weten: Hoe snel bewegen de quarks zijwaarts, en hoe hangt dat samen met hoe snel ze vooruit bewegen?

Hier is hoe ze dat deden, vertaald in alledaagse taal:

1. Het Grote Experiment: De "Boterham"

Om de kaart te tekenen, kijken ze naar een proces dat Drell-Yan heet.

• De Analogie: Stel je voor dat je twee snelle auto's (de protonen) tegen elkaar laat botsen. Bij de klap vliegen er kleine deeltjes uit (elektronen of muonen) die we kunnen opvangen.
• Het Doel: Door te kijken hoe deze deeltjes uitvliegen, kunnen we terugrekenen hoe de quarks zich binnen de protonen gedroegen voordat ze botsten. Het is alsof je de sporen van een ontploffing analyseert om te begrijpen hoe de bom er van binnen uitzag.

2. Het Probleem: De "Onzichtbare" Deeltjes

De theorie die we hebben (de "regels" van de natuurkunde) werkt perfect voor de snelle, makkelijke bewegingen. Maar er is een lastig stukje: de niet-perturbatieve sector.

• De Analogie: Stel je voor dat je een auto probeert te besturen. Je weet precies hoe het gaspedaal werkt (de snelle beweging), maar je weet niet precies hoe de banden grip hebben op een gladde weg (de trage, complexe beweging). Dat "grip"-gedeelte is onbekend.
• De Uitdaging: Wetenschappers moeten een gok doen over hoe die "grip" eruitziet. Vroeger deden ze dit met een paar vaste formules. Maar wat als die formules niet goed genoeg zijn?

3. De Oplossing: AI als Ontdekkingsreiziger

Hier komt de Kunstmatige Intelligentie (AI) om de hoek kijken.

• De AI-Agent: In plaats dat een mens een formule bedenkt, gaven de onderzoekers een slimme computer-agent de opdracht: "Zoek de beste manier om die 'grip' te beschrijven."
• Het Proces: De AI probeerde honderden verschillende vormen van formules. Het testte ze, keek welke het beste paste bij de meetgegevens, en zette de slechte eruit. Het was alsof je een detective bent die duizenden verdachten heeft, maar de AI doet het in een paar dagen in plaats van maanden.
• Het Resultaat: De AI vond een nieuwe, slimme formule die beter werkt dan de oude handgemaakte versies.

4. De Snelheidsboost: De "Virtuele Simulator"

Het berekenen van deze formules is extreem zwaar voor een computer. Het is alsof je elke keer dat je een nieuwe route wilt plotten, de hele wereldkaart handmatig moet tekenen.

• De Emulator: De onderzoekers bouwden een AI-simulatie (een "emulator"). Dit is een slimme computer die de zware berekeningen leert nabootsen.
• De Analogie: In plaats van elke keer een echte auto te bouwen om te testen hoe snel hij is, bouw je een perfecte virtuele versie in een computerspel. Je kunt duizenden tests doen in seconden. Dit maakte het mogelijk om de hele analyse uit te voeren zonder dat de supercomputer maandenlang zou vastlopen.

5. Twee Manieren om te Raden: De "Replica" vs. De "Bayesiaanse" Methode

De onderzoekers wilden zeker weten dat hun kaart betrouwbaar was. Ze gebruikten twee verschillende methoden om de onzekerheid te meten:

• Methode A: De "Replica" (Het Spel van het Gokken)

  • Analogie: Je doet 100 keer hetzelfde spelletje, maar je gooit elke keer met een iets andere dobbelsteen (je verstoort de meetdata een beetje). Je kijkt dan hoe veel de uitkomsten verschillen. Als ze allemaal dicht bij elkaar liggen, ben je zeker.
  • Resultaat: Dit is de traditionele manier waarop fysici al jaren werken.

• Methode B: De "Bayesiaanse" (Het Waarschijnlijkheids-Model)

  • Analogie: Je begint met een idee (een prior) en past dat idee voortdurend aan terwijl je nieuwe bewijzen ziet. Je bouwt een complete "kans-wolk" van alle mogelijke antwoorden.
  • Resultaat: Deze methode gaf een iets breder beeld van de onzekerheid. Het zegt eigenlijk: "Er is een groter bereik van mogelijkheden dat we niet kunnen uitsluiten."

6. Het Eindresultaat: Een Nieuwe Kaart

Wat hebben ze gevonden?

• Ze hebben een nieuwe, zeer nauwkeurige kaart gemaakt van hoe quarks zich bewegen in een proton.
• De twee methoden (Replica en Bayesiaans) gaven bijna hetzelfde centrale resultaat, maar de Bayesiaanse methode was iets voorzichtiger in het aangeven van de foutmarges.
• De nieuwe kaart komt heel goed overeen met andere experimenten en zelfs met berekeningen van supercomputers (Lattice QCD).

Conclusie

Dit paper laat zien dat de toekomst van deeltjesfysica niet alleen gaat over grotere deeltjesversnellers, maar ook over slimme software. Door AI te gebruiken om de "gordijnen" van de onbekende natuurwetten op te lichten, en door twee verschillende manieren van denken te vergelijken, hebben de onderzoekers een betrouwbaarder beeld gekregen van de bouwstenen van ons universum.

Het is alsof ze de binnenkant van een proton niet alleen hebben gefotografeerd, maar ook een interactieve, 3D-kaart hebben gemaakt die we kunnen gebruiken om de toekomstige experimenten (zoals die bij de Electron-Ion Collider) nog beter te begrijpen.

Technische samenvatting

Titel

AI-ondersteunde modellering en Bayesiaanse inferentie van ongepolariseerde quark transversale impulsverdelingen (TMD PDFs) uit Drell–Yan-data.

1. Het Probleem

Transversale impuls-afhankelijke partonverdelingsfuncties (TMD PDFs) bieden een driedimensionaal beeld van de protonstructuur in impulsruimte. Het betrouwbaar extraheren van deze functies en het kwantificeren van hun onzekerheden is een uitdaging in de hoge-energiefysica.

• Huidige beperkingen: De meeste bestaande analyses vertrouwen op de Monte Carlo-replica-methode (een frequentistische aanpak). Hoewel deze methode intuïtief is, biedt deze geen directe probabilistische interpretatie van onzekerheden en maakt het het moeilijk om voorafgaande aannames (priors) expliciet te maken of nuisance-parameters te marginaliseren.
• Rekenkundige complexiteit: Bayesiaanse inferentie vereist het evalueren van de waarschijnlijkheidsfunctie (likelihood) miljoenen keren over een hoogdimensionale parameterruimte. Bij TMD-fysica, waarbij berekeningen op N3LO-perturbatieve QCD-niveau met N4LL-resummatie nodig zijn, is dit direct berekenen onhaalbaar.
• Modelleringsonzekerheid: De keuze voor de functionele vorm van de niet-perturbatieve componenten (zoals de Collins-Soper-kern) is vaak subjectief en beperkt tot een klein aantal handmatig gekozen ansatzes.

2. Methodologie

De auteurs presenteren een globale analyse van Drell–Yan-data (van vaste doelstellingen, RHIC, en LHC) binnen een Bayesiaans raamwerk, geïntegreerd met kunstmatige intelligentie (AI) op meerdere niveaus.

A. Theoretisch Kader

• Factorisatie: De analyse gebruikt TMD-factorisatie voor het Drell–Yan-proces ($h_1 + h_2 \to \ell^+\ell^- + X$) met een nauwkeurigheid van N3LO (next-to-next-to-next-to-leading order) in perturbatieve QCD, gecombineerd met N4LL (next-to-next-to-next-to-next-to-leading logarithmic) resummatie.
• Evolutie: De evolutie van de TMD PDFs wordt beschreven door de Collins-Soper-kern en de anomalie-dimensies.
• Data: Er zijn 465 datapunten gebruikt van experimenten zoals STAR, CDF, D0, ATLAS, CMS en LHCb, met een kinematische selectie ($q_T/Q < 0.2$) om het lage-$q_T$-regime te waarborgen.

B. AI-ondersteunde Modellering (Niet-perturbatieve Sector)

In plaats van een vaste functionele vorm te kiezen, gebruikten de auteurs een AI-agent (OpenAI Codex/GPT-5.4) om de ruimte van mogelijke niet-perturbatieve parameterisaties systematisch te verkennen:

• Doel: Het vinden van de beste functionele vormen voor de niet-perturbatieve Sudakov-factor ($S_{NP}$) en de niet-perturbatieve bijdrage aan de Collins-Soper-kern ($D_{NP}$).
• Proces: De agent genereerde kandidaat-ansatzes op basis van fysieke constraints (zoals gedrag bij $b \to 0$ en $b \to \infty$), evalueerde deze via $\chi^2$-fits, en rangschikte ze.
• Resultaat: Dit leidde tot een geoptimaliseerde vorm met 9 vrije parameters, waaronder een Gaussische vervorming in $\ln x$ en een verzadigingsprofiel voor de Collins-Soper-kern.

C. Bayesiaanse Inferentie en Emulatie

Om de hoge rekenkosten van Bayesiaanse sampling te overwinnen, bouwden de auteurs een machine learning-emulator:

• Surrogaatmodel: Een Multilayer Perceptron (MLP) werd getraind om de "gewhite" residuen van de theorievoorspellingen te voorspellen in plaats van de ruwe cross-sections. Dit versnelt de evaluatie van de likelihood aanzienlijk.
• Adaptieve Training: Een "controller-executor-reviewer" workflow zorgde voor adaptieve data-selectie, waarbij het model werd getraind op de moeilijkste gebieden in de parameterruimte.
• Sampling: Er werd gebruik gemaakt van een affine-invariante Markov Chain Monte Carlo (MCMC) ensemble-sampler (emcee) om de posterior-verdeling van de parameters te verkennen.
• Marginalisatie: De onzekerheid van collineaire PDFs werd direct in de likelihood verwerkt door te marginaliseren over een ensemble van PDF-replica's.

3. Belangrijkste Resultaten

A. Vergelijking: Bayesiaans vs. Replica-methode

De auteurs voerden een parallelle analyse uit met de traditionele replica-methode om de twee inferentiestrategieën direct te vergelijken:

• Centrale Waarden: Beide methoden leveren zeer vergelijkbare centrale waarden voor de parameters en cross-sections op ($\chi^2/N \approx 1$).
• Onzekerheidskarakterisering:
  • De Bayesiaanse methode levert over het algemeen breerdere onzekerheidsbanden op (gemiddeld een factor 1.23 breder dan de replica-methode).
  • De structuur van de correlaties tussen parameters verschilt: de Bayesiaanse analyse toont sterkere interacties tussen de vorm-parameters en de Gaussische parameters, terwijl de replica-methode sterkere anti-correlaties toont tussen de Collins-Soper-parameters ($c_1$ en $B_{NP}$).
• Gaussische Benadering: De auteurs tonen aan dat de Bayesiaanse posterior beter voldoet aan een Gaussische benadering (Hessiaan-benadering) dan de replica-verdeling. Dit suggereert dat Bayesiaanse resultaten beter bruikbaar zijn voor latere fitting-pipelines die op Gaussische statistiek zijn gebaseerd.

B. Geëxtraheerde Grootheden

• Collins-Soper-kern: De geëxtraheerde kern is consistent met eerdere fenomenologische extraheringen (zoals ART en EEC) en met recente rooster-QCD-bepalingen (zoals ASWZ24 en LPC23).
• TMD PDFs: De geëxtraheerde TMD PDFs zijn glad, positief en vertonen de verwachte evolutie: bij hogere schalen ($Q$) wordt de verdeling breder in $k_T$ (transversale impuls) en onderdrukt bij kleine $b$.

4. Significatie en Bijdragen

1. Methodologische Doorbraak: Dit werk is een van de eerste die een volledige Bayesiaanse analyse van TMD PDFs uitvoert met N3LO+N4LL nauwkeurigheid, waarbij de rekenkundige barrière wordt doorbroken door AI-gestuurde emulatie.
2. AI in Fysica: Het demonstreert hoe AI-agenten effectief kunnen worden ingezet om de ruimte van niet-perturbatieve modellen te verkennen, wat leidt tot minder vooroordelen in de keuze van de functionele vorm dan traditionele handmatige selecties.
3. Onzekerheidskwantificatie: De studie benadrukt dat de keuze van de inferentiemethode (Bayesiaans vs. Replica) de geschatte onzekerheden en correlaties beïnvloedt. Het Bayesiaanse raamwerk biedt een transparantere manier om onzekerheden te definiëren en externe informatie (zoals rooster-QCD) te integreren.
4. Toekomstperspectief: Het ontwikkelde raamwerk is schaalbaar en klaar voor de integratie van toekomstige data, bijvoorbeeld van de Electron-Ion Collider (EIC), en voor het combineren van heterogene databronnen binnen één probabilistisch model.

Conclusie:
De auteurs tonen aan dat Bayesiaanse inferentie, ondersteund door AI, een krachtig en complementair alternatief is voor de standaard replica-methode in de TMD-fysica. Hoewel de centrale voorspellingen vergelijkbaar zijn, biedt de Bayesiaanse aanpak een robuustere en probabilistisch consistente beschrijving van de onzekerheidsstructuur, wat essentieel is voor de volgende generatie precisie-experimenten in de deeltjesfysica.