Kernel transformations and bounds for smeared spectral functions

Technische Samenvatting: Kerneltransformaties en Grenzen voor Gesmeerde Spectrale Functies

Probleemstelling
In kwantumveldentheorieën, met name Kwantumchromodynamica (QCD), zijn spectrale functies vaak singuliere getemperde distributies. Fenomenologische toepassingen en vergelijkingen tussen theorie (bijv. Lattice QCD) en experiment vereisen vaak het evalueren van deze functies die gesmeerd zijn met specifieke kernels (bijv. Cauchy-, Gaussische of kinematisch gemotiveerde kernels). Hoewel Lattice QCD ruisende, discrete monsters levert van Euclidische-tijd correlatiefuncties (die zelf Laplace-gesmeerde spectrale observabelen zijn), vormt het direct extraheren van een specifieke doel-gesmeerde observabele $\rho[\kappa]$ uit deze data een beruchte slecht gestelde inverse problem.

Dit werk behandelt een gerelateerde maar afzonderlijke uitdaging: het kerneltransformatieprobleem. Gegeven een familie van energie-gesmeerde observabelen $\rho[\phi_\alpha]$ (berekend via één kernelfamilie), hoe kan men op een rigoureuze wijze dezelfde onderliggende spectrale functie smeren met een andere doel-kernel $\kappa$? Het doel is om kaarten tussen deze families te vestigen zonder terug te keren naar het oorspronkelijke inverse probleem van de niet-gesmeerde spectrale functie $\rho(\omega)$, terwijl men ook rigoureuze grenzen vaststelt voor de resulterende observabelen die rekening houden met zowel statistische ruis als systematische fouten die door de transformatie worden geïntroduceerd.

Methodologie
De auteurs ontwikkelen een raamwerk gebaseerd op de lineariteit van de spectrale functional $\rho[\kappa] = \int d\omega \rho(\omega)\kappa(\omega)$. De kernstrategie is om de doel-kernel $\kappa(\omega)$ uit te drukken als een lineaire combinatie (of integraal) van de input-kernelfamilie $\{\phi_\alpha\}$ via een "transitie-kernel" $K_{\kappa \leftarrow \phi}(\alpha)$:
$$\kappa(\omega) = \int_A d\alpha K_{\kappa \leftarrow \phi}(\alpha) \phi_\alpha(\omega)$$
Indien deze representatie convergeert, wordt de doel-observabele direct verkregen uit de input-data:
$$\rho[\kappa] = \int_A d\alpha K_{\kappa \leftarrow \phi}(\alpha) \rho[\phi_\alpha]$$

De methodologie wordt verdeeld in twee regimes:

1. Exacte Transformaties: Het artikel stelt analytische voorwaarden vast waaronder de transitie-kernel bestaat en de integraal convergeert zonder willekeurige regularisatie. Dit steunt zwaar op de analytische structuur van de kernels in het complexe vlak (specifiek de locatie van singulariteiten ten opzichte van de massagap) en Fourier-analyse.

   • Belangrijke Voorbeelden: Het artikel leidt exacte transitie-kernels af voor Gaussian-naar-Gaussian (verbreding alleen), Cauchy-naar-Cauchy (verbreding alleen), en, het meest significant, Cauchy-naar-Gaussian (exact voor alle breedtes).
   • Belemmeringen: Transformaties die "deconvolutie" vereisen (bijv. het verscherpen van een Gaussian naar een Cauchy, of het vernauwen van een Cauchy), falen over het algemeen in de continuüm-limiet vanwege de essentiële singulariteiten van de kernels of de groei van hun Fourier-transformaten.

2. Gereguleerde Transformaties: Wanneer exacte kaarten niet bestaan of numeriek instabiel zijn, wordt de doel-kernel vervangen door een gereguleerde approximant $\kappa_T$. Het verschil $\rho[\kappa] - \rho[\kappa_T]$ wordt behandeld als een systematische bias. De auteurs bieden een methode om deze bias direct vanuit de input-data te begrenzen met behulp van de Hölder-ongelijkheid, onafhankelijk van de specifieke regularisatieschema die wordt gebruikt.

Grensbepaling (Bound Propagation)
Een centrale bijdrage is de propagatie van rigoureuze puntgrenzen (of statistische foutbudgetten) van de input naar de doel-output. Twee complementaire methoden worden voorgesteld:

• Riesz–Kantorovich (RK) Grenzen: Een algemene, niet-iteratieve methode die de transitie-kernel splitst in positieve en negatieve delen. Deze gebruikt de bovengrens van de input waar de kernel positief is, en de ondergrens waar de kernel negatief is (en vice versa voor de ondergrens van de doel-output). Deze methode is rigoureus en computationeel goedkoop, maar kan conservatief zijn omdat het correlaties tussen inputpunten negeert.
• Positiviteit-Geoptimaliseerde Grenzen: Een methode die de grenspropagatie formuleert als een Semi-Infinite Program (SIP). Het dwingt expliciet de fysieke beperking af dat de onderliggende spectrale dichtheid $\rho(\omega)$ niet-negatief moet zijn. Dit levert nauwere grenzen op dan de RK-methode, maar vereist numerieke optimalisatie en een certificeringsstap om te garanderen dat de oplossing voldon aan de continuüm-ongelijkheden op een eindig rooster.

Voor gereguleerde transformaties is de totale onzekerheid de som van de gepropageerde statistische/interval-onzekerheid en de gecertificeerde systematische bias van de kernel-mismatch. De regulator-parameter wordt geoptimaliseerd om de totale gecertificeerde breedte te minimaliseren.

Belangrijkste Bijdragen

1. Formalisme voor Kerneltransformaties: Het artikel vestigt de noodzakelijke en voldoende analytische voorwaarden voor exacte kernel-naar-kernel kaarten, waarbij wordt vastgesteld dat dergelijke kaarten bestaan als de singulariteiten van de doel-kernel voldoende ver verwijderd zijn van de reële as ten opzichte van de breedte van de input-kernel.
2. Expliciete Analytische Expressies: De auteurs bieden gesloten vorm-transitie-kernels voor verschillende klassen, inclus\nief het primaire voorbeeld van de Cauchy-naar-Gaussian transformatie, die exact is en geen regularisatie vereist.
3. Rigoureuze Bias-Certificering: Een nieuwe methode wordt geïntroduceerd om de systematische fout van elke benaderde kerneltransformatie te begrenzen met enkel de bekende input-data en de ratio van de doel- en input-kernels (Vergelijking 71). Dit maakt "gecertificeerde" grenzen mogelijk, zelfs wanneer exacte transformaties onmogelijk zijn.
4. Optimalisatie Raamwerk: Het artikel formuleert de selectie van input-smearing breedtes en regularisatieparameters als optimalisatieproblemen om de uiteindelijke onzekerheidsinterval te minimaliseren.
5. Levy Mixture Constructie: De auteurs demonstreren dat een Cauchy-gesmeerde observabele gereconstrueerd kan worden uit een continuüm van Gaussian-gesmeerde observabelen (met variërende breedtes) via een Lévy-distributie-mengsel, waardoor de obstructie van een vaste breedte wordt omzeild.

Resultaten
Numerieke demonstraties op toy-modellen en lattice-achtige data bevestigen het raamwerk:

• Cauchy-naar-Gaussian: Exacte transformaties propageren grenzen succesvol zonder kernel-mismatch bias. De optimale input-smearing breedte $\epsilon^*$ wordt gevonden te zijn van de orde van de doel-breedte $\sigma$.
• Cauchy-naar-Cauchy (Sharpening): Voor het slecht gestelde geval van het verscherpen van een Cauchy-kernel, reconstrueert de gereguleerde aanpak de doel-observabele succesvol met gecertificeerde grenzen. De resultaten tonen een trade-off: naarmate de regulator wordt verwijderd, verdwijnt de systematische bias maar explodeert de gepropageerde statistische fout; de optimale regulator balanceert deze om de totale gecertificeerde interval te minimaliseren.
• Gaussian-naar-Cauchy: Met behulp van het Lévy-mengsel demonstreren de auteurs dat een Cauchy-doel gereconstrueerd kan worden uit een familie van Gaussian-inputs, waarbij de positiviteit-geoptimaliseerde grenzen (SIP) nauwere intervallen opleveren dan de RK-methode.
• Euclidisch-naar-Gesmeerd: Het raamwerk wordt toegepast op ruisende Euclidische-tijd correlatiefuncties, waarbij deze getransformeerd worden naar Cauchy- en Gaussian-gesmeerde spectrale functies met rigoureuze grenzen, wat de levensvatbaarheid van de methode voor praktische Lattice QCD-analyse aantoont.

Betekenis
Het artikel beweert dat dit raamwerk een robuust alternatief biedt voor het oplossen van het volledige inverse spectrale probleem voor elke nieuwe fenomenologische observabele. In plaats van voor elke specifieke kernel de volledige spectrale functie $\rho(\omega)$ te reconstrueren uit de Euclidische data, kan men een gemakelijke intermediaire gesmeerde observabele berekenen (bijv. Cauchy-gesmeerd) en deze vervolgens transformeren naar de gewenste doel-observabele (bijv. Gaussian of kinematisch) met gecertificeerde foutmarges.

De betekenis ligt in:

• Modulariteit: Het ontkoppelt de extractie van spectrale informatie van de specifieke fenomenologische kernel die vereist is.
• Rigor: Het biedt mathematisch rigoureuze boven- en ondergrenzen die zowel rekening houden met statistische ruis als met de systematische bias van de transformatie zelf.
• Positiviteit: Het benut de fysieke beperking van spectrale positiviteit om grenzen te verstevigen die verder gaan dan wat mogelijk is met generieke lineaire propagatie.
• Interoperabiliteit: Het overbrugt verschillende theoretische en experimentele determinaties van spectrale dichtheden (bijv. het relateren van Lattice QCD resultaten aan experimentele dwarsdoorsneden of muon $g-2$ berekeningen) door een gecontroleerde mathematische brug te bieden tussen verschillende smearing-conventies.

De auteurs benadrukken dat hoewel de methoden direct op Euclidische-tijd inputs kunnen worden toegepast, de primaire focus ligt op het transformeren tussen energie-gesmeerde observabelen, waardoor het herhaaldelijk oplossen van het slecht gestelde inverse probleem voor elke nieuwe gewenste observabele wordt vermeden.