⚛️ high-energy experiments

Neural-Network extraction of TMDs with SIDIS data

Dit artikel presenteert de eerste wereldwijde analyse van ongepolariseerde Transverse-Momentum-Dependent (TMD) distributies met behulp van een neurale netwerkparametrisatie die gelijktijdig Drell-Yan en SIDIS-data op N $^3$ LL-accuratesse incorporeert, waarbij wordt aangetoond dat de inclusie van SIDIS-data de geëxtraheerde TMD's verbbreed terwijl de onzekerheden worden verminderd in vergelijking met enkel op Drell-Yan gebaseerde analyses, en een modelonafhankelijk kader biedt voor toekomstige experimenten met hoge precisie.

Oorspronkelijke auteurs: Matteo Cerutti

Gepubliceerd 2026-06-29

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Matteo Cerutti

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert de vorm van een wolk te begrijpen. Je kunt niet alleen vanuit één hoek naar kijken; je moet zien hoe de waterdruppels bewegen en zich verspreiden in drie dimensies. In de wereld van de deeltjesfysica proberen wetenschappers de "wolk" binnenin een proton (een bouwsteen van materie) in kaart te brengen. Specifiek willen ze weten hoe de minuscule deeltjes binnenin (quarks) bewegen, niet alleen naar voren, maar ook opzij. Deze zijwaartse beweging wordt Transversale Momentum genoemd.

Hier is een eenvoudige uitsplitsing van wat het artikel van Matteo Cerutti doet:

1. Het Probleem: Rigide Kaarten

Al een lange tijd proberen wetenschappers deze bewegingen van quarks in kaart te brengen met behulp van wiskundige formules. Denk aan deze formules als een vooraf getekende kaart. Het probleem is dat deze oude kaarten te rigide waren. Ze gingen ervan uit dat de "wolk" van quarks een specifieke, vaste vorm had. Als de echte wolk iets anders was, kon de kaart dat niet laten zien, wat leidde tot onenigheid tussen de resultaten van verschillende wetenschappers.

2. Het Nieuwe Instrument: Een Flexibel Neuraal Netwerk

In dit artikel introduceert de auteur een nieuw instrument: een Neuraal Netwerk (NN).

De Analogie: In plaats van een rigide, vooraf getekende kaart, stel je een kleibeeldhouwer voor. Een neuraal netwerk is als een beeldhouwer die de klei in elke willekeurige vorm kan boetseren die de data suggereert, zonder het in een vooraf ingestelde doos te dwingen.
Deze flexibiliteit stelt het model in staat om de ware vorm van de quarkverdeling direct uit de data te leren, in plaats van eerst een vorm te raden.

3. Het Experiment: Twee Verschillende Camera's

Om deze kaart te bouwen, gebruikte de auteur gegevens van twee verschillende soorten deeltjesbotsingen, die fungeren als twee verschillende camera's die foto's maken van hetzelfde object:

Camera A (Drell-Yan): Dit is also kind van twee zware vrachtwagens (hadrons) tegen elkaar aan laten botsen. Dit geeft een helder beeld van de quarks binnenin.
Camera B (SIDIS): Dit is als het afvuren van een kogel (een elektron) op een vrachtwagen en kijken welke stukken er afvliegen. Dit geeft een iets ander beeld dat ook de manier bevat waarop de stukken uiteenvallen (fragmentatie).

Voorheen bestudeerden sommige onderzoeken alleen Camera A. Deze studie is bijzonder omdat het beide camera's tegelijkertijd gebruikt om één enkele, verenigde kaart te bouwen.

4. De Resultaten: Een Breder, Helderder Beeld

Wanneer de auteur de gegevens van beide camera's combineerde met behulp van de flexibele kleibeeldhouwer (het Neurale Netwerk), ontdekte hij twee belangrijke zaken:

De Vorm is Breder: Wanneer de auteur de data van de "SIDIS"-camera toevoegde, bleek de resulterende kaart van de quarkwolk breder te zijn dan wanneer hij alleen de "Drell-Yan"-camera gebruikte. Het is alsof de tweede camera onthulde dat de wolk zich meer verspreidt dan eerder werd gedacht.
De Onzekerheid is Kleiner: Omdat de auteur meer datapunten van beide camera's had, was hij zekerder van zijn metingen. De "wazigheid" rond de randen van hun kaart werd kleiner vergeleken met het gebruik van slechts één camera. Echter, omdat de kleibeeldhouwer zo flexibel is, is de kaart nog steeds een beetje "waziger" dan de oude, rigide vooraf getekende kaarten. Dit is eigenlijk een goede zaak — het betekent dat het model eerlijk is over wat het niet weet, in plaats van te doen alsof het nauwkeuriger is dan het werkelijk is.

5. Waarom het Belangrijk is

De studie bewijst dat het gebruik van deze flexibele, AI-achtige instrumenten (Neurale Netwerken) een slimme manier is om te voorkomen dat wetenschappers hun data in oude, rigide dozen dwingen. Het laat zien dat door verschillende soorten experimenten te combineren, we een nauwkeuriger en eerlijker beeld krijgen van hoe materie is opgebouwd.

De auteur merkt op dat deze aanpak zeer nuttig zal zijn voor toekomstige experimenten met hoge precisie bij grote faciliteiten zoals Jefferson Lab en de Electron-Ion Collider, om het maximale uit hun data te halen.

Kortom: De auteur heeft een flexibel AI-instrument gebruikt om twee verschillende soorten deeltjesbotsingsdata te combineren. Dit onthulde dat de interne structuur van protonen breder is dan voorheen gedacht en leverde een eerlijkere, betrouwbaardere kaart op van hoe quarks binnenin bewegen.

Technische Samenvatting: Neurale-netwerkextractie van TMD's met SIDIS-data

Probleemstelling
Transversale momentum-afhankelijke (TMD) distributies bieden een driedimensionale kaart van de hadronstructuur in de momentumruimte. Terwijl Drell-Yan (DY) processen de quark TMD-partonverdelingsfuncties (PDF's) beperken, biedt Semi-Inclusive Deep Inelastic Scattering (SIDIS) simultane toegang tot TMD-PDF's en fragmentatiefuncties (TMD FF's). Ondanks vooruitgang in de perturbatieve nauwkeurigheid en globale datasets, blijven er spanningen bestaan tussen de huidige extracties van ongepolariseerde quark TMD-PDF's uit verschillende globale fits. Deze discrepanties worden deels toegeschreven aan de beperkte flexibiliteit van de standaard parametrisaties die worden gebruikt om de niet-perturbatieve sector van TMD's te modelleren. Voorgaand werk toonde aan dat neurale netwerken (NN) de parametrisatiebias in DY-alleen analyses konden verminderen, maar een globale analyse die SIDIS-data incorporeert was vereist om de beperkingen op TMD-distributies volledig te beoordelen.

Methodologie
Dit werk presenteert een globale analyse van ongepolariseerde TMD-distributies met behulp van een neurale-netwerkparametrisatie, waarbij een eerdere proof-of-concept studie op DY-data wordt uitgebreid door SIDIS-metingen toe te voegen. De analyse opereert op next-to-next-to-next-to-leading logarithmic (N3LL) nauwkeurigheid.

Theoretisch Kader: De differentiële dwarsdoorsneden voor DY ( $h_A + h_B \to \ell^+ + \ell^- + X$ ) en SIDIS ( $\ell + h \to \ell' + h' + X$ ) worden geformuleerd in termen van TMD-PDF's en FF's in de impact-parameterruimte ( $b_T$ ). De TMD-structuur is gefactoriseerd in perturbatieve coëfficiënten (matching aan collinear PDF's/FF's), evolutie-kernels (anomale dimensies $\gamma$ en $K$ ), en een niet-perturbatieve functie ( $f_{NP}$ ).
Neurale Netwerk Parametrisatie: Het niet-perturbatieve component $f_{NP}$ $f_{N P}$ wordt gesplitst in een "intrinsiek" deel dat volledig wordt geparametriseerd door een neuraal netwerk en een evolutieterm. De NN-architectuur is gedefinieerd als [2, 10, 1], met inputs van de longitudinale momentumfractie ( $x$ $x$ of $z$ $z$ ) en $b_T$ $b_{T}$ , met 10 verborgen knopen en een sigmoid activatiefunctie.
- Het totale aantal vrije parameters is 83: 41 voor de TMD PDF niet-perturbatieve functie, 41 voor de TMD FF niet-perturbatieve functie, en één parameter ( $g_2$ ) voor de evolutie.
- Om overfitting te voorkomen, is de dataset verdeeld in trainings- en validatiesamples van gelijke grootte.
Data en Fitting: De globale dataset bestaat uit 2.029 datapunten: 482 van DY-metingen (Fermilab, RHIC, LHC) en 1.547 van SIDIS-veelheden (HERMES, COMPASS). Kinematische sneden worden toegepast om aan de eisen van de TMD-factorisatie te voldoen ( $q_T/Q < 0.2$ voor DY).
Onzekerheidsschatting: Experimentele fouten worden gepropageerd met behulp van de bootstrap-methode, waarbij 100 Monte Carlo-replica's van de experimentele data worden gefit. De best-fit parameters worden verkregen door een $\chi^2$ -functie te minimaliseren.

Belangrijkste Bijdragen en Resultaten
De analyse voert succesvol een simultane extractie uit van TMD-PDF's en FF's, waarbij een fitkwaliteit van $\chi^2/N_{dat} = 1.01$ wordt bereikt. De belangrijkste bevindingen zijn:

Impact van SIDIS-data op de TMD-breedte: De inclusie van SIDIS-data leidt tot bredere ongepolariseerde TMD-PDF's vergeleken met een DY-alleen NN-extractie (NNDY). Dit verbredingseffect is consistent met observaties in traditionele parametrisatiemodellen (bijv. MAP22).
Onzekerheidskwantificatie: De onzekerheden geassocieerd met de NN Global extractie zijn gereduceerd ten opzichte van het DY-alleen geval, maar blijven groter dan de onzekerheden verkregen met traditionele modellen (MAP22). De auteurs interpreteren dit als bewijs dat de verhoogde flexibiliteit van de NN-parametrisatie een robuustere en realistischere beoordeling van onzekerheden mogelijk maakt, waarbij de kunstmatige vernauwing die vaak bij rigide functionele vormen wordt gezien, wordt vermeden.
Collins-Soper Kernel: De geëxtraheerde Collins-Soper (CS) kernel (rapidity evolution anomale dimensie) uit de NN Global analyse vertoont een goede overeenstemming met de NNDY-extractie en lattice QCD-berekeningen. Opvallend genoeg is het resultaat bij grote $b_T$ kleiner dan de NNDY-extractie, wat consistent is met de bredere TMD-PDF's waargenomen in de momentumruimte.
Consistentie van Data: De resultaten wijzen op geen significante spanningen tussen DY- en SIDIS-data met betrekking tot de extractie van niet-perturbatieve TMD-evolutie.

Betekenis
Het artikel demonstreert het potentieel van flexibele neurale-netwerkparametrisaties om modelafhankelijkheid in globale TMD-analyses te verminderen. Door succesvol SIDIS-data samen met DY-data te incorporeren bij N3LL-nauwkeurigheid, biedt de studie een meer uitgebreide beperking op ongepolariseerde TMD-distributies. Deze resultaten bieden begeleiding voor het maximaliseren van het natuurkundige potentieel van toekomstige precisie-metingen bij Jefferson Lab (specifiek het SoLID-experiment) en de Electron-Ion Collider.