Operator Learning in Lattice QCD: Spectral Reconstruction

Technische Samenvatting: Operator Learning in Lattice QCD: Spectrale Reconstructie

Probleemstelling
Spectrale reconstructie in Lattice Quantum Chromodynamics (QCD) houdt in dat spectrale dichtheden worden geëxtraheerd uit Euclidische correlatiefuncties die via Monte Carlo-simulaties zijn berekend. Deze taak is wiskundig equivalent aan de numerieke inversie van een Laplace-transformatie, een probleem dat berucht slecht gesteld (ill-posed) is vanwege de statistische ruis in de correlatoren en het beperkte aantal beschikbare datapunten. Hoewel methoden zoals het Hansen-Lupo-Tantalo (HLT) algoritme modelonafhankelijke oplossingen bieden met gecontroleerde onzekerheden, vertrouwen zij op lineaire combinaties van correlatiewaarden. Deze lineaire benadering leidt vaak tot een afweging waarbij het verminderen van systematische onzekerheden gepaard gaat met het accepteren van grote statistische onzekerheden, met name voor scherp gepiekte smearing-kernels. Eerdere machine learning-benaderingen (bijv. Ref. [25]) behandelden spectrale reconstructie als een vector-naar-vector mapping, wat hertraining vereist bij elke wijziging in de input-tijdgrids of outputparameters, wat ze computationeel onpraktisch maakt voor brede fenomenologische toepassingen.

Methodologie
Dit werk stelt een nieuwe supervised learning-strategie voor op basis van Operator Learning, specifiek het gebruik van Deep Operator Networks (DeepONets). In plaats van vaste vectoren naar vaste vectoren te mappen, traint dit raamwerk neurale netwerken om de operator $\hat{O}$ te benaderen die de ruimte van Euclidische correlatiefuncties naar de ruimte van gesmeerde (smeared) spectrale functies mapt.

• Architectuur: De methode maakt gebruik van een DeepONet-structuur bestaande uit twee onafhankelijke neurale netwerken:
  • Een Branch Net die de input Euclidische correlator (gerepresenteerd als een vector op een vast rooster van Euclidische tijden) codeert in een latente representatie.
  • Een Trunk Net die het domein van de output (energie $E$ en smearing-parameter $\sigma$) codeert in een corresponderende latente representatie.
  • De uiteindelijke voorspelling is het dotproduct van deze twee latente vectoren, wat continue evaluatie van de spectrale dichtheid op elk punt $(E, \sigma)$ mogelijk maakt zonder hertraining.
• Generatie van Trainingsdata: De netwerken worden getraind op mock-data gegenereerd vanuit een Gaussian Process (GP). De GP is geconstrueerd met een gemiddelde functie die overeenkomt met de bekende twee-deeltjes bijdrage van het $O(3)$ niet-lineaire $\sigma$-model en een covariantie-kernel die vloeiende variaties boven de vier-deeltjes drempel toestaat. Dit incorporeert voorafgaande fysieke kennis terwijl een brede ruimte van toelaatbare functies behouden blijft.
• Onzekerheidskwantificatie: Om de systematische onzekerheid die inherent is aan neurale netwerkbenaderingen aan te pakken, maken de auteurs gebruik van een ensemble van 15 onafhankelijk getrainde netwerken met variërende architecturen (diepte, breedte) en trainingssetgroottes.
  • Systematische Onzekerheid: Geschat via de gewogen spreiding van voorspellingen van het ensemble, waarbij gewichten worden toegekend op basis van de minimale validatiefout van elk netwerk.
  • Statistische Onzekerheid: Geschat via bootstrap-resampling van de input-correlatoren.
  • Globale Bias: Gecorrigeerd door de gemiddelde afwijking tussen voorspellingen en werkelijke waarden te evalueren op een aparte set mock-data.
• Ruisafhandeling: De trainingssets bevatten ruis die in de mock-correlatoren is geïnjecteerd om de ruis-signaalverhoudingen van werkelijke lattice-ensembles (specifiek ensembles A1–A4, B1 en B2 uit Ref. [4]) te evenaren.

Belangrijkste Bijdragen

1. Eerste Toepassing van DeepONets in Lattice QCD: Dit werk introduceert de DeepONet-architectuur in het vakgebied en demonstreert het vermogen om de operator-mapping van Euclidische correlatoren naar gesmeerde spectrale dichtheden te leren.
2. Overwinnen van Hertrainingsbeperkingen: Door spectrale reconstructie als operator learning te behandelen, maakt deze methode voorspellingen mogelijk op correlatoren gedefinieerd op verschillende tijdgrids of voor verschillende outputparameters zonder hertraining, wat een significante verbetering is ten opzke van eerdere vector-naar-vector ML-benaderingen.
3. Robuuste Onzekerheidsschatting: Het artikel vestigt een rigoureuze procedure voor het schatten van systematische onzekerheden met behulp van neurale netwerk-ensembles, gevalideerd via closure-tests op ongeziene mock-data.
4. Benchmark Validatie: De strategie wordt toegepast op het 1+1-dimensionale $O(3)$ niet-lineaire $\sigma$-model, een benchmark-systeem met een bekende analytische spectrale dichtheid. De methode reconstrueert succesvol de inclusieve snelheid boven de vier-deeltjes drempel tot hoge energieën.

Resultaten
De voorgestelde strategie werd gevalideerd op zowel mock-data als werkelijke lattice-correlatoren uit Ref. [4].

• Closure Tests: Op ongeziene mock-data toonde de methode aan dat de geschatte totale onzekerheid (combinatie van statistische en systematische fouten) conservatief is, waarbij de "pull"-distributie (afwijking van de waarheid genormaliseerd door de fout) consistent is met Gaussische verwachtingen.
• Lattice Toepassing: De methode werd toegepast om de spectrale dichtheid van het $O(3)$-model te reconstrueren. Het uiteindelijke resultaat, verkregen na het uitvoeren van de oneindige-volume, continuüm en $\sigma \to 0$ limieten, komt in uitstekende overeenstemming met de exacte analytische spectrale dichtheid.
• Vergelijking met HLT: Vergeleken met de state-of-the-art HLT-methode (Ref. [4]), vertoont de DeepONet-gebaseerde strategie een significante reductie in totale onzekerheid. De uiteindelijke bepaling bereikt een relatieve onzekerheid van ongeveer 2% voor energieën $E < 20m$, oplopend tot ongeveer 9% bij hogere energieën. De foutenbudget laat zien dat statistische, reconstructie, eindige-omvang en continuüm onzekerheden op vergelijkbare niveaus bijdragen, waarbij geen enkele bron domineert.

Betekenis en Claims
De auteurs beweren dat dit werk aantoont dat DeepONets een krachtiger potentieel bieden voor het extraheren van spectrale informatie uit lattice QCD-simulaties vergeleken met traditionele lineaire regularisatiemethoden. De methode reconstrueert succesvol de bekende analytische spectrale dichtheid met een hogere precisie dan het HLT-algoritme.

Het artikel behoudt een bescheiden toon met betrekking tot de bredere toepasbaarheid. Hoewel de resultaten veelbelovend zijn, stellen de auteurs expliciet dat de mate waarin de geobserveerde reductie in onzekerheid standhoudt in de afwezigheid van de specifieke voorafgaande fysieke kennis (de GP-gemiddelde functie gebaseerd op het $O(3)$-model) "nog gekwantificeerd moet worden." Zij merken op dat de strategie van nature uitbreidbaar is naar meer fenomenologisch relevante observabelen en andere operaties in de lattice veldentheorie, maar de huidige validatie is strikt beperkt tot de $O(3)$ model benchmark. Het werk claimt niet het oplossen van het spectrale reconstructieprobleem voor willekeurige, onbekende fysische systemen zonder enige voorafgaande beperkingen, maar vestigt een proof-of-concept voor een nieuw, op operator-learning gebaseerd paradigma dat bestaande benchmarks in een gecontroleerde setting overtreft.