Normalizing Flows to Reconstruct Pseudo-PDFs

Technische Samenvatting: Normalizing Flows voor de Reconstructie van Pseudo-PDF's

Probleemstelling
Parton distributiefuncties (PDF's) zijn fundamenteel voor het begrijpen van de hadronstructuur, maar blijven moeilijk direct te berekenen vanwege de niet-perturbatieve aard van quark- en gluoninteracties bij lage energieschalen. Recente lattice-frameworks stellen voor om deze grootheden te onderzoeken door niet-lokale matrixelementen (Ioffe-tijd distributies, ITD's) te berekenen en een invers probleem op te lossen om de pseudo-PDF, $P(x, z^2)$, te reconstrueren. Dit inverse probleem is slecht gesteld (ill-posed): de beschikbare lattice-data is beperkt tot een klein aantal Ioffe-tijdpunten ($N_\nu \sim 10$), terwijl de PDF gereconstrueerd moet worden over een continue, gediscretiseerde momentumfractie-grid ($N_x = 129$). Eerdere benaderingen, waaronder Bayesiaanse methoden en Gaussian Process (GP) regressie, hebben dit aangepakt door gladheid en fysieke restricties te coderen, maar deze vereisen zorgvuldige, vaak handmatige selectie van hyperparameters om de onzekerheid in extrapolatieregio's te beheersen waar lattice-informatie ontbreekt.

Methodologie
Dit werk stelt een framework voor dat Gaussian Process-priors combineert met Invertible Neural Networks (INN's), een klasse van normalizing flows, om de volledige posterieure distributie over PDF's te leren. De methodologie bestaat uit drie primaire componenten:

1. Data-generatie en GP Prior:
   Trainingsdata wordt gegenereerd door PDF's te samplen uit een Gaussian Process-prior, gedefinieerd over een gediscretiseerd $x$-grid. De GP-kernel en het gemiddelde worden geconstrueerd via Lagrange-multiplicatoren om fysieke randvoorwaarden af te dwingen: normalisatie ($\int q(x)dx = 1$) en de verdwijningsconditie bij $x=1$ ($q(1)=0$). Deze gesamplede PDF's worden getransformeerd naar synthetische ITD-data met behulp van een discrete lineaire operator, afgeleid van tweede-orde eindige element benaderingen van de Fourier-transformatie-relaties.

2. Invertible Neural Network Architectuur:
   De kern van het framework is een INN gebaseerd op Real NVP (Affine Coupling) lagen. Het netwerk vestigt een bijectieve afbeelding $f$ tussen de hoogdimensionale ruimte van PDF's ($\mathbb{R}^{N_x}$) en een ruimte die de laagdimensionale ITD-observabelen en latente variabelen bevat ($\mathbb{R}^{N_\nu + N_z}$).

   • Dimensiebehandeling: Omdat $N_x > N_\nu$, introduceert de afbeelding latente variabelen ($N_{noise}$) en zero-padding ($N_{pad}$) om de input- en outputdimensies gelijk te maken ($N_x = N_\nu + N_{noise} + N_{pad}$).
   • Structuur: De architectuur bestaat uit zes gestapelde affine coupling lagen. Elke laag partitioneert de input en past schaalings- en translatiefuncties toe, geparametriseerd door feed-forward neurale netwerken (3-laagse MLP's met LeakyReLU activaties).
   • Normalisatie: Input-samples worden genormaliseerd met behulp van het prior-gemiddelde en de puntgewijze variantie om stabiliteit te garandeen over de uiteenlopende functionele vormen van de PDF's.

3. Trainingsdoel (Maximum Mean Discrepancy):
   Het netwerk wordt getraind met een Maximum Mean Discrepancy (MMD) loss, een kernel-gebaseerde metriek die de afstand tussen waarschijnlijkheidsverdelingen meet. De loss-functie is bidirectioneel:

   • Het minimaliseert de discrepantie tussen de door het netwerk voorspelde PDF's (inverse afbeelding) en de grondwaarheid van de trainings-PDF's.
   • Het minimaliseert de discrepantie tussen de voorwaarts gemapte ITD-data (plus latente variabelen) en hun prior-verdelingen.
   • Aanvullende termen dwingen de nauwkeurigheid van de voorwaartse afbeelding af ($L_1$ norm) en zorgen ervoor dat de gepadde output-dimensies nul blijven ($L_2$ norm).

Belangrijkste Resultaten
De auteurs voerden een "closure test" uit met parametrische PDF's om het framework te evalueren:

• Afhankelijkheid van de Latente Dimensie: Reconstructies waren consistent met de grondwaarheid in de regio nabij $x=1$. Echter, in de extrapolatieregio's (lage $x$ en hoge Ioffe-tijd $\nu$), hing de kwaliteit van de reconstructie af van de dimensionaliteit van de latente ruisruimte. Dit suggereert dat de latente variabelen effectief de regularisatie van het inverse probleem reguleren.
• Beschikbaarheid van Data: Naarmate het bereik van de beschikbare ITD-data ($\nu$) toenam, verbeterde de reconstructienauwkeurigheid, een gedrag dat consistent is met andere methoden zoals GP-regressie en Bayesiaanse inferentie.
• Behoud van Constraints: De architectuur slaagde erin de fysieke restricties te behouden, specifiek de normalisatie en de randvoorwaarde $q(1)=0$, zonder expliciete afdwinging tijdens de inferentiefase buiten de generatie van de trainingsdata.

Betekenis en Claims
Het artikel positioneert dit werk als een proof-of-concept voor het mappen van de hyperparameterselectiestappen van traditionele GP-benaderingen naar een normalizing-flow architectuur. De auteurs beweren dat deze aanpak:

• De flexibiliteit van Gaussian Processes behoudt terwijl het gebruik maakt van de expressieve kracht van invertible neural networks.
• Succesvol een posterieure distributie leert die consistent is met beperkte Ioffe-tijd data.
• De inherente fysieke restricties en extrapolatie-eigenschappen van het probleem behoudt.
• Een data-gedreven alternatief biedt voor bestaande reconstructiemethoden, waarbij wordt aangetoond dat de gespecificeerde kalibratieprocedures die in GP-regressie worden gevonden, door het netwerk geleerd kunnen worden.

De auteurs blijven bescheiden over directe toepassingen en merken op dat de huidige methode beperkt is door de specifieke GP-prior die voor de training wordt gebruikt. Zij suggereren dat toekomstig werk zich moet richten op het trainen op bredere sets van prior-samples, het toepassen van de methode op echte lattice-data, het integreren van Mellin-moment metingen, en het uitbreiden van het framework naar hogere-dimensie grootheden zoals generalized parton distribution functions.