S-matrix informed neural networks for amplitude analysis

Technische Samenvatting: S-matrix Geïnformeerde Neurale Netwerken voor Amplitudenanalyse

Probleemstelling
Het reconstrueren van verstrooiingsamplituden uit eindige, ruisgevoelige en onderling inconsistente experimentele metingen is een slecht gesteld invers probleem dat centraal staat in de deeltjesfysica, met name voor het begrijpen van hadronische interacties en de zoektocht naar Nieuwe Fysica. Traditionele analyses vertrouwen op vaste functionele vormen (bijv. Breit-Wigner, K-matrix, dispersieve fits) om amplitudes te parametriseren. Deze benaderingen lijden aan inherente modelafhankelijkheden: de geëxtraheerde resonantieparameters (massa's, breedtes, koppelingsconstanten) en onzekerheden zijn afhankelijk van de gekozen ansatz. Bovendien bevatten globale datasets vaak spanningen waarbij verschillende experimenten van mening verschillen buiten hun opgegeven onzekerheden. Standaard parametrisaties zijn vaak te rigide om conflicterende data zonder ad hoc beslissingen te fitten, en ze hebben moeite om simultaan te voldoen aan de fundamentele S-matrixprincipes van unitariteit, analiticiteit en kruisymmetrie zonder verborgen biases te introduceren.

Methodologie: S-matrix Geïnformeerde Neurale Netwerken (SINNs)
De auteurs introduceren een raamwerk gebruikmakend van S-matrix Geïnformeerde Neurale Netwerken (SINNs) om verstrooiingsamplituden direct uit data te leren terwijl strikt aan de eerste principes wordt voldaan. De methodologie bestaat uit vier geïntegreerde componenten:

1. Hybride Neurale Architectuur:

   • Structuur: Een multi-task architectuur bestaande uit een gedeelde "trunk" (stam) netwerk verbonden met meerdere gespecialiseerde "head" (kop) netwerken. De trunk leert een gemeenschappelijke representatie van de verstrooiingsamplitude (het afdwingen van kruisymmetrie), terwijl de heads specifieke partiële golf-outputs produceren (faseverschuivingen en inelasticiteit).
   • Harde Constraints: Een post-processing laag dwingt algebraïsch "harde" fysieke beperkingen af. Dit omvat drempelgedrag (via barrièrefactoren $q^{2\ell+1}$) en unitariteit (via inelasticiteitskaarten die $0 \le \eta \le 1$ waarborgen). Dit verkleint de zoekruimte en verbetert de trainingsstabiliteit in vergelijking met het uitsluitend afdwingen van constraints via verliesfuncties.
   • Zachte Constraints: Analiticiteit en kruisymmetrie worden numeriek opgelegd via een multi-objective verliesfunctie gebaseerd op de Roy-vergelijkingen.

2. Curriculum Training en Loss Design:

   • De training minimaliseert een samengestelde verliesfunctie bestaande uit datafidelity ($L_{data}$), Roy-vergelijking residuen ($L_{Roy}$), en verstrooiingslengte consistentietermen ($L_{con}$, $L_{SL}$).
   • Een zes-fasen curriculum wordt toegepast om optimalisatie te stabiliseren. De training begint met data-gestuurd leren (waarbij de fysieke constraints aanvankelijk worden genegeerd) en introduceert geleidelijk de Roy-vergelijking straffen en de verstrooiingslengte consistentietermen. Dit voorkomt dat de optimizer convergeert naar triviale oplossingen die weliswa aan de fysieke constraints voldoen maar de data niet beschrijven.
   • De loss maakt gebruik van een gewogen som van objectieven, waarbij specifieke gewichten ($w_\chi$) interpoleren tussen ongenormaliseerde kleinste kwadraten en standaard $\chi^2$ om variërende experimentele onzekerheden te behandelen.

3. Spectrale Respons Clustering voor Dataselectie:

   • Om inconsistente datasets aan te pakken, stellen de auteurs een nieuw, reproduceerbaar dataselectieprocedure voor.
   • Mechanisme: Een ensemble van geconstrainde SINNs wordt getraind. Voor elk doel-experiment wordt het netwerk opnieuw getraind waarbij dat specifieke experiment een hoger gewicht krijgt. De resulterende verandering in de fit-kwaliteit ($\chi^2$) van alle andere experimenten wordt gemeten om een "responsmatrix" te construeren.
   • Clustering: Deze matrix wordt in een gereduceerde Euclidische ruimte geëmbed via spectrale decompositie. Ward linkage clustering groepeert experimenten op basis van hun wederzijdse compatibiliteit. Groepen die positieve spanning (incompatibiliteit) vertonen, worden iteratief verwijderd totdat een consistente subset overblijft.

4. Onzekerheidskwantificering:

   • Onzekerheden worden geschat met behulp van een Gaussische replica-methode gecombineerd met deep ensembles. Datapunten worden opnieuw gesampled volgens hun experimentele onzekerheden (inclusclusief split-normal distributies voor asymmetrische fouten zoals DIRAC), en nieuwe netwerken worden op deze replica's getraind.
   • De uiteindelijke onzekerheidsbanden vertegenwoordigen de empirische distributie van geconstrangeerde amplitudes, waarbij zowel statistische ruis als modelvariaties worden gevangen.

Belangrijkste Resultaten
Het raamwerk wordt toegepast op laag-energetische $\pi\pi$-verstrooiing, een systeem dat gekenmerkt wordt door historische inconsistenties in data en complexe dynamica (waaronder de brede $\sigma/f_0(500)$ en de smalle $f_0(980)$).

• Amplitude Reconstructie: Het SINN-ensemble produceert vloeiende, model-onafhankelijke partiële golf-amplitudes ($S_0, P_1, S_2, D_0, D_2, F_1, G_2$) die de geselecteerde experimentele data met hoge getrouwheid beschrijven. De resultaten reproduceren bekende kenmerken, zoals de $\rho(770)$ resonantie en het gedrag nabij de $K\bar{K}$-drempel.
• Dispersieve Vervulling: De gereconstrueerde amplitudes voldoen aan de Roy-vergelijkingen (de kwantitatieve realisatie van unitariteit, analiticiteit en kruisymmetrie) binnen het geldigheidsdomein ($\sqrt{s} < 1.1$ GeV). De residuen tussen de directe SINN-output en de Roy-gereconstrueerde amplitude zijn consistent met nul.
• Verstrooiingslengtes: De geëxtraheerde verstrooiingslengtes ($a_0^0 = 0.222^{+0.014}_{-0.014}$ en $a_0^2 = -0.041^{+0.005}_{-0.006}$ in eenheden van $m_\pi^{-1}$) komen overeen met eerdere dispersieve analyses (Colangelo et al., García-Martín et al.) en vallen binnen de "universele band" en de DIRAC-constraints.
• Dataselectie: De spectrale respons clustering identificeerde en verwijderde succesvol incompatibele datasets (bijv. Protopopescu VI/XIII, specifieke subsets van Grayer en Hyams), waardoor de totale loss aanzienlijk werd verminderd en de spanningen die eerdere globale fits teisteren werden opgelost.

Validatie en Robuustheid
De auteurs voeren rigoureuze validaties uit om te garanderen dat de resultaten geen artefacten zijn van de specifieke neurale architectuur of trainingskeuzes:

• Architecturale Onafhankelijkheid: Een sweep over 21 hyperparameterdimensies en 100 verschillende architecturen leverde centrale waarden voor observabelen op die statistisch ononderscheidbaar waren van het productiemodel, wat wijst op een verwaarloosbare modelarchitectuur-bias.
• Closure Test: De pipeline werd toegepast op synthetische data gegenereerd uit een bekende Constrained Fit to Data (CFD) parametrisatie. De SINN slaagde erin de input-amplituden en verstrooiingslengtes te reconstrueren met minimale bias ($|z| < 0.4$), wat de bekwaamheid van de pipeline bevestigt om bekende waarheden te herstellen.
• Ablatie Studie: Het verwijderen van de Roy-vergelijking constraints ($L_{Roy}=0$) leidde tot een significante verschuiving in verstrooiingslengtes en grotere onzekerheden, wat aantoont dat de dispersieve constraints essentieel zijn voor het reguleren van het drempelgedrag en het leveren van fysiek betekenisvolle resultaten, zelfs als de datafidelity ($L_{data}$) ongewijzigd bleef.

Betekenis en Claims
Het artikel beweert een verenigde workflow te presenteren die physics-geconstrangeerde representatieleer, geautomatiseerde dataselectie en rigoureuze onzekerheidskwantificering integreert.

• Model-onafhankelijkheid: Door vaste functionele vormen te verwijderen, laat de methode de data de vorm van de amplitude dicteren terwijl de S-matrixprincipes worden gerespecteerd, waardoor de epistemische onzekerheden geassocieerd met de modelkeuze worden verminderd.
• Omgaan met Inconsistentie: De spectrale respons clustering biedt een objectieve, reproduceerbare methode om compatibele data te selecteren uit inconsistente globale datasets, een veelvoorkomend probleem in de hadronische fysica.
• Overdraagbaarheid: De auteurs stellen dat deze workflow overdraagbaar is naar andere verstrooiingsprocessen (bijv. $\pi K$, $\pi N$) en andere geconstrangeerde fysica-problemen die beperkt worden door inconsistente data.
• Toekomstig Nut: De geconstrangeerde amplitudes en gecorreleerde onzekerheden die geproduceerd worden, zijn geschikt voor propagatie naar precisie-observabelen, zoals de hadronische vacuümpolarisatie bijdrage aan de muon $g-2$, en kunnen analytisch gecontinueerd worden naar het complexe vlak voor resonantie-pool extractie.

Het werk concludeert dat SINNs een robuust, systematisch alternatief bieden voor traditionele parametrisaties voor amplitudeanalyse, waarbij ze succesvol balanceren tussen de concurrerende eisen van het fitten van ruisgevoelige data, het voldoen aan de eerste principes en het kwantificeren van onzekerheden zonder te vertroueren op rigide ansatzes.