⚛️ phenomenology

Reliable Hybrid Neural Surrogates for Multidimensional Grids: Application to Double Parton Distributions

Dit artikel presenteert een hybride neuraal netwerkmethode geïmplementeerd in C++ die de opslag-, geheugen- en initialisatiekosten van multidimensionale double parton distributiegrids aanzienlijk vermindert door de meeste gegevens te comprimeren in een neuraal model terwijl slechts een ijle set van hoog-nauwkeurige residuen wordt opgeslagen, waarmee een 10,6-voudige reductie in het disketapijt wordt bereikt met minimale impact op de evaluatiesnelheid.

Oorspronkelijke auteurs: R. Kord Valeshabadi, S. Rezaie

Gepubliceerd 2026-09-15

📖 4 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: R. Kord Valeshabadi, S. Rezaie

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

Binnenin de protonen die rondracen in de Large Hadron Collider, is het universum een chaotische soep van minuscule deeltjes die quarks en gluonen worden genoemd. Om te begrijpen wat er gebeurt wanneer deze protonen tegen elkaar botsen, moeten natuurkundigen precies weten hoe deze interne deeltjes zijn gerangschikt en hoe ze bewegen. Ze vertrouwen op wiskundige kaarten die partondistributiefuncties worden genoemd, die hen vertellen wat de waarschijnlijkheid is om een deeltje met een specifieke snelheid en energie te vinden. Decennialang zijn deze kaarten opgeslagen als enorme rasters van getallen, vergelijkbaar met een gedetailleerd spreadsheet waarin elke cel een specifieke waarde bevat. Deze methode werkt goed voor eenvoudige botsingen waarbij één deeltje van elk proton betrokken is. De natuur is echter vaak complexer. Soms interageren twee afzonderlijke paren deeltjes gelijktijdig binnen een enkele botsing, een fenomeen dat bekend staat als double parton scattering. Om deze zeldzame gebeurtenissen te voorspellen, hebben wetenschappers een veel complexere kaart nodig die twee deeltjes tegelijkertijd bijhoudt, samen met twee verschillende energieschalen voor elk. Dit creëert een vierdimensionale datastructuur die exponentieel groter en moeilijker te beheren is dan de standaardkaarten, waardoor computermemory en opslagsystemen snel overbelast raken.

Een team onderzoekers aan het Institute for Research in Fundamental Sciences in Teheran heeft een slimme nieuwe manier ontwikkeld om deze enorme datakaarten te verkleinen zonder de precisie te verliezen die nodig is voor hogerepteeltkunde. Ze creëerden een hybride systeem dat een compact, intelligent computermodel combineert met een kleine, gerichte lijst van uitzonderingen. In plaats van elk enkel getal in het enorme vierdimensionale raster op te slaan, trainden ze een neuraal netwerk — een type kunstmatige intelligentie ontworpen om patronen te herkennen — om de algemene vorm en het gedrag van de data te leren. Het netwerk fungeert als een zeer efficiënte gokker, in staat om de overgrote meerderheid van de waarden in het raster met hoge nauwkeurigheid te reproduceren. Omdat geen enkel model perfect is, identificeerden de onderzoekers echter de specifieke punten waar de gok van het netwerk net niet goed genoeg was. Voor deze moeilijke plekken hielden ze de originele, exacte getallen aan in een kleine, ijle lijst. Wanneer een natuurkundige een waarde wil opzoeken, controleert het systeem eerst of het punt een van de moeilijke uitzonderingen is; zo niet, dan gebruikt het het snelle, compacte neurale netwerk om het antwoord te genereren.

De resultaten van deze aanpak zijn opmerkelijk. Door dit hybride methode te gebruiken, hebben de onderzoekers de grootte van het databestand dat nodig is om de informatie op te slaan met een factor 10,6 verminderd vergeleken met het standaard gecomprimeerde raster. Belangrijker nog is dat de hoeveelheid computergeheugen die nodig is om de berekeningen uit te voeren met een factor 31,6 is gedaald, van ruim vier gigabytes naar slechts 138 megabytes. Deze enorme reductie in geheugengebruik betekent dat complexe simulaties kunnen draaien op standaardcomputers in plaats van dat er gespecialiseerde, hoogwaardige hardware nodig is. Het systeem laadt ook bijna 11 keer sneller, waardoor de opstarttijd wordt teruggebracht van meer dan twee en een half seconde naar minder dan een kwart seconde. Hoewel de snelheid van de eigenlijke berekeningen licht is vertraagd tot ongeveer 85 procent van de oorspronkelijke snelheid, is de afweging overwegend positief en biedt het een praktische oplossing voor een probleem dat deze complexe berekeningen voorheen onbetaalbaar en traag maakte.

De sleutel tot dit succes ligt in de manier waarop het neurale netwerk werd onderwezen. In plaats van te proberen elk enkel getal vanaf nul uit het hoofd te leren, kreeg het systeem een voorsprong door een eenvoudige, bekende benadering als basis te gebruiken. Het netwerk kreeg vervolgens de taak om alleen de subtiele verschillen en correlaties te leren die de echte data uniek maken. Hierdoor kon het model klein en snel blijven terwijl het toch de ingewikkelde details van de deeltjesinteracties vastlegde. De onderzoekers testten dit systeem grondig door miljoenen datapunten te scannen om te verzekeren dat de voorspellingen van het neurale netwerk nauwkeurig genoeg waren voor wetenschappelijk gebruik. Ze ontdekten dat slechts 0,694 procent van de datapunten in de uitzonderingslijst hoefde te worden opgeslagen, wat bevestigt dat het neurale netwerk het grootste deel van het werk zelfstandig kan afhandelen. Het uiteindelijke softwarepakket is geschreven in een standaard programmeertaal die door natuurkundigen wordt gebruikt, wat betekent dat het direct kan worden gebruikt zonder dat er complexe externe tools of programmeeromgevingen nodig zijn. Dit werk biedt een nieuwe, efficiënte tool voor het verkennen van de meest complexe botsingen in het universum, waardoor een data-zware flessenhals wordt omgezet in een gestroomlijnd proces dat de deur opent naar meer gedetailleerde studies van hoe materie zich op zijn meest fundamentele niveau gedraagt.

Technische Samenvatting: Betrouwbare Hybride Neurale Surrogaten voor Multidimensionale Roosters

Probleemstelling
De opslag en evaluatie van Double Parton Distributions (DPDs) vormen een aanzienlijke computationele uitdaging vergeleken met gewone Parton Distribution Functions (PDFs). Terwijl een collinear PDF afhankelijk is van één longitudinale impulsfractie ( $x$ ) en één factorisatieschaal ( $\mu^2$ ), hangt een DPD met ongelijke schalen af van twee impulsfracties ( $x_1, x_2$ ) en twee onafhankelijke factorisatieschalen ( $\mu_1^2, \mu_2^2$ ) voor elke parton-flavor combinatie. De directe tabulatie van deze vierdimensionale afhankelijkheid resulteert in enorme datavoorwaarden. Voor het specifieke op GS09 gebaseerde referentierooster dat is bestudeerd, beslaat de ASCII-representatie ongeveer 2,6 GB, en de gecomprimeerde binaire versie vereist nog steeds ongeveer 740 MB op de schijf. Cruciaaler is dat het runtime-geheugengebruik voor het dichte rooster ongeveer 4,27 GiB bedraagt, aangezien de volledige nodale payload gedecomprimeerd en in het geheugen gehouden moet worden voor interpolatie. Deze hoge geheugenvoetafdruk en trage initialisatietijd (ongeveer 2,53 s) creëren een bottleneck voor fenomenologische toepassingen, met name voor Monte Carlo-eventgenerators die herhaalde evaluaties vereisen.

Methodologie
De auteurs stellen een hybride neurale-netwerk surrogaat voor om het DPD-rooster te comprimeren terwijl de numerieke nauwkeurigheid en snelle evaluatie behouden blijven. De aanpak vervangt niet de onderliggende referentieberekening of het interpolatiealgoritme, maar comprimeert in plaats daarvan de in het rooster opgeslagen nodale gegevens.

Hybride Architectuur: De methode maakt gebruik van een feed-forward neuraal netwerk om het grootste deel van het DPD-rooster te benaderen. Voor roosterknooppunten waar de neurale voorspelling niet voldoet aan een voorgeschreven nauwkeurigheidstolerantie, wordt de oorspronkelijke referentiewaarde opgeslagen in een ijle (sparse) correctietabel. Tijdens de evaluatie reconstrueert het netwerk de nodale waarden, en vervangen ijle vermeldingen de neurale voorspellingen waar dat nodig is voordat standaard interpolatie wordt toegepast.
Input-representatie: Het netwerk accepteert 12 kinematische kenmerken afgeleid van de vier variabelen ( $x_1, x_2, \mu_1^2, \mu_2^2$ ). Deze omvatten logaritmische mapping van de variabelen, kenmerken die de longitudinale ondersteuningsgrens beschrijven ( $x_1+x_2 \le 1$ ), asymmetrie tussen parton-benen, en zware-smaak drempels (charm en bottom).
Target-representatie: In plaats van de absolute DPD-waarden te voorspellen, leert het netwerk de relatieve correctie ten opzichte van een fysisch gemotiveerde baseline. De baseline wordt geconstrueerd uit het product van enkelvoudige PDFs ( $f_{a1}(x_1, \mu_1^2)f_{a2}(x_2, \mu_2^2)$ ) vermenigvuldigd met een fase-ruimte onderdrukkingsfactor $\rho_0(x_1, x_2)$ . De target is de relatieve afwijking, getransformeerd via een inverse hyperbolische sinus ( $\text{asinh}$ ) functie om de brede dynamische reikwijdte van de correcties te hanteren.
Netwerkarchitectuur: Een compact multilayer perceptron (MLP) met drie verborgen lagen van breedte 256 (12 $\to$ 256 $\to$ 256 $\to$ 256 $\to$ 121) wordt gebruikt. De outputlaag produceert 121 waarden overeenkomend met alle geordende parton-flavor paren. De compacte grootte is gekozen om snelle inferentie te garanderen, aangezien een enkele off-grid evaluatie tot wel 16 naburige knoopvoorspellingen kan vereisen.
Trainingsstrategie: Het netwerk wordt getraind op de referentieroosterknooppunten met behulp van PyTorch. De verliesfunctie is een gewogen gemiddelde kwadratische fout (mean-squared error), waarbij hogere gewichten worden toegekend aan moeilijke regio's (nabij de longitudinale eindpunt, zware-smaak drempels) en specifieke flavor-kanalen (bijv. gluon-gluon). Data-augmentatie via uitwisselingssymmetrie wordt toegepast.
Implementatie: Het getrainde model wordt geëxporteerd naar een native C++ implementatie binnen het PDFxTMDLib framework. Runtime-evaluatie vereist noch Python noch PyTorch, en maakt gebruik van oneDNN voor efficiënte inferentie.

Belangrijkste Resultaten
Gebruikmakend van het GS09-gebaseerde dichte rooster ( $N_x=56$ , $N_\mu=41$ , 121 flavor kanalen) als benchmark, bereikt de hybride methode het volgende:

Compressie-efficiëntie: Slechts 0,694% van de actieve flavor-waarden (3.845.458 van de 554.383.007) vereist opslag in de ijle correctietabel.
Opslagreductie: De hybride bestandsgrootte is 66,65 MiB, wat een reductie betekent van een factor 10,6 ten opzichte van het 707,12 MiB grote gecomprimeerde dichte rooster.
Geheugenreductie: De mediane piek residentieel geheugen daalt van 4,27 GiB (dicht) naar 138,20 MiB (hybride), een reductiefactor van 31,6.
Initialisatiesnelheid: De initialisatietijd neemt af van ongeveer 2,53 s naar 0,238 s, een verbetering van een factor 10,6, primair door het vermijden van de decompressie van de volledige dichte payload.
Evaluatie-throughput: De hybride evaluator bereikt een throughput van ongeveer $2,6 \times 10^4$ kinematische punten per seconde, wat ongeveer 85% is van de dichte-rooster rate ( $3,1 \times 10^4$ punten/s).
Nauwkeurigheid: De methode voldoet aan een gemengde absolute-relatieve tolerantiecriterium. De ijle tabel zorgt ervoor dat knooppunten met grote afwijkingen worden vervangen door exacte referentiewaarden, terwijl het netwerk de resterende bulk met hoge getrouwheid afhandelt.

Betekenis en Claims
Het artikel claimt dat dit hybride schema een praktische oplossing biedt voor de opslag- en geheugenbottlenecks geassocieerd met multidimensionale DPD-roosters. Door de schaalafhankelijkheid direct in een compacte surrogaat te coderen, elimineert de methode de noodzaak voor on-the-fly dubbele-DGLAP evolutie tijdens de inferentie, wat computationeel duur is. De auteurs benadrukken dat de methode een evaluatiesnelheid behoudt die vergelijkbaar is met dichte-rooster interpolatie, terwijl het de disk footprint, het geheugengebruik en de opstartkosten drastisch vermindert.

Het werk demonstreert dat een neuraal netwerk effectief de niet-gefactoriseerde correlatiestructuren van DPDs kan vastleggen wanneer het wordt gestuurd door een natuurkundig geïnformeerde baseline. De implementatie is volledig geïntegreerd in de PDFxTMDLib C++ bibliotheek, waardoor het direct bruikbaar is voor fenomenologische studies zonder runtime-afhankelijkheden van machine learning frameworks. Hoewel de huidige studie beperkt is tot $y$ -onafhankelijke DPDs, merken de auteurs op dat de strategie theoretisch uitbreidbaar is naar distributies met expliciete transversale-scheidingsafhankelijkheid.

Meer zoals dit