Determination of the HERA coherent diffractive $J/\psi$ production cross section via artificial neural network

本文通过使用人工神经网络对 HERA 的排他性相干衍射 $J/\psi$ 产生数据进行模型无关分析，并通过整合 HERA 和 LHC 数据集来预测微分截面并提取与 $Q^2$ 及 $W$ 相关的指数斜率。

要点

想象一下你正试图理解一个幽灵的形状。你无法直接看到这个幽灵，但你可以向它投掷微小的、看不见的乒乓球，并观察它们如何弹回。通过研究弹跳的模式，你可以弄清楚这个幽灵是圆的、扁的，还是凹凸不平的。

在高能物理世界中，科学家们正在做类似的事情。他们通过碰撞粒子来了解质子（物质的构建模块）的“形状”。具体来说，他们观察这样一种过程：一个光子（光的粒子）撞击一个质子，产生一个被称为 J/ψ 中介子 的重粒子，同时保持质子完好无损。这就像是把球扔向一面墙，在墙壁保持屹立不倒的同时，产生了一个新的、沉重的球。

以下是这篇论文内容的简单拆解，使用了日常类比：

1. 旧方法：用蓝图进行猜测

长期以来，科学家们一直试图利用复杂的数学“蓝图”（理论模型）来预测这些粒子是如何相互弹跳的。这些蓝图依赖于许多关于质子内部构造以及粒子如何相互作用的假设。

• 问题所在： 这些蓝图就像是仅凭几个路标就试图绘制城市地图。它们在某些区域（特定的能量范围）表现良好，但在其他区域则变得混乱且不可靠。如果蓝图中的假设稍有偏差，整个地图就会出错。

2. 新方法：“智能学习者”（人工神经网络）

科学家们并没有使用预设的蓝图，而是教会了一台计算机一个人工神经网络（ANN）——本质上是一个数字大脑——让它直接从数据中学习规则。

• 类比： 想象你有一个巨大的相册，记录了过去每一次向墙壁投掷球的过程（来自 HERA 实验的数据）。你不需要写一本关于球“应该”如何弹跳的规则手册，而是把这些照片展示给一位聪明的学生。这位学生观察成千上万个例子，并自行学习其中的模式：“噢，当球投掷得更用力时，它的弹跳方式会不同。当球以特定角度撞击时，弹跳也会发生变化。”
• 优势： 这个“学生”不需要知道弹跳背后的复杂物理理论，它只需要根据证据学习弹跳“如何”发生即可。这消除了因猜测错误蓝图而产生的偏差。

3. 训练过程：“深度集成”

为了确保他们的“学生”不仅仅是在死记硬背答案或仅仅是运气好，科学家们没有只训练一个大脑，而是训练了 100 个不同的脑子（即“深度集成”）。

• 类比： 想象一下，请 100 位不同的专家看着同一本相册，并猜测下一次弹跳的情况。如果这 100 位专家意见一致，你就能对答案非常有信心。如果他们意见不一，你就知道其中存在不确定性。
• 结果： 通过对这 100 个模型的答案取平均值，科学家们得到了一个非常可靠的预测，该预测同时考虑了数据中的噪声和模型本身的不确定性。

4. 他们的发现

通过使用这种“智能学习者”方法，团队成功预测了粒子在广泛的能量和角度范围内的行为，涵盖了来自 HERA 实验的数据，并将其延伸到了 LHC（大型强子对撞机）。

• “斜率”发现： 他们测量的一个关键指标是“指数斜率”（一个被称为 b 的数值）。你可以把它理解为测量弹跳有多“陡峭”。
  • 他们发现这种陡峭程度并不是恒定的；它取决于光子撞击的力度（能量）以及碰撞的类型。
  • 他们的“智能学习者”证实了这种斜率高度依赖于能量和“虚粒子度”（光子携带能量的程度），这与其他实验观察到的现象相吻合，且无需复杂的理论假设。

5. 核心结论

这篇论文表明，你并不总是需要一个完美的理论来理解复杂的物理数据。通过使用数据驱动的方法（教计算机从数据本身进行学习），他们创造了一个灵活的工具，该工具：

1. 避免猜测： 它不依赖于关于质子内部结构的脆弱假设。
2. 处理复杂性： 它能比旧方法更好地处理能量、角度和粒子类型之间复杂的、多维度的关系。
3. 提供信心： 它不仅告诉科学家答案，还告诉科学家对于该答案有多大的把握。

简而言之，作者构建了一个数字“模式识别器”，成功绘制出了 J/ψ 粒子产生的行为图谱，证明了有时让数据自己“说话”是理解宇宙的最佳方式。

技术摘要

技术摘要：通过人工神经网络确定 HERA 相干衍射 $J/\psi$ 产生截面

问题陈述
排斥相干衍射 $J/\psi$ 产生是理解高能物理现象学的关键探针，特别是针对质子的胶子分布和饱和效应。尽管来自 HERA 碰撞机（H1 和 ZEUS 实验组）以及 LHC 的实验数据已非常广泛，但传统的理论分析在很大程度上依赖于“偶极图景”（dipole picture）方法。这种方法涉及显著的模型依赖性，包括对矢量介子波函数、目标轮廓、偏斜度（skewness）修正以及散射振幅实部-虚部关系的假设。此外，这些理论模型通常受限于较窄的运动学范围（通常为较小的 $|t|$ 和中等的 $Q^2$），从而限制了其在全谱数据中的预测能力。作者指出，需要一种能够处理数据中多维相关性，且不依赖于特定理论假设的模型无关方法。

方法论
作者提出了一种利用人工神经网络（ANN）来建模排斥相干衍射 $J/\psi$ 产生微分截面（$d\sigma/dt$）的数据驱动框架。该方法包含以下核心组成部分：

• 数据集： 模型是在来自 HERA 的 H1 和 ZEUS 实验组的 108 个数据点组合数据集上进行训练的。运动学覆盖范围包括光子虚拟度 $0.05 < Q^2 < 100 \text{ GeV}^2$，光子-质子质心能量 $20 < W < 250 \text{ GeV}$，以及动量传递 $|t| < 1.2 \text{ GeV}^2$。
• 输入特征： 使用了四个变量：$Q^2$、$W$、$t$ 和非弹性变量 $y$。为了提高数值稳定性，$Q^2$、$W$ 和 $y$ 被转换为对数尺度，而 $t$ 保持线性。
• 网络架构： 作者采用了由 $N=100$ 个架构相同的模型组成的“深度集成”（Deep Ensemble）方法。每个模型具有三个隐藏层（分别为 64、64 和 32 个神经元），使用 $tanh$ 激活函数并带有 L2 正则化。
• 不确定性量化： 该架构设计用于异方差回归（heteroscedastic regression），输出均值预测（$\mu$）和偶然不确定性（方差）。为了解决认识不确定性（epistemic uncertainty，即模型对初始化的敏感性），集成方法聚合了 100 个使用不同随机种子训练的模型预测。最终的不确定性结合了偶然不确定性（数据噪声）和认识不确定性（模型方差）两部分。
• 损失函数： 训练利用高斯负对数似然（NLL）损失函数，该函数同时考虑了实验误差和学习到的模型不确定性。
• 验证： 集成模型通过在留出的测试集（10% 的数据）上使用 $\chi^2/\text{ndf}$ 和 Pull 分布进行评估。

主要贡献

1. 模型无关预测： 本文提出了一种完全数据驱动的方法，消除了对特定理论成分（如偶极振幅或质子轮廓）的依赖，用以预测截面。
2. 鲁棒的不确定性估计： 通过将深度集成方法与异方差回归相结合，该框架提供了对实验不确定性和模型诱导不确定性的严格量化。
3. 指数斜率（$b$）的提取： ANN 的可微性允许在各种运动学区域内直接提取指数斜率参数 $b$（其中 $d\sigma/dt \propto \exp(-b|t|)$），这对于基于树结构的机器学习方法来说是一项困难的任务。
4. 向 LHC 运动学的扩展： 尽管训练数据局限于 HERA 能量范围，但通过对微分截面进行积分，训练好的模型被扩展用于预测更高能量（LHC 范围）下的总光致产生截面。

结果

• 微分截面（$d\sigma/dt$）： ANN 预测结果在广泛的 $Q^2$ 和 $t$ 范围内与 HERA 数据表现出良好的一致性。模型成功捕捉到了截面随 $t$ 和 $Q^2$ 增加而下降的过程。在特定的低 $t$、$Q^2$ 取值下观察到轻微的低估，并且在光致产生的极低 $W$ 处出现了一些差异，这可能是由于这些特定数据点存在较大的实验不确定性所致。
• 总截面（$\sigma$）： 模型很好地重现了 HERA 范围内的总截面的 $W$ 依赖性。当外推至 LHC 能量（$W > 250 \text{ GeV}$）时，模型低估了来自 ALICE 和 LHCb 的数据点，并表现出较大的不确定性，这反映了在该高能区缺乏训练数据。
• 指数斜率（$b$）： 提取的斜率参数 $b$ 展示了对 $Q^2$ 和 $W$ 的强烈依赖性。结果与 H1 和 ZEUS 的实验数据基本一致，在 $2 < Q^2 < 100 \text{ GeV}^2$ 范围内得出平均值 $b = 4.72 \pm 0.15 \text{ (stat.)} \pm 0.12 \text{ (syst.)} \text{ GeV}^{-2}$。
• 模型性能： 集成模型的平均 $\chi^2/\text{ndf} = 0.86 \pm 0.08$，且 Pull 分布符合标准高斯分布（$\mu_{\text{pull}} \approx -0.10$，$\sigma_{\text{pull}} \approx 0.92$），表明模型是无偏的，且其不确定性估计是可靠的。

意义与主张
作者声称，这项工作证明了数据驱动的 ANN 框架作为传统基于 QCD 模型之补充工具的可行性。通过最大限度地减少对特定理论假设的敏感性，ANN 方法为跨多维运动学区域的插值提供了一种鲁棒的方法。论文谦虚地总结道，虽然该方法成功捕捉了非线性相关性并提供了可靠的不确定性估计，但它并非理论理解的替代品，而是一种减少模型偏差的工具。作者建议，未来的工作可以包括物理启发神经网络（PINNs）或引入更多的矢量介子数据，以进一步研究小-$x$ 饱和动力学及质子的横向轮廓。