AI-assisted modeling and Bayesian inference of unpolarized quark transverse momentum distributions from Drell-Yan data

该论文利用人工智能辅助的贝叶斯推断框架，结合 N³LO 微扰 QCD 与 N⁴LL 重求和精度，通过机器学习代理模型高效分析了 Drell-Yan 数据，从而提取了具有量化不确定性的非极化夸克横向动量依赖部分子分布函数（TMD PDFs）。

要点

这篇论文就像是一次**“用超级智能和统计学魔法，给质子画一张高清 3D 地图”**的探险。

为了让你轻松理解，我们可以把这篇论文的核心内容拆解成几个生动的故事场景：

1. 目标：给质子画"X 光片”

想象一下，质子（构成原子核的基本粒子）不是一个实心小球，而是一个繁忙的微型宇宙。里面住着很多叫“夸克”的小居民，它们不仅沿着质子运动的方向奔跑（纵向），还会像蜜蜂一样在横向上乱飞（横向）。

物理学家想要知道这些夸克在横向上飞得有多快、分布在哪里。这就好比要给质子拍一张3D 动态地图。这张地图在物理学上叫“横向动量依赖部分子分布函数”（TMD PDF）。名字很长，但你可以把它想象成质子内部的“交通流量图”。

2. 挑战：数据太杂，计算太慢

要画出这张图，科学家收集了来自世界各地（美国、欧洲）几十个大型粒子对撞机（如 LHC、RHIC）的实验数据。这些数据就像是从不同角度拍摄的模糊照片。

• 难题一：模型太复杂。 要解释这些数据，需要建立一个极其复杂的数学模型。这个模型里有很多“旋钮”（参数），科学家不知道每个旋钮该拧到多少度才能完美匹配照片。
• 难题二：计算太慢。 传统的做法是：拧一下旋钮 -> 算一次结果 -> 对比照片 -> 再拧一下。因为要算几百万次，如果每次都要用超级计算机跑几个小时，那算到宇宙毁灭也画不完。
• 难题三：不确定怎么算。 以前大家用一种叫“复制法”（Replica）的老办法来估算误差（就像让 100 个不同的人去猜同一个谜题，看大家猜得有多散）。但这种方法有时候会漏掉一些深层的规律。

3. 解决方案：AI 特工与“替身演员”

这篇论文的亮点在于，作者引入了**人工智能（AI）**作为超级助手，分两步走：

第一步：AI 当“建筑师”（探索模型）

以前，科学家像老工匠，凭经验猜测模型该长什么样（比如用正弦波还是抛物线）。
这次，作者请来了一个AI 建筑师。

• 做法： 科学家告诉 AI：“我们要盖一座符合物理定律的房子，要能解释这些数据，还要看起来自然。”
• 过程： AI 自动生成了成百上千种不同的“设计图纸”（数学公式），然后自己测试哪一种图纸最能拟合实验数据。
• 结果： AI 发现了一种以前没人想过的、最完美的“户型设计”（非微扰参数化形式）。这就像 AI 帮人类发现了一种新的建筑美学。

第二步：AI 当“替身演员”（加速计算）

为了画出地图，需要反复计算几百万次。直接算太慢了。

• 做法： 作者训练了一个AI 替身（Emulator）。这个替身先看了几万次“真身”（复杂的物理公式）是怎么算的，然后学会了其中的规律。
• 效果： 以后需要计算时，不再调用慢吞吞的“真身”，而是直接问 AI 替身。AI 替身能在毫秒级给出几乎一样准确的答案。
• 比喻： 就像你要算一道极其复杂的微积分题，以前要请教授算一天，现在请了一个背熟了所有公式的 AI 学霸，它看一眼题目，0.01 秒就告诉你答案，而且准确率高达 99.99%。

4. 核心对比：两种“猜谜”方法

有了 AI 加速，作者尝试了两种不同的“猜谜”策略来确定地图的误差范围：

• 方法 A（老派）：复制法（Replica）。

  • 比喻： 就像让 100 个不同的侦探，每人拿一份稍微有点误差的“现场照片”，各自去破案。最后看这 100 个侦探画出的地图有多大的差异。
  • 结果： 这种方法很直观，但有时候会低估某些隐藏的关联。

• 方法 B（新派）：贝叶斯推断（Bayesian Inference）。

  • 比喻： 就像一位经验丰富的老侦探。他不仅看照片，还结合自己脑子里的“常识”（先验知识），并且把所有可能的线索（包括那些不确定的部分）都综合起来，算出一个**“最可能的概率分布”**。
  • 结果： 这种方法给出的地图，在边缘地带（不确定性高的地方）画得更宽、更保守。这意味着它诚实地告诉你：“这里我其实不太确定，所以范围大一点。”

5. 最终成果：一张更清晰的地图

通过这套"AI 辅助 + 贝叶斯统计”的组合拳，作者成功画出了质子内部夸克的分布图。

• 一致性： 无论是用老方法还是新方法，画出来的地图中心位置几乎一模一样，说明物理规律被抓住了。
• 新发现： 新方法（贝叶斯）发现，在某些区域，我们以前以为很有把握的地方，其实不确定性比想象的要大。这就像以前以为地图边缘是悬崖，现在发现那里其实是一片迷雾森林，需要更小心地探索。
• 验证： 他们把画好的地图和实验数据对比，发现吻合度极高（就像画出来的地图和卫星照片几乎重叠）。

总结

这篇论文不仅仅是一次物理计算，它展示了一种新的科研范式：

1. AI 不再是黑盒： 它被用来主动探索数学模型的结构，而不是仅仅用来拟合数据。
2. AI 是加速器： 它让原本需要几个月的计算，缩短到几天甚至几小时。
3. 更诚实的误差： 通过贝叶斯方法，我们得到了更保守、更可靠的误差估计，这对未来设计更精密的粒子对撞机实验至关重要。

简单来说，作者们用AI 当大脑和手脚，用贝叶斯统计当尺子，给质子内部的世界画出了一张前所未有的、带有详细“迷雾标记”的高清 3D 地图。

技术摘要

这是一份关于利用人工智能辅助建模和贝叶斯推断从 Drell-Yan 数据中提取非极化夸克横向动量依赖部分子分布函数（TMD PDFs）的学术论文的详细技术总结。

1. 研究背景与问题 (Problem)

• 核心目标：从 Drell-Yan 过程（强子碰撞中产生轻子对）的实验数据中，精确提取非极化夸克的横向动量依赖部分子分布函数（TMD PDFs）及其不确定性。
• 理论挑战：
  • TMD 因子化涉及微扰和非微扰区域。微扰部分已知精度很高（N3LO+N4LL），但非微扰部分（如大 $b$ 区域的 Sudakov 因子和 Collins-Soper 核）需要参数化模型。
  • 传统方法通常依赖蒙特卡洛重采样（Replica）方法来估计不确定性，这种方法虽然直观，但在处理高维参数空间和相关性时存在局限性。
  • 贝叶斯推断提供了另一种不确定性量化框架，能直接给出参数的后验概率分布，但计算成本极高（需要数百万次似然函数评估），且难以处理复杂的非微扰参数化形式选择。
• 现有痛点：缺乏对贝叶斯方法与传统 Replica 方法在 TMD 提取中的直接定量比较；非微扰参数化形式的选择往往带有主观性；计算效率限制了高维贝叶斯采样的可行性。

2. 方法论 (Methodology)

该研究提出了一套结合人工智能（AI）与贝叶斯推断的综合分析框架，主要包含以下三个关键步骤：

A. AI 驱动的非微扰参数化探索 (AI-driven Exploration)

• 目标：系统性地探索并筛选非微扰 Sudakov 因子 $S_{NP}(x, b)$ 和 Collins-Soper 核 $D_{NP}(b)$ 的函数形式。
• 工具：利用 AI 代理（基于 OpenAI Codex/GPT-5.4）进行迭代工作流。
• 流程：
  1. 初始化：基于文献中的现有形式生成初始候选集。
  2. 约束与诊断：设定物理约束（如 $b \to 0$ 时的微扰行为、$b \to \infty$ 时的抑制行为）和诊断指标（如 $\chi^2/N$、归一化偏差、参数相关性、TMD 在 $k_T$ 空间的光滑性和正定性）。
  3. 迭代优化：AI 代理自动提出新的函数形式分支（Branches），进行拟合、评估，并根据诊断结果建议下一步的探索方向。
  4. 结果：最终选定了包含 9 个非微扰参数的参数化形式，包括 $x$ 依赖的形状函数和高斯变形项。

B. 机器学习代理模型 (ML Emulator)

• 挑战：贝叶斯推断需要在高维参数空间中进行数百万次似然函数评估，直接调用理论代码计算 TMD 截面计算量过大。
• 解决方案：构建一个多层感知机（MLP）作为代理模型（Surrogate Model）。
  • 输入：9 维归一化的非微扰参数。
  • 输出：白化残差向量（Whitened residual vector），即经过协方差矩阵变换后的理论预测与实验数据的差值。
  • 训练策略：采用“控制器 - 执行器 - 审查员”工作流。利用主动学习（Active Learning）策略，根据当前模型的误差分布（特别是边界和难样本区域）自适应地生成新的训练数据（Truth-level data），不断迭代优化模型精度。
  • 精度：保留了 99.99% 以上的方差，确保在 MCMC 采样中替代理论计算的可靠性。

C. 贝叶斯推断与采样 (Bayesian Inference)

• 框架：构建后验概率分布 $p(\theta | \vec{d}) \propto L(\vec{d} | \theta) \pi(\theta)$。
• 似然函数：基于高斯 $\chi^2$ 构建，并通过对共线 PDF（Collinear PDFs）的 Replica 集合进行边缘化（Marginalization），将共线 PDF 的不确定性直接纳入似然函数中。
• 采样算法：使用仿射不变集 MCMC 采样器（emcee），在 9 维参数空间中演化 64 个 Walker，高效探索后验分布。
• 信任机制：在采样过程中引入“信任分数”（基于集成模型的方差），若代理模型在特定区域不可靠，则自动回退到精确理论代码进行计算。

D. 对比分析 (Comparison)

• 在相同的理论框架和数据集下，并行执行了Replica 方法（蒙特卡洛重采样）和贝叶斯方法，以直接比较两者在参数中心值、不确定性估计和相关性结构上的差异。

3. 关键贡献 (Key Contributions)

1. AI 辅助的模型选择：首次将 AI 代理引入 TMD 分析，用于自动探索和排序非微扰参数化形式，减少了人为偏见，并发现了比传统形式更优的函数结构（如引入 $x$ 依赖的高斯变形）。
2. 高效的贝叶斯 TMD 提取：成功构建了高精度的 MLP 代理模型，使得在 N3LO+N4LL 精度下进行高维贝叶斯推断成为可能，解决了计算瓶颈。
3. 贝叶斯与 Replica 的深度对比：
   • 提供了两种主流不确定性量化方法在 TMD 提取中的直接定量比较。
   • 揭示了两种方法在参数相关性结构和不确定性估计上的具体差异（例如，贝叶斯方法在某些参数上给出了更宽的分布，且对先验更敏感）。
   • 通过高斯近似分析（Hessian 展开），从数学上解释了两种方法产生差异的原因（如边缘化处理的层级不同、先验的影响等）。
4. 高精度 TMD 提取结果：给出了基于 Drell-Yan 数据（固定靶、RHIC、LHC）的非极化夸克 TMD PDFs 和 Collins-Soper 核的最新提取结果，并量化了不确定性。

4. 主要结果 (Results)

• 拟合质量：
  • 贝叶斯方法和 Replica 方法均达到了 $\chi^2/N \approx 1$ 的全局拟合质量。
  • 两种方法得到的中心拟合值（Central fits）高度一致，主要差异体现在不确定性带的宽度上。
• 参数提取：
  • 提取了 9 个非微扰参数。贝叶斯方法倾向于更宽的 $x$ 空间变形（$\sigma_x$ 更大）和更大的饱和标度 $B_{NP}$。
  • 参数相关性分析显示，两种方法在参数子集（如 $x$ 形状参数、Collins-Soper 核参数）内部的相关性结构相似，但在跨子集的相关性上存在差异（贝叶斯方法显示出更强的跨子集相互作用）。
• Collins-Soper 核：
  • 提取的核函数 $D(b, \mu)$ 在 $b$ 空间与之前的唯象分析（如 ART 系列、EEC 分析）及晶格 QCD 计算（ASWZ24, LPC23）结果兼容。
  • 在大 $b$ 区域，结果介于 ART23 和 ART25 之间，且与晶格 QCD 的连续外推带重叠良好。
• TMD PDFs：
  • 提取的 TMD PDFs 在 $x-b$ 和 $x-k_T$ 空间中光滑且为正。
  • 展示了从低能标（$Q=5$ GeV）到高能标（$Q=100$ GeV）的演化行为，符合预期的横向动量展宽效应。
• 不确定性比较：
  • 贝叶斯不确定性更保守：平均而言，贝叶斯预测的不确定性带比 Replica 方法宽约 23%（因子 1.23）。
  • 差异来源：贝叶斯方法通过边缘化共线 PDF 不确定性并引入先验，捕捉到了参数空间更复杂的几何结构；而 Replica 方法主要受限于共线 PDF 的线性近似和有限样本。
  • 高斯近似分析表明，贝叶斯结果的高斯近似（Hessian 近似）比 Replica 结果更准确，意味着贝叶斯结果更适合用于后续基于高斯损失函数的拟合流程。

5. 意义与展望 (Significance)

• 方法论创新：该工作展示了 AI 与贝叶斯统计在粒子物理唯象学中的强大结合潜力。AI 不仅加速了计算（代理模型），还优化了模型选择过程，使得分析更加客观和系统化。
• 不确定性量化：通过对比贝叶斯和 Replica 方法，加深了对 TMD 提取中不确定性来源的理解。贝叶斯框架提供了一种更透明、更灵活的方式来处理先验信息和异质数据源（如未来的晶格 QCD 数据）。
• 未来应用：
  • 该框架可轻松扩展以包含电子 - 离子对撞机（EIC）的高精度数据。
  • 为结合晶格 QCD 约束和实验数据提供了统一的概率描述框架。
  • 证明了在 N3LO+N4LL 高精度下，利用 AI 辅助进行全局 TMD 分析是可行且高效的，为未来更高精度的核子结构研究奠定了基础。

总结：这篇论文不仅提供了目前最精确的非极化夸克 TMD PDFs 提取结果之一，更重要的是建立了一套**"AI 驱动建模 + 代理模型加速 + 贝叶斯推断”**的全新分析范式，为处理复杂的高维物理参数化问题提供了可复用的技术路线。