原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，试图仅通过观察物体在墙上投下的影子来推断该隐藏物体的外观。这本质上正是物理学家在研究横向动量依赖（TMD）分布时试图做的事情。他们希望构建质子内部微小粒子（夸克和胶子）的三维“地图”，但他们只能看到这些粒子以高速相互碰撞时所产生的“影子”（数据）。
本文介绍了一种利用高级数学与生成式人工智能相结合的新颖且智能的方法，来解决这个“影子谜题”。以下通过简单的类比来分解他们的方法：
1. 问题：模糊的影子
过去，科学家试图通过假设质子内部地图呈现某种特定的平滑曲线（例如完美的钟形曲线）来推测其形状。但质子可能并没有那么简单。
本文认为，这就像试图仅通过观察一个模糊的影子来猜测复杂雕塑的形状。如果你假设该影子必须来自一个光滑的球体，你可能会错过所有有趣的凸起和凹陷。此外，将影子还原为物体的数学过程是“病态的”。这意味着许多不同的形状可能投射出完全相同的影子。如果你只有一个特定角度（即一个能级）的数据，那么无论收集多少数据，物体中总有一部分在数学上对你来说是“不可见”的。作者将这些不可见的部分称为**“零 TMDs"**——即当前数据根本无法“看见”的质子特征。
2. 解决方案：像素化方法
作者没有猜测一条平滑曲线，而是决定将质子的内部地图视为由像素组成的数字图像。
- 旧方法： 尝试用单个公式拟合整个图像（例如说“整幅图是一个圆”）。
- 新方法： 将图像分解为 50 个小方格（像素）的网格。他们让数据单独决定每个像素的亮度。这是“非参数化”的，意味着他们不强迫数据去适应预先设定的模具，而是让数据自己说话。
3. 引擎：作为侦探的生成式人工智能
由于像素数量众多（50 个）且数学极其复杂，检查每种可能的像素亮度组合所需的时间将超过宇宙的年龄。为了解决这个问题，他们使用了生成式人工智能（具体为“归一化流”）。
将人工智能想象成一位超级聪明的侦探，它已经见过数百万个这样的影子谜题。
- 训练： 人工智能学习什么是“合理”的质子地图的一般规则（它了解物理约束）。
- 采样： 人工智能不是猜测一个答案，而是生成数千种可能解释该影子的“像素地图”。
- 过滤： 它使用一种统计方法（Metropolis-Hastings 算法），只保留与实验数据完美匹配的地图，并剔除不匹配的地图。
这使得他们不仅能找到一个最佳地图，还能理解地图的不确定性。他们可以说：“我们有 95% 的把握确定这里的像素是亮的，但我们对那里的像素完全不确定。”
4. “精度底线”与多尺度技巧
作者发现了一个硬性限制。即使拥有完美的数据，如果你只从一个角度（一个能级）观察影子，就会存在一个“精度底线”。由于影子的数学原理（贝塞尔变换）就像衍射受限透镜一样，它会过滤掉高频细节，因此你无法看到质子中心的那些微小细节。
突破：
要看到隐藏的细节，你需要从多个角度（不同的能级）观察影子。
- 类比： 想象试图看清一块粗糙石头的纹理。如果你从一侧照射光线，你会看到一些阴影。如果你移动光源（改变能量），阴影会发生偏移，从而揭示出不同的纹理。
- 通过结合四个不同能级的数据，人工智能可以“三角测量”质子的结构。高能数据提供了必要的“高频”信息，以解析低能数据所遗漏的微小中心细节。
5. 复杂案例：卷积
本文还在一个更困难的场景中测试了该方法：结构函数。
- 类比： 想象影子不仅仅是质子，而是质子加上一块玻璃（碎裂函数），这块玻璃在图像投射到墙上之前扭曲了图像。
- 作者表明，他们的人工智能可以成功“反卷积”（消除）由玻璃引起的扭曲，即使玻璃隐藏了一些细节，仍能重建原始的质子地图。
研究结果总结
- 零 TMDs 存在： 质子结构的某些部分在数学上对单能级实验是不可见的。它们保持“未受约束”状态，仅由我们的理论假设定义，而非由数据定义。
- 多尺度是关键： 你无法仅通过在相同能级下收集更多数据来克服这种不可见性。你必须在不同能级下收集数据，以“打破简并”，从而看到全貌。
- 人工智能有效： 这种基于像素、由人工智能驱动的方法在他们的测试中成功重建了质子的内部地图，提供了关于我们对质子三维结构“已知”和“未知”的更诚实、更详细的图景。
简而言之，作者构建了一种新的、灵活的相机（像素 - 人工智能框架），并证明：要获得质子核心清晰、三维的照片，你必须从许多不同的距离拍摄，而不仅仅是一个距离。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。