⚛️ high-energy experiments

Neural-Network extraction of TMDs with SIDIS data

本文通过一种同时结合了 N $^3$ LL 精度下 Drell-Yan 和 SIDIS 数据的神经网络参数化方法，展示了首次对非极化横向动量依赖（TMD）分布进行的全球分析，证明了引入 SIDIS 数据在拓宽提取的 TMD 分布的同时，相比仅使用 Drell-Yan 的分析降低了不确定性，并为未来的高精度实验提供了一个模型无关的框架。

原作者： Matteo Cerutti

发布于 2026-06-29

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Matteo Cerutti

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

想象一下试图理解一朵云的形状。你不能只从一个角度观察；你需要看到其中的水滴是如何在三维空间中移动和扩散的。在粒子物理学领域，科学家们正试图绘制质子（物质的基本构建块）内部“云团”的图谱。具体来说，他们想知道内部微小粒子（夸克）不仅是如何向前运动，还有是如何进行侧向运动的。这种侧向运动被称为横向动量（Transverse Momentum）。

以下是马特奥·切鲁蒂（Matteo Cerutti）论文内容的简单解析：

1. 问题所在：僵化的地图

长期以来，科学家一直尝试使用数学公式来绘制这些夸克的运动图谱。把这些公式想象成一张预先绘制好的地图。问题在于，这些旧地图过于僵化。它们假设夸克“云团”具有特定的、固定的形状。如果真实的云团略有不同，地图就无法显示出来，从而导致不同科学家的研究结果出现分歧。

2. 新工具：灵活的神经网络

在这篇论文中，作者引入了一个新工具：神经网络（NN）。

类比： 与其说是一张僵硬的、预先绘制好的地图，不如想象成一个粘土雕塑。神经网络就像一位雕塑家，可以根据数据的指示将粘土塑造成任何形状，而不会将其强行塞进一个预设的框框里。
这种灵活性使模型能够直接从数据中学习夸克分布的真实形状，而不是预先猜测形状。

3. 实验：两种不同的照相机

为了构建这张地图，作者使用了来自两种不同类型粒子碰撞的数据，这两类碰撞就像是拍摄同一个物体的两台不同的照相机：

照相机 A (Drell-Yan)： 这就像是让两辆重型卡车（强子）相撞。它能提供质子内部夸克的清晰图像。
照相机 B (SIDIS)： 这就像是向一辆卡车发射一颗子弹（电子），并观察飞出的碎片。这提供了另一种略有不同的视角，其中包含了碎片如何破碎的过程（碎裂过程）。

以前，一些研究只使用照相机 A。这项研究的特别之处在于，它同时使用这两台照相机来构建一张统一的、完整的地图。

4. 结果：更宽广、更清晰的图景

当作者使用这个灵活的“粘土雕塑家”（神经网络）结合了两台照相机的数据时，他们发现了两个主要结果：

形状更宽： 当他们加入了“SIDIS”照相机的数据后，得到的夸克云图谱比仅使用“Drell-Yan”照相机时变得更宽了。这就像是第二台照相机揭示了云团比之前认为的扩散得更广。
不确定性更小： 因为他们拥有了来自两台照相机的更多数据点，所以对测量结果更有信心。与仅使用一台照相机相比，他们地图边缘的“模糊感”变小了。然而，由于这个“粘土雕塑家”非常灵活，其地图仍然比旧有的、僵硬的预绘地图稍微“模糊”一点。这实际上是一件好事——这意味着模型在诚实地面对自己所不知道的部分，而不是假装自己比实际更精确。

5. 为什么这很重要

这项研究证明了使用这些灵活的、类人工智能工具（神经网络）是一种聪明的方法，可以防止科学家将数据强行塞入旧有的、僵化的框框中。它表明，通过结合不同类型的实验，我们可以获得关于物质是如何构成的更准确、更真实的图景。

作者指出，这种方法对于未来在**杰斐逊实验室（Jefferson Lab）和电子离子对撞机（Electron-Ion Collider）**等大型设施进行的、高精度的实验将非常有帮助，有助于他们从数据中获得最大的价值。

简而言之： 作者使用了一个灵活的 AI 工具来结合两种不同类型的粒子碰撞数据。这揭示了质子的内部结构比之前认为的更宽，并为夸克在内部如何运动提供了一张更诚实、更可靠的地图。

技术摘要：利用神经网络从 SIDIS 数据中提取 TMDs

问题陈述
横动量依赖（TMD）分布提供了强子结构的三维动量空间图谱。虽然 Drell-Yan (DY) 过程可以约束夸克 TMD 部分子分布函数 (PDFs)，但半包含深度非弹性散射 (SIDIS) 则能同时提供对 TMD PDFs 和碎裂函数 (FFs) 的访问。尽管在微扰精度和全局数据集方面取得了进展，但不同全局拟合在提取非极化夸克 TMD PDFs 时仍存在差异。这些差异部分归因于用于建模 TMD 非微扰部分的标准参数化方法的灵活性有限。先前的研究表明，神经网络 (NN) 可以减少仅基于 DY 分析中的参数化偏差，但需要包含 SIDIS 数据的全局分析才能充分评估对 TMD 分布的约束。

方法论
本研究展示了利用神经网络参数化进行的非极化 TMD 分布的全局分析，通过将之前在 DY 数据上的概念验证研究扩展到包含 SIDIS 测量。该分析在次次次领先对数 (N3LL) 精度下运行。

理论框架： DY ( $h_A + h_B \to \ell^+ + \ell^- + X$ ) 和 SIDIS ( $\ell + h \to \ell' + h' + X$ ) 的微分截面是以冲击参数空间 ( $b_T$ ) 中的 TMD PDFs 和 FFs 进行表述的。TMD 结构被分解为微扰系数（匹配到共线 PDFs/FFs）、演化核（反常维度 $\gamma$ 和 $K$ ）以及一个非微扰函数 ( $f_{NP}$ )。
神经网络参数化： 非微扰部分 $f_{NP}$ $f_{N P}$ 被分为一个完全由神经网络参数化的“内在”部分和一个演化项。NN 架构定义为 [2, 10, 1]，输入为纵向动量分数 ( $x$ $x$ 或 $z$ $z$ ) 和 $b_T$ $b_{T}$ ，具有 10 个隐藏节点和 Sigmoid 激活函数。
- 总自由参数数量为 83 个：41 个用于 TMD PDF 非微扰函数，41 个用于 TMD FF 非微应函数，以及一个用于演化的参数 ( $g_2$ )。
- 为了防止过拟合，数据集被分为大小相等的训练样本和验证样本。
数据与拟合： 全局数据集包含 2,029 个数据点：482 个来自 DY 测量（费米实验室、RHIC、LHC），1,547 个来自 SIDIS 多重性（HERMES、COMPASS）。应用运动学截断以满足 TMD 因子化要求（对于 DY， $q_T/Q < 0.2$ ）。
不确定度估计： 使用自助法（bootstrap method）传播实验误差，拟合 100 个实验数据的蒙特卡洛副本。通过最小化 $\chi^2$ 函数获得最佳拟合参数。

主要贡献与结果
该分析成功实现了 TMD PDFs 和 FFs 的同步提取，实现了 $\chi^2/N_{dat} = 1.01$ 的拟合质量。主要发现包括：

SIDIS 数据对 TMD 宽度的影响： 与仅基于 DY 的 NN 提取 (NNDY) 相比，加入 SIDIS 数据导致非极化 TMD PDFs 变得更宽。这种加宽效应与传统参数化模型（如 MAP22）中的观察结果一致。
不确定度量化： 与仅基于 DY 的情况相比，NN 全局提取的不确定度有所降低，但仍大于使用传统模型 (MAP22) 得到的结果。作者将其解释为：NN 参数化增加的灵活性使得能够进行更稳健且现实的不确定度评估，避免了在僵硬函数形式中常见的人为收紧现象。
Collins-Soper 核： 从 NN 全局分析中提取的 Collins-Soper (CS) 核（标度演化反常维度）与 NNDY 提取及格点 QCD 计算表现出良好的一致性。值得注意的是，在较大的 $b_T$ 处，其结果小于 NNDY 提取值，这与在动量空间中观察到的较宽 TMD PDFs 相一致。
数据一致性： 结果表明，在提取非微扰 TMD 演化方面，DY 和 SIDIS 数据之间不存在显著冲突。

意义
本文证明了灵活的神经网络参数化在减少全局 TMD 分析中模型依赖性的潜力。通过在 N3LL 精度下成功地将 SIDIS 数据与 DY 数据结合，该研究为非极化 TMD 分布提供了更全面的约束。这些结果为最大化未来高精度测量（特别是杰斐逊实验室的 SoLID 实验和电子离子碰撞器）的物理潜力提供了指导。