Normalizing Flows to Reconstruct Pseudo-PDFs
本文提出了一种结合高斯过程先验与可逆神经网络的新型框架，用于从合成矩阵元数据中重构部分子分布函数（PDFs），在学习与有限 Ioffe 时间数据一致的后验分布的同时，有效地保持了物理约束和外推特性。
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，宇宙是由被称为质子和中子的微小、不可见的乐高积木构建而成的。几十年来，科学家们一直试图弄清楚这些积木内部究竟包含什么。他们知道这些积木是由更小的粒子——“部分子”（夸克和胶子）组成的，但这些部分子被一种被称为“强相互作用”的力量紧紧粘在一起，以至于它们拒绝静止不动。这就像试图拍摄一个玻璃罐里嗡嗡作响的蜂群的照片：如果你观察得太仔细，蜜蜂就会散开；如果你观察得太慢，它们就会模糊成一团乱影。正因如此，我们无法使用标准的数学方法来计算这些部分子在做什么。相反，科学家们使用一种名为“格点量子色动力学”（Lattice QCD）的超级计算机模拟来生成关于这些粒子如何相互作用的数据。然而，这些数据是以一种奇怪且间接的形式呈现的——就像收到的不是物体本身，而是一个模糊、被扰乱的影子。巨大的挑战在于：我们如何从那个被扰乱的影子中，重建出部分子清晰、锐利的图像？这就是寻找“部分子分布函数”（PDFs）的谜题，它们本质上是告诉我们质子的动量中有多少是由每个部分子携带的蓝图。
在本文中，来自威廉玛学院的 Yamil Cahuana Medrano 和 Kostas Orginos 提出了一种巧妙的新方法来解决这个谜题，即使用一种被称为“规范化流”（Normalizing Flows）的人工智能类型，具体来说是一种被称为“可逆神经网络”（INN）的结构。把这个问题想象成一个魔术表演，魔术师将一只兔子变成了一只鸽子。通常，如果你只看到了鸽子，你无法确定它原本是什么样的兔子。但这些科学家建造了一台特殊的机器，这台机器可以双向工作：它可以把兔子变成鸽子，更重要的是，它可以将鸽子变回原本那只精确的兔子，且不会丢失任何信息。他们使用“高斯过程”（Gaussian Process）训练了这台机器，这是一种基于平滑、逻辑规则来猜测兔子可能长什么样的数学方法。他们向机器输入了合成数据（模拟的影子），并教它如何逆向工程出 PDFs。
他们的模拟结果显示，这台“神奇机器”运作得相当出色。当他们使用已知形状进行测试（“闭合测试”）时，该网络成功重建了原始的 PDFs，并保留了重要的物理规则，例如总概率必须等于 1，以及概率在边缘处必须降为零。然而，论文指出，重建的质量取决于网络被允许猜测多少“噪声”或隐藏信息。在数据稀缺的区域（“外推区域”），网络的猜测受其允许使用的隐藏变量数量的影响。虽然该方法是一个很有前景的概念验证，它结合了人工智能的灵活性与物理学的严苛规则，但作者谨慎地指出，这目前还仅仅是一个模拟。他们建议，未来的工作需要将其应用于来自实际粒子实验的真实、杂乱的数据，并观察它是否能处理更复杂的粒子行为。目前来看，这是一个成功的演示，证明了可逆神经网络能够学会如何解开亚原子世界的阴影。
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。