⚛️ phenomenology

Reliable Hybrid Neural Surrogates for Multidimensional Grids: Application to Double Parton Distributions

本文提出了一种使用 C++ 实现的混合神经网络方法，该方法通过将大部分数据压缩进神经网络模型，并仅存储一组稀疏的高精度残差，显著降低了多维双部分子分布网格的存储、内存和初始化成本，在实现 10.6 倍磁盘占用缩减的同时，对评估速度的影响极小。

原作者： R. Kord Valeshabadi, S. Rezaie

发布于 2026-09-15

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： R. Kord Valeshabadi, S. Rezaie

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

在大型强子对撞机中飞速运转的质子内部，宇宙是一片由被称为夸克和胶子的微小粒子组成的混沌汤。为了理解这些质子碰撞时会发生什么，物理学家必须精确了解这些内部粒子的排列方式及其运动方式。他们依赖于被称为部分子分布函数（parton distribution functions）的数学图谱，这些图谱告诉他们找到具有特定速度和能量的粒子的概率。几十年来，这些图谱一直以海量数字网格的形式存储，非常类似于一个详细的电子表格，其中每个单元格都包含一个特定的数值。这种方法对于涉及来自每个质子的单个粒子的简单碰撞效果很好。然而，自然界往往更加复杂。有时，两个不同的粒子对会在单次碰撞中同时发生相互作用，这种现象被称为双部分子散射（double parton scattering）。为了预测这些罕见事件，科学家需要一个更复杂的图谱，该图谱能同时追踪两个粒子，并为每个粒子配备两个不同的能量尺度。这创建了一个四维数据结构，其规模呈指数级增长，且比标准图谱更难管理，迅速耗尽了计算机的内存和存储系统。

德黑兰基础科学研究所的一组研究人员开发出一种巧妙的新方法，可以在不损失高能物理所需精度的情况下，缩小这些庞大数据图谱的体积。他们创建了一个混合系统，将紧凑的智能计算机模型与一个小的、针对性的异常列表相结合。研究人员并没有在巨大的四维网格中存储每一个数字，而是训练了一个神经网络——一种旨在识别模式的人工智能类型——来学习数据的总体形状和行为。该网络充当了一个高效的“猜测者”，能够以高精度重现网格中的绝大部分数值。然而，由于没有模型是完美的，研究人员识别出了网络预测不够准确的特定点。对于这些困难的点，他们在一条微小的、稀疏的列表中保留了原始的精确数值。当物理学家需要查找一个数值时，系统首先检查该点是否属于困难的异常点；如果不是，则使用快速且紧凑的神经网络来生成答案。

这种方法的成果令人瞩目。通过使用这种混合方法，研究人员将存储信息所需的数据库文件大小与标准压缩网格相比减少了10.6倍。更重要的是，运行计算所需的计算机内存下降了31.6倍，从超过四GB缩减到了仅138MB。这种内存使用的巨大减少意味着复杂的模拟可以在标准计算机上运行，而不需要专门的高端硬件。该系统的加载速度也提高了近11倍，将启动时间从超过两秒半缩短到不到四分之一秒。虽然实际计算的速度略微降至原始速率的85%左右，但这种权衡是非常积极的，它为之前让这些复杂计算变得极其昂贵且缓慢的问题提供了一个切实可行的解决方案。

这一成功的关键在于神经网络是如何被训练的。系统并不是试图从头开始记忆每一个数字，而是通过使用一个简单的已知近似值作为基准，获得了一个领先优势。随后，任务是让网络仅学习使真实数据变得独特的细微差异和相关性。这使得模型能够保持小型化和快速，同时仍能捕捉粒子相互作用的复杂细节。研究人员对该系统进行了严格测试，扫描了数百万个数据点，以确保神经网络的预测足够精确，能够用于科学研究。他们发现，只有0.694%的数据点需要存储在异常列表中，这证实了神经网络可以处理绝大部分工作。最终的软件包是用物理学家使用的标准编程语言编写的，这意味着它可以立即使用，而无需复杂的外部工具或编程环境。这项工作提供了一个高效的新工具，用于探索宇宙中最复杂的碰撞，将一个数据密集型的瓶颈转变为一个流线型的过程，为更深入地研究物质在最基本层面的行为打开了大门。

技术摘要：可靠的多维网格混合神经网络代理模型

问题陈述
双部分子分布（DPDs）的存储与评估与普通的部分子分布函数（PDFs）相比，面临着显著的计算挑战。虽然共线 PDF 取决于一个纵向动量分数 ( $x$ ) 和一个因子化标度 ( $\mu^2$ )，但非等标度的 DPD 取决于两个动量分数 ( $x_1, x_2$ ) 以及两个独立的因子化标度 ( $\mu_1^2, \mu_2^2$ )，且针对每种部分子味组合均如此。对这种四维依赖关系进行直接制表会导致海量的数据需求。对于本研究中基于 GS09 的特定参考网格，其 ASCII 表示形式占用约 2.6 GB，而压缩后的二进制版本在磁盘上仍需约 740 MB。更关键的是，密集网格的运行时内存使用量约为 4.27 GiB，因为完整的节点负载必须在内存中解压并持有以进行插值。这种高内存占用和慢速初始化时间（约 2.53 秒）为现象学应用（特别是需要重复评估的蒙特卡洛事件生成器）制造了瓶颈。

方法论
作者提出了一种混合神经网络代理模型，用于在保持数值精度的同时压缩 DPD 网格。该方法并非取代底层的参考计算或插值算法，而是压缩存储在网格中的节点数据。

混合架构： 该方法采用前馈神经网络来逼近 DPD 网格的主体部分。对于神经网络预测无法满足预设精度容差的网格节点，则存储原始的参考值于一个稀疏修正表中。在评估过程中，网络重建节点值，并在必要时由稀疏条目替换神经网络的预测值，随后再进行标准的插值处理。
输入表示： 网络接收源自四个变量 ( $x_1, x_2, \mu_1^2, \mu_2^2$ ) 的 12 个运动学特征。这些特征包括变量的对数映射、描述纵向支撑边界 ( $x_1+x_2 \le 1$ ) 的特征、部分子腿之间的不对称性以及重夸克阈值（粲和底）。
目标表示： 网络学习的不是绝对的 DPD 值，而是相对于具有物理动机的基准值的相对修正。该基准由单个 PDF 的乘积 ( $f_{a1}(x_1, \mu_1^2)f_{a2}(x_2, \mu_2^2)$ ) 乘以一个相空间抑制因子 $\rho_0(x_1, x_2)$ 构成。目标是通过反双曲正弦函数 ( $\text{asinh}$ ) 进行变换后的相对偏差，以处理极宽的动态范围。
网络架构： 使用了一个紧凑的多层感知器 (MLP)，具有三个宽度为 256 的隐藏层 (12 $\to$ 256 $\to$ 256 $\to$ 256 $\to$ 121)。输出层产生 121 个值，对应所有有序的部分子-味对。选择紧凑的尺寸是为了确保快速推理，因为单次离网格评估可能需要多达 16 个相邻节点的预测。
训练策略： 使用 PyTorch 在参考网格节点上对网络进行训练。损失函数是加权均方误差，其中对困难区域（靠近纵向端点、重夸克阈值）和特定味通道（如胶子-胶子）分配更高的权重。通过交换对称性进行数据增强。
实现： 训练好的模型被导出到 PDFxT TMDLib 框架内的原生 C++ 实现中。运行时评估既不需要 Python 也不需要 PyTorch，而是利用 oneDNN 进行高效推理。

关键结果
使用基于 GS09 的密集网格（ $N_x=56$ , $N_\mu=41$ , 121 个味通道）作为基准，该混合方法实现了以下目标：

压缩效率： 仅有 0.694% 的活性味值（554,383,007 个中的 3,845,458 个）需要在稀疏修正表中进行存储。
存储缩减： 混合文件大小为 66.65 MiB，相比 707.12 MiB 的压缩密集网格，缩减了 10.6 倍。
内存缩减： 中值峰值常驻内存从 4.27 GiB（密集型）降至 138.20 MiB（混合型），降幅达 31.6 倍。
初始化速度： 初始化时间从约 2.53 秒减少到 0.238 秒，提升了 10.6 倍，这主要是由于避免了解压完整的密集负载。
评估吞吐量： 混合评估器实现的吞吐量约为每秒 $2.6 \times 10^4$ 个运动学点，约为密集网格速率（ $3.1 \times 10^4$ 点/秒）的 85%。
精度： 该方法满足混合绝对-相对容差标准。稀疏表确保了偏差较大的节点会被精确的参考值替换，而网络则以高保真度处理剩余的主体部分。

意义与主张
本文声称，这种混合方案为解决与多维 DPD 网格相关的存储和内存瓶颈提供了切实可行的解决方案。通过将标度依赖性直接编码进紧凑的代理模型中，该方法消除了在推理过程中进行实时双 DGLAP 演化的需求，而这种演化在计算上是非常昂贵的。作者强调，该方法在保持与密集网格插值相当的评估速度的同时，大幅降低了磁盘占用、内存使用量和启动成本。

这项工作证明了在物理启发式基准的引导下，神经网络能够有效地捕捉 DPD 的非因子化相关结构。该方法已完全集成到 PDFxTMDLib C++ 库中，使其无需依赖机器学习框架即可直接用于现象学研究。虽然目前的研范围限于与 $y$ 无关的 DPD，但作者指出，该策略在理论上可以扩展到具有显式横向分离依赖性的分布。

类似论文