The proton structure one mode at a time: a Neural Tangent Kernel analysis of a DIS fit
本文将神经切线核（NTK）分析应用于深非弹性散射数据拟合，揭示了用于部分子分布函数的神经网络训练动力学受控于 NTK 模态的增量学习，其中主导模态重构目标物理特性，而次级模态捕捉数据噪声，从而为理解正则化、初始化以及数据与方法论之间的相互作用提供了一个几何与解析框架。
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
在质子的核心内部，被称为夸克和胶子的不可见粒子正进行着一场混乱的舞蹈。为了理解这些粒子的行为，物理学家依赖于被称为部分子分布函数（parton distribution functions）的数学图谱。这些图谱告诉我们，在质子内找到特定速度和位置的特定粒子的概率。然而，这些图谱无法被直接测量。相反，科学家必须通过在巨大的加速器中碰撞质子并分析产生的碎片来重建它们。这个过程就像是通过听取声音从物体上弹回的回声，来试图弄清一个隐藏物体的形状；数据是不完整的，而从回声回到物体本身的路径充满了歧义。为了解决这个问题，研究人员使用复杂的计算机模型（通常由人工智能驱动）来填补这些空白。但由于这个问题非常困难，计算机的设置方式有时对最终图像的影响甚至会超过数据本身。
爱丁堡大学的一个研究小组深入研究了这些人工智能模型是如何学习绘制这些图谱的。他们专注于一种特定的神经网络，这是一种受人类大脑启发的计算机程序，目前是确定质子结构的标准工具。科学家们想要了解学习过程的确切机制：计算机如何决定信任数据中的哪些部分，以及它如何避免被噪声误导？为了做到这一点，他们开发了一种观察计算机思考的新方法，不是通过观察最终结果，而是通过分析网络在训练过程中内部的“肌肉”和“神经”。他们将学习过程视为一个随时间流动的物理系统，从而能够精确预测计算机的行为，而无需运行数千次模拟。
研究人员发现，计算机并不是一次性学习整个质子结构的。相反，它是分层学习的，从最明显、最重要的特征开始，然后转向更精细、更困难的细节。他们发现，网络首先捕捉到粒子分布的宽阔、平滑的形状，这些形状得到了实验数据的强力支持。只有在稍后阶段，它才开始捕捉到那些更小、更模糊的细节。至关重要的是，他们观察到这些后期的细节往往只是噪声——即并不代表真实物理现象的数据中的随机波动。如果允许计算机训练过久，它就会开始记忆这些噪声，这会导致最终的图谱准确度降低。这一发现证实了，提前停止训练过程不仅是一个实用的技巧，更是将质子结构的真实信号与实验中的静电噪声分离的必要步骤。
另一个重大发现涉及计算机的启动方式。研究人员测试了当计算机的初始设置非常小时，与初始值较大时会发生什么。他们发现，如果初始值太小，计算机就会陷入一种简单的线性模式，表现得像一个基础计算器。在这种状态下，它无法学习质子内部复杂的曲线形状。它会长时间处于闲置状态，无法取得进展，直到它终于积累了足够的动量来打破这种简单的状态，并开始学习真正的复杂性。这表明，计算机的初始设置至关重要；过于保守的设置实际上会减慢新物理学的发现进程。
该团队还展示了计算机的学习能力受限于其可以探索的独立方向的数量。尽管神经网络有数百个可调节的设置，但数据仅允许它沿着几十条特定的路径进行有效学习。其余的设置在本质上对数据是不可见的，并且不对最终答案做出贡献。这意味着计算机比看起来要高效得多，它仅利用其潜力的极小部分来重建质子。研究人员证明，通过理解这些特定的路径，他们可以高精度地预测计算机的行为，从而有效地为机器如何学习创建了一个数学蓝图。
这项工作为物理学中机器学习的“黑箱”提供了一个清晰的窗口。它表明，质子图谱的可靠性在很大程度上取决于知道何时停止计算机的学习以及如何进行初始设置。通过证明学习过程遵循可预测的、循序渐进的模式，研究人员为验证他们的结果提供了一种新工具。他们现在可以检查他们的模型是在学习真实的物理学，还是仅仅在记忆误差。随着实验变得越来越精确，这种程度的控制对于确保下一代关于宇宙基本组成部分的发现建立在坚实且被理解的基础之上至关重要。
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。