DOI: https://doi.org/10.1140/epjc/s10052-026-15528-z
تاريخ النشر: 2026-04-14
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الكروموديناميكا الكمومية وتفاعلات الجسيمات
نظرة عامة
في هذه الدراسة، نستكشف منهجيات مختلفة لمعالجة المشكلة العكسية المرتبطة بتحويل فورييه العكسي المحدود (L-IDFT) للتوزيعات شبه. تشمل الأساليب التي تم فحصها تنظيم تيخونوف، وطريقة باكوس-غيلبرت، وإطار بايزي يستخدم أولوية المشي العشوائي الغاوسي (GRW)، والشبكات العصبية الاصطناعية (ANNs) ذات التغذية الأمامية. نقيم فعالية هذه الأساليب من خلال محاكاة باستخدام بيانات وهمية مستمدة من نماذج تجريبية، بالإضافة إلى بيانات حقيقية من الشبكات المتعلقة بالتوزيعات شبه، ونقارنها مع تقنية الاستقراء λ المعتمدة على الفيزياء.
تشير نتائجنا إلى أن L-IDFT يمثل مشكلة عكسية قابلة للتعامل معها بشكل معتدل. ومن الجدير بالذكر أنه بينما كانت طريقة باكوس-غيلبرت أقل أداءً، نجحت الأساليب الأخرى في إعادة بناء التوزيعات شبه في فضاء الزخم. أظهر الأسلوب البايزي مع GRW والشبكات العصبية الاصطناعية ذات التغذية الأمامية إعادة بناء مستقرة ودقيقة بشكل خاص. نستنتج أن اختيار طريقة إعادة البناء يجب أن يكون مصممًا وفقًا لمشكلة L-IDFT المحددة وأن التقييم الدقيق للاختلافات النظامية المحتملة أمر بالغ الأهمية لتحقيق نتائج موثوقة.
مقدمة
تتناول مقدمة الورقة التحديات في تحديد الهياكل الجزيئية ضمن الديناميكا الكمية للكروموديناميكا (QCD)، لا سيما من خلال QCD الشبكية، التي تقدم نهجًا غير مضطرب ولكنها محدودة بصيغتها الإقليدية. تؤثر هذه القيود على الحساب المباشر لدوال الارتباط في مخروط الضوء، مثل دوال توزيع الجزيئات (PDFs) والتوزيعات المعتمدة على الزخم العرضي (TMDs). قدمت التطورات الأخيرة، لا سيما نظرية الزخم الكبير الفعالة (LaMET) وطريقة التوزيع الزائف، طرقًا جديدة لربط التوزيعات شبه الإقليدية بنظيراتها في مخروط الضوء. جانب حاسم من هذه الطرق يتضمن إعادة بناء توزيعات كسر الزخم من عناصر المصفوفة غير المحلية، وهو رياضيًا مشابه لأداء تحويل فورييه العكسي المحدود (L-IDFT).
تسلط الورقة الضوء على الطبيعة غير المحددة لمشكلة L-IDFT، حيث يمكن أن تؤدي الاضطرابات الصغيرة في بيانات الإدخال إلى انحرافات كبيرة في المخرجات. تناقش استراتيجيات مختلفة لتثبيت إعادة البناء، بما في ذلك تنظيم تيخونوف، وطريقة باكوس-غيلبرت، ونهج بايزي مع أولوية المشي العشوائي الغاوسي (GRW)، والشبكات العصبية الاصطناعية (ANNs) ذات التغذية الأمامية. يقوم المؤلفون بإجراء مقارنة منهجية بين هذه الأساليب باستخدام نماذج تجريبية محكومة وبيانات حقيقية من الشبكات، مما يكشف أن تنظيم تيخونوف، والأساليب البايزية، والشبكات العصبية الاصطناعية تعيد بناء التوزيعات شبه بشكل فعال، مع إظهار الأخيرتين استقرارًا ودقة متفوقين. تشير النتائج إلى أنه مع بيانات الشبكة عالية الجودة، يمكن معالجة مشكلة L-IDFT بشكل فعال، مما يوفر رؤى منهجية للدراسات المستقبلية في QCD الشبكية وفيزياء الجزيئات.
النتائج
في هذا القسم، يقدم المؤلفون دراسة عددية مفصلة لتقييم أداء أربعة أساليب إعادة البناء لمدى التوزيع. تبدأ التقييم بنموذجين تجريبيين محكومين يعملان على التحقق من وظيفة واستقرار الأساليب. يستخدم النموذج الأول الشكل الأسيمبتيكي لمدى التوزيع كحل مرجعي، وهو ذو صلة بالمشكلة الفيزيائية المطروحة، مما يتيح تقييمًا مباشرًا للدقة والاستقرار في ظل ظروف واقعية. يتميز النموذج الثاني بشكل وظيفي أكثر تعقيدًا وغير قياسي كحقيقة أساسية، يهدف إلى اختبار قوة وعمومية أساليب إعادة البناء في سيناريوهات أكثر تحديًا.
بعد ذلك، يتم تطبيق الأساليب الأربعة لإعادة البناء على التوزيعات شبه الحقيقية لمدى توزيع مخروط الضوء (LCDA). يسمح هذا التطبيق بتقييم فعاليتها العملية ويسهل مقارنة النتائج المعاد بناؤها ضمن سياق ذي صلة فيزيائيًا. توفر النتائج من هذه التجارب العددية رؤى حول نقاط القوة والقيود لكل نهج، مما يمهد الطريق للبحوث المستقبلية حول مدى التوزيع الأكثر تعقيدًا.
المناقشة
في هذا القسم، يناقش المؤلفون طبيعة المشاكل العكسية غير المحددة، لا سيما في سياق الديناميكا الكمية للكروموديناميكا (QCD) والتحديات المرتبطة بإعادة بناء توزيعات فضاء الزخم من بيانات فضاء الإحداثيات. يبدأ الإطار بتعريف واضح للمشاكل الأمامية، حيث يتم التنبؤ بالمخرجات القابلة للملاحظة من المدخلات المعطاة من خلال مشغل رياضي. تظهر المشاكل العكسية عندما تكون المخرجات معروفة، والهدف هو استعادة المدخلات، مما يؤدي غالبًا إلى عدم الاستقرار وصعوبة الحصول على حلول موثوقة. يشير المؤلفون إلى معايير هادامارد للوضوح الجيد—الوجود، الفريدة، والاستقرار—ويبرزون أن انتهاك هذه المعايير يزيد من عدم وضوح المشكلة. يحددون بشكل خاص تحويل فورييه العكسي المحدود (L-IDFT) كمشكلة غير محددة بشكل معتدل بسبب نقص استقراره، مما يتطلب استراتيجيات للتخفيف من هذا عدم الاستقرار.
يقترح المؤلفون عدة تقنيات رياضية لمعالجة التحديات التي تطرحها المشاكل العكسية غير المحددة، بما في ذلك تنظيم تيخونوف، وطريقة باكوس-غيلبرت، ونهج بايزي باستخدام أولوية المشي العشوائي الغاوسي (GRW). يقدم تنظيم تيخونوف مصطلح عقوبة لتثبيت الحلول، بينما تركز طريقة باكوس-غيلبرت على تقليل عرض نواة التوسيع لتحسين التقديرات. يعامل الإطار البايزي الحل المجهول كمتغير عشوائي يتميز بتوزيع احتمالي، مما يسمح بإدماج المعرفة السابقة واستخدام طرق سلسلة ماركوف مونت كارلو للاستدلال. يختتم القسم بالتأكيد على إمكانية الشبكات العصبية الاصطناعية (ANNs) في معالجة المشاكل العكسية المعقدة بسبب قدرتها على نمذجة العلاقات غير الخطية وقدراتها القوية على التعميم، مما يوفر طريقًا واعدًا للبحوث المستقبلية في هذا المجال.
DOI: https://doi.org/10.1140/epjc/s10052-026-15528-z
Publication Date: 2026-04-14
Author(s): Zhenyun Du et al.
Primary Topic: Quantum Chromodynamics and Particle Interactions
Overview
In this study, we explore various methodologies to tackle the inverse problem associated with the limited inverse Fourier transform (L-IDFT) of quasi-distributions. The approaches examined include Tikhonov regularization, the Backus-Gilbert method, a Bayesian framework utilizing a Gaussian Random Walk (GRW) prior, and feedforward artificial neural networks (ANNs). We assess the efficacy of these methods through simulations with mock data derived from toy models, as well as real lattice data from quasi-distributions, and compare them against the established physics-driven λ-extrapolation technique.
Our findings indicate that the L-IDFT presents a moderately tractable inverse problem. Notably, while the Backus-Gilbert method underperformed, the other approaches successfully reconstructed the quasi-distributions in momentum space. The Bayesian method with GRW and the feedforward ANNs demonstrated particularly stable and accurate reconstructions. We conclude that the choice of reconstruction method should be tailored to the specific L-IDFT problem and that careful evaluation of potential systematic uncertainties is crucial for achieving reliable outcomes.
Introduction
The introduction of the paper addresses the challenges in determining partonic structures within quantum chromodynamics (QCD), particularly through lattice QCD, which offers a nonperturbative approach but is limited by its Euclidean formulation. This limitation affects the direct computation of light-cone correlation functions, such as parton distribution functions (PDFs) and transverse-momentum dependent distributions (TMDs). Recent advancements, particularly the large-momentum effective theory (LaMET) and the pseudo-distribution method, have provided new pathways to relate Euclidean quasi-distributions to their light-cone counterparts. A critical aspect of these methods involves reconstructing momentum-fraction distributions from nonlocal matrix elements, which is mathematically akin to performing a limited inverse discrete Fourier transform (L-IDFT).
The paper highlights the ill-posed nature of the L-IDFT problem, where small perturbations in input data can lead to significant deviations in the output. It discusses various strategies for stabilizing the reconstruction, including Tikhonov regularization, the Backus-Gilbert method, a Bayesian approach with Gaussian Random Walk (GRW) priors, and feedforward artificial neural networks (ANNs). The authors conduct a systematic comparison of these methods using controlled toy models and real lattice data, revealing that Tikhonov regularization, Bayesian methods, and ANNs effectively reconstruct quasi-distributions, with the latter two demonstrating superior stability and accuracy. The findings suggest that with high-quality lattice data, the L-IDFT problem can be effectively addressed, providing methodological insights for future studies in lattice QCD and parton physics.
Results
In this section, the authors present a detailed numerical study to assess the performance of four reconstruction approaches for distribution amplitudes. The evaluation begins with two controlled toy models that serve to validate the functionality and stability of the methods. The first model utilizes the asymptotic form of the distribution amplitude as a reference solution, which is pertinent to the physical problem at hand, enabling a direct evaluation of accuracy and stability under realistic conditions. The second model features a more complex, non-standard functional form as the ground truth, aimed at testing the robustness and generality of the reconstruction methods in more challenging scenarios.
Subsequently, the four reconstruction approaches are applied to actual lattice quasi-distributions of the light-cone distribution amplitude (LCDA). This application allows for an assessment of their practical effectiveness and facilitates a comparison of the reconstructed results within a physically relevant context. The findings from these numerical experiments provide insights into the strengths and limitations of each approach, setting the stage for future research on more intricate distribution amplitudes.
Discussion
In this section, the authors discuss the nature of ill-posed inverse problems, particularly in the context of lattice Quantum Chromodynamics (QCD) and the challenges associated with reconstructing momentum-space distributions from coordinate-space data. The framework begins with a clear definition of forward problems, where observable outputs are predicted from given inputs through a mathematical operator. Inverse problems arise when the outputs are known, and the goal is to recover the inputs, often leading to instability and difficulty in obtaining reliable solutions. The authors reference Hadamard’s criteria for well-posedness—existence, uniqueness, and stability—and highlight that the violation of these criteria increases the ill-posedness of the problem. They specifically identify the Limited Inverse Discrete Fourier Transform (L-IDFT) as a moderately ill-posed problem due to its lack of stability, necessitating strategies to mitigate this instability.
The authors propose several mathematical techniques to address the challenges posed by ill-posed inverse problems, including Tikhonov regularization, the Backus-Gilbert method, and a Bayesian approach using Gaussian Random Walk (GRW) priors. Tikhonov regularization introduces a penalty term to stabilize solutions, while the Backus-Gilbert method focuses on minimizing the width of the averaging kernel to improve estimates. The Bayesian framework treats the unknown solution as a random variable characterized by a probability distribution, allowing for the incorporation of prior knowledge and the use of Markov Chain Monte Carlo methods for inference. The section concludes by emphasizing the potential of artificial neural networks (ANNs) to tackle complex inverse problems due to their ability to model non-linear relationships and their strong generalization capabilities, thus providing a promising avenue for future research in this domain.