深層学習によるパートン分布抽出

本論文は、実験データから一般化パートン分布関数（GPD）を抽出するために、ニューラルネットワークを用いた新しい機械学習手法を紹介しています。この手法は、コンプトン形式因子（CFF）とGPDの関係性における困難な逆問題を解決し、QCDカーネルやエンドポイント抑制などの物理的制約を組み込んでいます。このアプローチにより、GPDの確率的抽出が可能になり、ハドロン構造のより完全な理解が得られます。これは、深仮想コンプトン散乱（DVCS）および関連プロセスからの実験データを分析するための、モデルに依存しないスケーラブルな戦略を提供し、ハドロンの内部構造のより良い理解につながる可能性があるため、重要です。