基于深度学习的Parton分布提取

本文介绍了一种新的机器学习方法，使用神经网络从实验数据中提取广义部分子分布（GPD）。该方法解决了将康普顿形状因子（CFF）与GPD关联的具有挑战性的逆问题，并结合了物理约束，如QCD核和端点抑制。该方法允许对GPD进行概率提取，从而更全面地了解强子结构。这很重要，因为它提供了一种独立于模型且可扩展的策略，用于分析来自深度虚康普顿散射（DVCS）和相关过程的实验数据，从而可能更好地理解强子的内部结构。

• •提出了一种从实验数据中提取GPD的机器学习方法。
• •使用具有保留物理信息的QCD核层的神经网络。
• •提供GPD的概率提取。
• •提供了一种独立于模型且可扩展的策略，用于分析DVCS数据。