Artificial neural network modelling of generalised parton distributions
Artificial neural network modelling of generalised parton distributions
复制标题
广义部分子分布的人工神经网络建模
DOI：
--
复制
发表时间：
2021
期刊：
影响因子：
--
通讯作者：
P. Sznajder
中科院分区：
文献类型：
--
作者：
H. Dutrieux;O. Grocholski;H. Moutarde;P. Sznajder
我们讨论了机器学习技术在广义部分子分布(GPD)的有效非参数建模中的使用，考虑到它们未来从实验数据中提取。目前对GPD的参数化受到模型依赖性的影响，这降低了它们对现象学的影响，并给像Mellin矩这样的量的估计带来了未知的系统论。这项研究中提出的新策略允许以满足理论驱动的约束的方式描述GPD，将模型依赖保持在最低限度。通过更好地把握系统效应的控制，我们的工作将有助于GPD现象学在新一代实验开始的精确时代实现其成熟。
We discuss the use of machine learning techniques in effectively nonparametric modelling of generalised parton distributions (GPDs) in view of their future extraction from experimental data. Current parameterisations of GPDs suffer from model dependency that lessens their impact on phenomenology and brings unknown systematics to the estimation of quantities like Mellin moments. The new strategy presented in this study allows to describe GPDs in a way fulfilling theory-driven constraints, keeping model dependency to a minimum. Getting a better grip on the control of systematic effects, our work will help the GPD phenomenology to achieve its maturity in the precision era commenced by the new generation of experiments.
影响因子：
2.8
作者：
Ball, Richard D.;Bertone, Valerio;Ubiali, Maria
通讯作者：
Ubiali, Maria