arXiv:2607.25282hep-latcs.LG2026-07
用可逆神经网络从有限数据重建夸克分布函数
Normalizing Flows to Reconstruct Pseudo-PDFs
- 结合高斯过程先验与可逆网络学习PDF后验分布
- 在有限伊夫时间数据下仍保持物理约束与外推能力
- 适合高能物理中数据稀缺场景下的分布重构
我们研究了一种基于归一化流的方法，用于从合成的矩阵元数据中重建部分子分布函数（PDFs）。该框架将高斯过程先验与可逆神经网络相结合，学习与有限伊夫时间数据一致的PDF后验分布。实验表明，该架构能够保持物理约束和外推特性，适用于数据受限的高能物理场景。
原文摘要 · Abstract (English)
We investigate a normalizing-flow approach for reconstructing parton distribution functions (PDFs) from synthetic matrix-element data. Our framework combines Gaussian Process priors with invertible neural networks to learn a posterior distribution over PDFs consistent with limited Ioffe-time data. We demonstrate that the architecture preserves physical constraints and extrapolation properties.
归一化流夸克分布高能物理
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。