康普顿形状因子提取使用量子深度神经网络
摘要
我们提出了一种利用量子深度神经网络（QDNN）从在托马斯·杰斐逊国家加速器设施进行的深度虚拟康普顿散射（DVCS）实验中提取康普顿形状因子（CFF）的方法。该分析采用标准的Belitsky、Kirchner和Müller形式主义，在twist-two层面进行，并辅以一种旨在最小化模型依赖性的拟合程序，类似于传统的局部拟合。使用经典深度神经网络（CDNN）和QDNN对CFF进行了伪数据提取测试，并进行了详细的比较分析。结果表明，在某些特定情况下，QDNN可以超越CDNN，即使模型复杂度有限，也能提供更高的预测精度和精确度。受此启发，我们开发了一种基于DVCS实验数据特征的度量标准，以量化量子优势的程度。这些发现强调了QDNN在推进未来多维部分子分布和强子物理研究中的 promising 作用。
评论
36页，17图。v2：重大修订
主题
机器学习（cs.LG）；核理论（nucl-th）；量子物理（quant-ph）
