通过条件扩散从原始散射事件中学习横向动量分布

从半包容深度非弹性散射（SIDIS）数据中提取横向动量依赖的部分子分布函数（TMD PDFs）是 Jefferson Lab 以及未来电子-离子对撞机的核子结构研究计划中的核心目标。传统提取方法依赖参数化函数形式和迭代拟合，这会限制所得分布的灵活性，并使不确定性量化变得繁琐。我们提出一种条件扩散模型，学习将原始 SIDIS 事件运动学直接映射到 TMD PDFs，从而绕过显式的函数假设。该模型在 CLAS12 运动学条件下的模拟 SIDIS 数据上进行评估，能够重建底层 TMD，并给出信息丰富的不确定性估计；随着事件统计量增加，这些不确定性会稳步收窄。即使在仅有 1,000 个条件事件的情况下，该模型也能产生可靠估计，这一统计受限的情形与正在进行和计划中的实验直接相关。