Как увидеть невидимое: протон без формул экспресс

Оригинал: "Reconstruction of Gravitational Form Factors using Generative Machine Learning"
arXiv:2602.19267 · 2026-02-22 · CC BY 4.0 · 1 мин
Учёные научились восстанавливать скрытые детали протона по крупицам данных, как реставратор — старую фреску.

📄 Показана версия «Просто» — «Подробно» пока не готова. Добавьте ★ в избранное, если хотите её ускорить.

Протон — не гладкий шарик, а клубок из кварков и глюонов, которые постоянно движутся и обмениваются энергией. Узнать, как именно распределены внутри него энергия, давление и спин, напрямую нельзя: измерения дают лишь редкие и зашумлённые точки. Это как пытаться угадать форму лица по нескольким размытым фотографиям с разных ракурсов.

Учёные применили метод, который учится на множестве примеров: сначала создали тысячи возможных кривых, описывающих, как свойства протона меняются при рассеянии частиц. Затем «шумный» алгоритм постепенно превращал случайные линии в правдоподобные, сверяясь с настоящими данными. Так удалось восстановить три ключевые характеристики протона — его «гравитационные форм-факторы» — по всему диапазону энергий, даже когда данных было всего одна-две точки.

Метод похож на реставрацию фрески: по немногим уцелевшим фрагментам художник дорисовывает целую картину, опираясь на знание стиля эпохи.

Восстановленные кривые позволили извлечь важные числа — так называемые низкоэнергетические константы. Их значения помогли вычислить величину, которая показывает, как протон «сопротивляется» внешнему давлению. Это шаг к пониманию того, откуда берётся масса протона и как устроена сильная сила, удерживающая кварки вместе.

Оригинальная аннотация

как её написали авторы, на английском arXiv:2602.19267

We develop a generative framework based on denoising diffusion for the model-independent reconstruction of hadronic form factors from sparse and noisy data. The generative prior is built from a large ensemble of synthetic curves drawn from ten distinct functional classes rooted in different theoretical approaches to hadron structure. Applied to the proton gravitational form factors $$A(t)$$, $$J(t)$$, and $$D(t)$$, the framework yields non-parametric reconstructions consistent with lattice QCD across the full kinematic range $$0\le -t\le 2~\mathrm{GeV}^{2}$$, remaining robust even when only one or two conditioning points are retained. The densely sampled output enables a direct extraction of the chiral low-energy constants $$c_8=-4.6\pm 0.8~\mathrm{GeV}^{-1}$$ and $$c_9=-0.61\pm 0.19~\mathrm{GeV}^{-1}$$. Using these values at the physical pion mass, we obtain $$D(0)=-4.3\pm 0.8$$ for the nucleon $$D$$-term.

Протон почти на 99% состоит из энергии взаимодействия кварков и глюонов, а не из массы самих кварков — как если бы вес человека определялся в основном его внутренним напряжением, а не телом.

В романе «Задача трёх тел» Лю Цысиня инопланетяне манипулируют протонами, разворачивая их в многомерные структуры — восстановление внутренних свойств протона могло бы стать первым шагом к подобным технологиям.

Учёные
Emmy NoetherMax PlanckAlbert EinsteinSatyendra Nath BoseWolfgang PauliEnrico Fermi
Понятия
генеративная модель генеративно-состязательные сети диффузионные модели автоэнкодер нейронные сети прогностического обучения авторегрессионная модель материалы на основе машинного обучения реконструкция данных с помощью нейронных сетей решеточная КХД регрессия гауссовских процессов моделирование гравитационного линзирования фильтрация шума гравитационных волн реконструкция микролинзирования нейронной сетью нормирующие потоки реконструкция шаблон прогностическая модель резервуарные вычисления