发表机构
William & Mary（威廉玛丽学院）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
研究用归一化流方法从合成矩阵元数据重建部分子分布函数，结合高斯过程先验与可逆神经网络，学习后验分布，架构保留物理约束和外推特性。
AI 中文摘要
我们研究了一种归一化流方法，用于从合成矩阵元数据重建部分子分布函数（PDFs）。我们的框架将高斯过程先验与可逆神经网络相结合，以学习与有限的约菲时间数据一致的PDFs后验分布。我们证明了该架构保留了物理约束和外推特性。
英文摘要
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.
