摘要
本研究提出了一种基于量子深度神经网络（QDNN）从某机构国家加速器实验室开展的深度虚拟康普顿散射（DVCS）实验中提取康普顿形状因子（CFFs）的方法。分析采用标准的twist-two形式主义，并辅以减少模型依赖性的拟合程序。通过经典深度神经网络（CDNN）和QDNN对CFFs进行伪数据提取测试，并开展详细对比分析。结果表明，在特定情况下QDNN能够超越CDNN，即使模型复杂度有限仍能提供更高的预测精度和精确度。基于此，本研究开发了一种基于DVCS实验数据特征的量子优势量化指标。这些发现凸显了QDNN在推动多维部分子分布和强子物理研究方面的潜在价值。
方法
实验设计
研究基于某机构国家加速器实验室的DVCS实验数据，采用Belitsky、Kirchner和Müller的标准形式主义框架。通过设计拟合程序最大限度降低模型依赖性，其方式类似于传统局部拟合方法。
神经网络架构
- 经典深度神经网络（CDNN）：采用传统神经网络结构进行CFF提取
- 量子深度神经网络（QDNN）：利用量子计算原理构建的深度神经网络
- 对比分析：对两种网络在伪数据提取测试中的性能进行系统比较
结果
研究表明：
- QDNN在特定案例中表现出优于CDNN的性能
- 即使模型复杂度较低，QDNN仍能保持较高的预测准确性
- 基于DVCS数据特征开发的量子优势度量标准有效量化了性能提升
结论
量子深度神经网络为康普顿形状因子提取提供了新的技术途径，展示了在核物理数据分析领域的应用潜力。该方法有望推动未来在多维部分子分布和强子结构研究方面的进展。