We extract Compton form factors (CFFs) from deeply virtual Compton scattering measurements at the Thomas Jefferson National Accelerator Facility (JLab) using quantum-inspired deep neural networks (QDNNs). The analysis implements the twist-2 Belitsky-Kirchner-Müller formalism and employs a fitting strategy that emulates standard local fits. Using pseudodata, we benchmark QDNNs against classical deep neural networks (CDNNs) and find that QDNNs often deliver higher predictive accuracy and tighter uncertainties at comparable model complexity. Guided by these results, we introduce a quantitative selection metric that indicates when QDNNs or CDNNs are optimal for a given experimental fit. After obtaining local extractions from the JLab data, we perform a standard neural-network global CFF fit and compare with previous global analyses. The results support QDNNs as an efficient and complementary tool to CDNNs for CFF determination and for future multidimensional studies of parton distributions and hadronic structure.

翻译：我们采用量子启发的深度神经网络（QDNNs），从托马斯·杰斐逊国家加速器装置（JLab）的深度虚康普顿散射测量中提取康普顿形状因子（CFFs）。该分析实现了 twist-2 的 Belitsky-Kirchner-Müller 形式化方法，并采用了一种模拟标准局部拟合的拟合策略。通过使用伪数据，我们将 QDNNs 与经典深度神经网络（CDNNs）进行了基准测试，发现在可比的模型复杂度下，QDNNs 通常能提供更高的预测精度和更严格的不确定性。基于这些结果，我们引入了一个定量选择指标，用以指示在给定的实验拟合中，QDNNs 或 CDNNs 何时为最优选择。在从 JLab 数据中获得局部提取结果后，我们执行了标准的神经网络全局 CFF 拟合，并与先前的全局分析进行了比较。结果表明，QDNNs 是 CDNNs 的一种高效且互补的工具，可用于 CFF 的确定以及未来部分子分布和强子结构的多维研究。