Unbinned extraction of $\gamma$ from $B\to DK$ with normalizing flows

ملخص تقني: استخراج غير مجمّع لـ $\gamma$ من تفاعلات $B \to DK$ باستخدام التدفقات التقييسية (Normalizing Flows)

بيان المشكلة
إن تحديد زاوية مثلث يونيتاري CKM المتمثلة في $\gamma$ (أو $\phi_3$) من تفاعلات $B^\pm \to DK^\pm$، حيث $D \to K_S \pi^+ \pi^-$، هو عملية نظيفة نظرياً ولكنها محدودة تجريبياً بالدقة الإحصائية. يتبع منهج BPGGSZ، وهو الأحدث حالياً والمستقل عن النماذج، طريقة تقسيم مخطط داليتز (Dalitz plot) الخاص بـ $D$ إلى حزم (bins). وبينما يتجنب هذا النهج الافتراضات المعتمدة على النماذج لتفكك $D$، إلا أنه يؤدي إلى "تخشين الحبيبات" (coarse graining) في فضاء الطور. إن متوسط فرق الطور القوي عبر الحزم المحدودة يؤدي إلى تلاشي تأثيرات التداخل الموضعية، مما يؤدي إلى فقدان الحساسية تجاه $\gamma$. وقد اقتُرحت بدائل غير مجمّعة سابقة (مثل مفككات فوريه، أو متعددات حدود ليجاندر، أو الاختبارات غير المعلمية)، ولكنها غالباً ما تفتقر إلى المرونة اللازمة لالتقاط البنى المعقدة متعددة الأنماط المتأصلة في مخططات داليتز دون إدخال أخطاء نمذجة لا يمكن تجنبها.

المنهجية
يقترح المؤلفون منهجاً للاستخراج غير المجمّع باستخدام التدفقات التقييسية (Normalizing Flows - NFs) لتعلم تمثيل مستمر ومعتمد على البيانات لسعة تفكك $D$ وتغير الطور القوي عبر مخطط داليتز المربع. يستبدل هذا المنهج الملاحظات المجمّعة ($K_i, c_i, s_i$) الخاصة بمنهج BPGGSZ بدوال مستمرة ($K, C, S$) يتم تعلمها مباشرة من بيانات تفكك $D$.

تتمثل المعضلة التقنية الجوهرية في القيد المثلثي الذي يربط الدوال المتعلمة: $C^2 + S^2 = K \bar{K}$. يستكشف البحث بنيتين مختلفتين للتعامل مع هذا القيد:

1. البنية الواعية بالقيد (شبكة $h$ - $h$-network):

   • يتم تدريب تدفق تقييسي (NF) مرتبط بنوع النكهة (flavor-tagged) لتعلم الكثافة $K(m', \theta')$.
   • يتم تدريب شبكة عصبية منفصلة، $h(m', \theta')$، على بيانات مرتبطة بـ CP (CP-tagged) لتعلم $\cos \Delta \delta$.
   • يتم تقييد الشبكة $h$ في النطاق $[-1, 1]$ عبر دالة تنشيط $\tanh$.
   • يتم بناء ملاحظات التداخل كـ $C = \sqrt{K\bar{K}}h$ و $|S| = \sqrt{K\bar{K}}\sqrt{1-h^2}$. يضمن هذا البناء تحقيق القيد المثلثي بالتعريف عند كل نقطة.
   • لالتقاط التذبذبات السريعة بالقرب من الرنين، تستخدم شبكة $h$ بنية SIREN (شبكة التمثيل الجيبية)، وهي أفضل قدرة على التعامل مع الميزات عالية التردد مقارنة بشبكات MLP القياسية القائمة على ReLU.

2. فرض القيد المؤجل (تدفق ثلاثي - 3-flow):

   • يتم تدريب ثلاثة تدفقات تقييسية مستقلة: واحد على بيانات مرتبطة بالنكهة (لتعلم $K$) واثنان على بيانات مرتبطة بـ CP-even و CP-odd (لتعلم الكثافات $p_+$ و $p_-$).
   • يتم استخراج الملاحظة $C$ جبرياً من كثافات CP.
   • بما أن التدفقات مستقلة، فإن التقلبات الإحصائية قد تؤدي إلى مناطق غير فيزيائية حيث $C^2 > K\bar{K}$ (مما ينتج عنه $S^2$ سالبة).
   • يتم تطبيق خطوة معالجة لاحقة تتضمن متوسط الجيران المحلي لفرض القيد $C^2 \leq K\bar{K}$.

تُستخدم الدوال المستمرة المستخرجة بعد ذلك في ملاءمة أقصى الاحتمال (maximum-likelihood fit) لبيانات $B^\pm \to DK^\pm$ لتحديد $r_B$ و $\delta_B$ و $\gamma$.

المساهمات الرئيسية

• تقدير الكثافة غير المجمّع: يقدم البحث أول تطبيق للتدفقات التقييسية لاستخراج $\gamma$، مما يوفر تمثيلاً غير معلمي مرن لمخطط داليتز يتحسن نظامياً مع زيادة أحجام عينات تفكك $D$.
• التعامل مع القيود: يوضح العمل استراتيجيتين لدمج القيد المثلثي غير الخطي بين ملاحظات السعة والطور في البنى العصبية، مقارناً بين القيد "الصلب" (عبر تصميم البنية) والقيد "اللين" (عبر المعالجة اللاحقة).
• SIREN للميزات عالية التردد: يسلط العمل الضوء على فائدة بنى SIREN لنمذجة تغيرات الطور السريعة الموجودة في مخططات داليتز، والتي تعاني الشبكات العصبية القياسية من صعوبة في حلها.
• تحليل الانحياز واليقين: تقدم الدراسة اختبار إغلاق صارم باستخدام مجموعات من البيانات المحاكات لتقدير اليقين الإحصائي والبحث عن الانحيازات المنهجية الناتجة عن تقريب التدفقات التقييسية.

النتائج
تم اختبار المناهج على بيانات مولدة من مونت كارلو (Monte Carlo) باستخدام معاملات مرجعية ($r_B=0.1, \delta_B=130^\circ, \gamma=70^\circ$).

• الدقة (Fidelity): نجحت التدفقات التقييسية في إعادة إنتاج كثافة نموذج "الأيزوبار" (isobar model) المدخل، بما في ذلك هياكل الرنين الضيقة. طابق متوسط المجموعة للكتل المتعلمة نموذج الحقيقة بدقة عالية (تغطية $1\sigma$ نقطية بنسبة $\sim95\%$ لتدفقات النكهة و $\sim96-97\%$ لتدفقات CP).
• استخراج المعاملات: نجحت كلتا الطريقتين في استعادة القيمة المحقونة لـ $\gamma$ ضمن اليقين الإحصائي.
• مقارنة المناهج:
  • يحقق نهج شبكة $h$ تباينات أصغر في المعاملات المستخرجة عبر مجموعات البيانات المختلفة مقارنة بمنهج التدفق الثلاثي (3-flow). ويُعزى ذلك إلى القيد المدمج الذي يمنع القيم غير الفيزيائية التي تتطلب إصلاحاً عددياً في منهج التدفق الثلاثي.
  • يُظهر منهج التدفق الثلاثي تبايناً أكبر قليلاً في اليقين، خاصة عندما تتطلب عملية متوسط الجيران إصلاح قيم $S^2$ غير الفيزيائية بالقرب من قمم الرنين.
• الانحياز: لم يتم العثور على انحيازات منهجية ذات دلالة إحصائية. تعتبر الحدود العليا المقدرة للانحيازات المحتملة صغيرة ($\sim 1^\circ$ لـ $\gamma$ و $\delta_B$، و $\sim 0.002$ لـ $r_B$)، وهي قابلة للمقارنة أو أصغر من اليقين الإحصائي لمجموعات البيانات المحاكات.

الأهمية والادعاءات
يقدم هذا البحث عمله كـ إثبات مبدأ للاستخراج غير المجمّع لـ $\gamma$. ويدعي المؤلفون ما يلي:

1. يوفر نهج التدفقات التقييسية تحسناً نظامياً على المناهج المجمّعة مع زيادة أحجام عينات تفكك $D$، بشكل مشابه لكيفية تحسن دقة معاملات $c_i$ و $s_i$ في المنهج المجمّع.
2. يتجنب المنهج أخطاء النمذجة غير القابلة للتجنب المرتبطة بنماذج الأيزوبار مع الاحتفاظ بمزيد من المعلومات في فضاء الطور مقارنة بالمناهج المجمّعة.
3. لا تسبب البنى المقترحة انحيازات كبيرة، مما يجعلها مرشحة صالحة للتطبيق التجريبي المستقبلي في LHCb و Belle II.

يشير المؤلفون صراحةً إلى أن التنفيذ الحالي ينشر اليقين الإحصائي عبر مجموعة من التدفقات المستقلة والمدربة بشكل مستقل، ولا يشمل بعد اليقين التجريبي المنهجي (مثل دقة الكاشف، والخلفيات). ويقترحون أن العمل المستقبلي يجب أن يستكشف التدفقات التقييسية البايزية (Bayesian Normalizing Flows) لتوفير تقديرات مباشرة لليقين على الكثافات المتعلمة دون الحاجة إلى مجموعات خارجية، كما يجب توسيع المنهج ليشمل تأثيرات الكاشف للتطبيق على البيانات الحقيقية. ويدعو البحث إلى المضي قدماً في كل من المناهج المجمّعة التقليدية ومناهج التدفقات التقييسية المقترحة بالتوازي للتحقق من النتائج وتحديد التأثيرات المنهجية المحتملة.