Encoding off-shell effects in top pair production in Direct Diffusion networks

Resumen Técnico: Codificación de Efectos Fuera de la Masa (Off-Shell) en la Producción de Pares de Top mediante Redes de Difusión Directa

Planteamiento del Problema
Las simulaciones teóricas precisas de la producción de pares de quarks top ($t\bar{t}$) en el Gran Colisionador de Hadrones (LHC) son esenciales para contrastar las mediciones experimentales con la teoría. Sin embargo, restringir las simulaciones a la cinemática on-shell (aproximando las partículas a tener una masa fija) puede introducir sesgos. Aunque los cálculos completos off-shell proporcionan una mayor precisión, son computacionalmente prohibitivos para la generación de eventos a gran escala. Un trabajo previo estableció un método utilizando sustitutos de redes neuronales para mapear eventos on-shell a distribuciones off-shell en el Orden de Perturbación de Orden Líder (LO). Este artículo aborda el desafío de extender esta metodología al NLO en QCD (Siguiente Orden de Perturbación), donde el espacio de fase es significativamente más complejo debido a la inclusión de radiación real y partículas adicionales en el estado final.

Metodología
El enfoque propuesto utiliza un flujo de trabajo de dos etapas de redes neuronales para transformar muestras de eventos "on-shell" (efectos aproximados fuera de la masa) en muestras de eventos "off-shell" (cálculos completos fuera de la masa) en NLO.

1. Preparación de Datos y Reducción de Dimensionalidad:

   • Generadores: El estudio utiliza los generadores HVQ y ST-WTCH-DR para eventos on-shell (doblemente y sencillamente resonantes, respectivamente) y el generador BB4L para eventos completamente off-shell.
   • Conteo de Partículas: Para asegurar que las distribuciones de entrada y objetivo tengan la misma dimensionalidad, el generador ST-WTCH-DR (que carece de una partícula en comparación con HVQ) se complementa con un gluón o un quark ligero mediante la aproximación de la cascada (shower) de PYTHIA.
   • Manejo de la Radiación NLO: En NLO, los eventos off-shell contienen partículas adicionales (hasta dos) en comparación con LO. Dado que este estudio se centra únicamente en la radiación real en el proceso de producción, los gluones acoplados en el proceso de desintegración ($j'$) se eliminan de los eventos objetivo off-shell para igualar la dimensionalidad de la entrada on-shell.
   • Preservación Cinemática: Para preservar la cinemática correcta del quark top tras eliminar la radiación de desintegración, los eventos se transforman al sistema de referencia del respectivo quark top/antitop utilizando la cinemática de Born proporcionada por BB4L.
   • Ingeniería de Características: Los componentes del momento se transforman de $(E, p_x, p_y, p_z)$ a $(p_T, \phi, \eta, m)$. Los ángulos azimutales se rotan para establecer $\phi_{\bar{\nu}} = 0$, y las restricciones de conservación del momento reducen la dimensionalidad total de 28 a 18.

2. Red de Difusión Directa (DiDi) Bayesiana:

   • Arquitectura: Una red de Difusión Directa Bayesiana (implementada como una red de Ajuste de Flujo Condicional) mapea el espacio de fase on-shell al espacio de fase off-shell. A diferencia de las redes de alimentación hacia adelante estándar, los pesos y sesgos se representan mediante distribuciones normales con medias y desviaciones estándar aprendibles.
   • Mecanismo de Entrenamiento: La red aprende un campo de velocidad $v_\theta$ a lo largo de trayectorias lineales que conectan eventos on-shell ($x_1$) y off-shell ($x_0$) muestreados aleatoriamente. Minimiza el error cuadrático medio entre la velocidad predicha y el vector de velocidad real $(x_1 - x_0)$.
   • Cuantificación de la Incertidumbre: Al muestrear de las distribuciones de pesos aprendidas, la red genera un conjunto de eventos transformados para cada entrada. La varianza en la cinemática resultante proporciona una estimación de la incertidumbre de la predicción.
   • Composición de la Entrada: El lote de entrenamiento incluye una mezcla de eventos $t\bar{t}$ doblemente resonantes y eventos de single-top sencillamente resonantes (aproximadamente 2.75% para antitops y tops), reflejando su proporción en la muestra BB4L, para mejorar la calidad de la transformación.

3. Reponderación Basada en Clasificadores:

   • Se entrena una red clasificadora secundaria para distinguir entre los eventos generados por la Difusión Directa y los verdaderos eventos objetivo off-shell.
   • La salida del clasificador $C(x)$ se utiliza para calcular un factor de reponderación $w(x) = C(x) / (1 - C(x))$.
   • Este paso ajusta la densidad de los eventos generados para que coincida mejor con la distribución off-shell objetivo. Los autores señalan que este paso es ineficaz sin la transformación inicial de DiDi, ya ya que grandes regiones del espacio de fase están subpobladas en los datos on-shell brutos.

Contribuciones Clave y Resultados

• Extensión a NLO: El artículo demuestra la viabilidad del enfoque de Difusión Directa en el espacio de fase de mayor dimensión de NLO, un paso significativo más allá de los resultados de LO establecidos previamente.
• Precisión: El método combinado (DiDi + reponderación) genera distribuciones de eventos off-shell que coinciden con la distribución objetivo de BB4L con una desviación de solo unos pocos puntos porcentuales. En grandes regiones del espacio de fase, la desviación cae por debajo del 1%.
• Observables: La transformación reproduce con éxito las distribuciones para observables clave, tales como la masa reconstruida del antitop ($m_{\bar{b}l\bar{\nu}}$) y la masa del leptón-b-jet ($m_{lb}$). Se demuestra que la inclusión de eventos sencillamente resonantes en la muestra de entrada es crucial para llenar regiones del espacio de fase que de otro modo estarían escasamente pobladas en LO.
• Implementación Bayesiana: El uso de una red neuronal bayesiana permite la estimación de la incertidumbre de la predicción, una característica que no estaba presente en la implementación previa de LO.

Significado y Limitaciones
El artículo afirma que este trabajo representa los "primeros pasos" hacia un marco completo de simulación off-shell en NLO. La importancia radica en demostrar que los sustitutos de redes neuronales pueden manejar la mayor complejidad de la cinemática de NLO, incluyendo la radiación real en el proceso de producción.

Sin embargo, los autores son explícitos sobre el alcance y las limitaciones actuales:

• NLO Incompleto: El estudio solo aborda la radiación real en el proceso de producción. La radiación en el proceso de desintegración ($j'$) fue eliminada para mantener la dimensionalidad y debe ser reatachada en trabajos futuros sin utilizar técnicas de aprendizaje automático.
• Trabajo Futuro: Una generación completa de eventos off-shell en NLO requiere reatachar la radiación de desintegración. Además, la red clasificadora aún no ha sido bayesianizada, y un análisis de incertidumbre completo que involucre a ambas redes queda reservado para una publicación futura.
• Validación: Se planean pruebas detalladas, como la comparación de eventos con cascada (shower), para un artículo posterior.

En resumen, el trabajo proporciona una prueba de concepto robusta de que las redes de Difusión Directa pueden codificar eficientemente los efectos off-shell en la producción de pares de top en NLO, ofreciendo una alternativa computacionalmente viable a los cálculos completos off-shell manteniendo una alta fidelidad a las distribuciones objetivo.