Investigating the most active pp collisions (top 0.1%) using the tools developed by experiments at the LHC

Este artículo analiza colisiones protón-protón simuladas con PYTHIA 8 utilizando diversos estimadores de eventos para identificar que la "flattenicity" es el indicador óptimo para seleccionar las colisiones más activas (top 0.1%) minimizando los sesgos en la relación de partículas neutras a cargadas y hacia colisiones más duras.

Lo esencial

Imagina que el Gran Colisionador de Hadrones (LHC) es una gigantesca máquina de chicles. Cuando dos bolas de chicle (protones) chocan a velocidades increíbles, se rompen y lanzan miles de trocitos de chicle (partículas) en todas direcciones.

Durante mucho tiempo, los científicos pensaron que solo en las colisiones "gigantes" (donde chocan núcleos pesados de plomo) se creaba una especie de "sopa" de partículas llamada plasma de quarks y gluones, que se comportaba como un líquido perfecto. Pero hace unos años, se dieron cuenta de que incluso en las colisiones pequeñas (protones contra protones), a veces pasaba algo extraño: ¡las partículas pequeñas también se comportaban como ese líquido!

El problema es: ¿Cómo sabemos cuáles son las colisiones "más activas" o "más interesantes" para estudiar?

El problema de la "Lupa" imperfecta

En este artículo, los autores (Jesús y Antonio) se preguntan: ¿Cuál es la mejor manera de elegir las colisiones más locas del 0.1%?

Imagina que tienes una fiesta con millones de personas y quieres encontrar a los 100 más activos. Tienes varias formas de medirlo:

1. Contar cuántas personas hay en la sala central (Multiplicidad).
2. Contar cuántas personas hay en la entrada (Multiplicidad hacia adelante).
3. Mirar si la gente está bailando en círculo o en línea recta (Sfericidad/Sferocidad).
4. Usar una nueva regla llamada "Flattenicidad".

El problema es que cada "regla" o "lupa" tiene un sesgo (un prejuicio).

• Si cuentas solo a la gente en la sala central, podrías estar seleccionando sin querer a los que están bailando más fuerte (colisiones más duras), pero ignorando a otros.
• Si miras la forma del baile, podrías estar descartando a los que tienen un solo bailarín muy rápido (un chorro de partículas o "jet").

La solución: La "Flattenicidad"

Los autores probaron todas estas reglas usando una simulación por computadora (PYTHIA 8) que imita 6 mil millones de colisiones. Descubrieron que:

1. Las reglas viejas (contar partículas o mirar la forma del baile) tienen trampas:

   • Algunas reglas seleccionan colisiones donde hay demasiadas partículas "duras" (como si solo eligieras a los que bailan rock pesado), lo que distorsiona la realidad.
   • Otras reglas, al intentar medir la forma, eliminan sin querer a las partículas neutras (como si en tu fiesta solo contaras a los que llevan sombrero rojo, ignorando a los demás).

2. La nueva estrella: "Flattenicidad" (Flattenicity):

   • Imagina que la "Flattenicidad" es como un espejo mágico que mira la fiesta desde arriba y desde los lados al mismo tiempo.
   • Esta nueva herramienta es la única que logra seleccionar las colisiones más activas sin distorsionar la mezcla de partículas. Es como si pudiera elegir a los 100 más activos sin importar si llevan sombrero rojo, si bailan rock o si están en la entrada.
   • Además, es la mejor para buscar "sombras" en la fiesta (como el "apagado de jets" o jet quenching), que es la prueba definitiva de si se ha formado esa "sopa" de quarks y gluones.

La analogía del "Filtro de Café"

Piensa en las colisiones como una mezcla de café y agua.

• Si usas un filtro viejo (las reglas antiguas), el café sale muy fuerte o muy débil dependiendo de cómo lo viertas.
• La Flattenicidad es un filtro nuevo y perfecto que deja pasar el café tal cual es, sin cambiar su sabor ni su fuerza.

¿Por qué importa esto?

Si los científicos usan las reglas viejas, podrían pensar que han descubierto algo nuevo (como la formación de plasma) cuando en realidad solo han seleccionado un tipo de colisión "rara" por accidente.

El mensaje final del paper es: Para entender la física más profunda de las colisiones pequeñas, debemos usar la "Flattenicidad". Es la herramienta más justa y precisa que tenemos ahora para mirar dentro de la "caja negra" de los protones sin ponerle gafas de color.

En resumen:
Los autores compararon varias formas de medir la "actividad" en choques de protones y descubrieron que una nueva medida llamada Flattenicidad es la menos "prejuiciosa". Es la mejor lente para observar los fenómenos más raros y misteriosos que ocurren en las colisiones más violentas, ayudándonos a entender si realmente estamos creando mini-estrellas de plasma en el laboratorio.

Resumen técnico

Resumen Técnico: Investigación de las colisiones pp más activas (top 0.1%) utilizando herramientas desarrolladas en el LHC

1. Planteamiento del Problema

En la última década, los experimentos del LHC han descubierto comportamientos similares a los de iones pesados (como el flujo colectivo y la mejora de la extrañeza) en sistemas de colisión pequeños ($pp$y$p$-Pb). Sin embargo, el origen de estos fenómenos sigue siendo una pregunta abierta.

• El Desafío: Tradicionalmente, estas colisiones de alta multiplicidad se seleccionaban basándose en el número de partículas cargadas. No obstante, esta selección introduce un sesgo hacia colisiones "más duras" (con mayor energía de dispersión) que no reflejan necesariamente la física del plasma de quarks y gluones (sQGP) o la dinámica de la interacción fuerte en el volumen.
• La Necesidad: Se requieren nuevos clasificadores de actividad del evento que minimicen estos sesgos (especialmente hacia procesos duros y hacia la relación carga-neutro) para entender si los efectos observados son genuinos o artefactos de la selección de eventos.

2. Metodología

El estudio se basa en una simulación de 6 mil millones de colisiones $pp$ a una energía de centro de masa de $\sqrt{s} = 13$ TeV, utilizando el generador de eventos PYTHIA 8 (tune Monash 8.312).

• Muestra: Se analizó el 0.1% superior (top 0.1%) de la sección eficaz transversal, correspondiente a los eventos con mayor actividad.
• Clasificadores de Actividad Comparados: Se evaluaron seis estimadores diferentes para seleccionar estos eventos extremos:
  1. Multiplicidad en pseudorapidez media ($N_{ch}$): Número de partículas cargadas en $|\eta| < 0.8$.
  2. Multiplicidad en V0 ($V0M$): Conteo en regiones de pseudorapidez frontal (detectores V0A y V0C de ALICE).
  3. Sphericidad Transversal ($S_T$) y Spherocity ($S_0$): Medidas de la forma del evento en el plano transversal.
  4. Clasificador de Actividad Transversal Relativa ($RT$): Basado en correlaciones azimutales para eliminar el jet líder.
  5. Flattenicity ($1-\rho_{nch}$): Un nuevo observable que utiliza la información tanto de la pseudorapidez como del ángulo azimutal en los detectores V0.
• Análisis: Se compararon los sesgos de cada clasificador analizando:
  • La relación carga-neutro (específicamente la relación de kaones cargados a neutros).
  • La selección de colisiones más duras que el promedio (sesgo hacia física dura).
  • La distribución de jets de retroceso (recoil jets) reconstruidos con FastJet.
  • La correlación en el espacio de fases ($\hat{p}_T$ - $N_{mpi}$), donde $\hat{p}_T$ es el momento transversal de la dispersión partón-partón y $N_{mpi}$ es el número de interacciones multipartón.

3. Contribuciones Clave

• Evaluación Comparativa Sistemática: Se presenta una comparación exhaustiva de cómo diferentes clasificadores de actividad (incluyendo el nuevo flattenicity) seleccionan el top 0.1% de los eventos, revelando que no todos seleccionan el mismo subconjunto de física.
• Propuesta de Flattenicity: Se destaca el uso de flattenicity como un estimador superior para reducir sesgos, demostrando que es el único que mantiene una relación carga-neutro consistente con la simetría de isospín y no sesga la fragmentación de jets hacia colisiones más duras.
• Análisis de Sesgos de Selección: Se cuantifica cómo la selección basada en multiplicidad central ($N_{ch}$) o en formas de evento ($S_T, S_0$) distorsiona la muestra física en comparación con una selección "sin sesgo" basada en el número de interacciones multipartón ($N_{mpi}$).

4. Resultados Principales

• Sesgo en la Relación Carga-Neutro:
  • Los clasificadores $N_{ch}$ y $RT$ muestran una relación de kaones cargados a neutros significativamente mayor que 1 (hasta un 15% de discrepancia), violando la simetría esperada.
  • $S_T$ y $S_0$ muestran un comportamiento errático que tiende a cero a altos $p_T$ debido a cortes implícitos en partículas cargadas de alto momento.
  • Resultado: $V0M$ y Flattenicity son los únicos estimadores que mantienen la relación consistente con la unidad en todo el rango de $p_T$, indicando una ausencia de sesgo en la producción de partículas neutras.
• Sesgo hacia Física Dura (Hard Physics):
  • Los estimadores basados en multiplicidad ($N_{ch}, RT$) seleccionan colisiones mucho más duras que el promedio (supresión de la relación de espectros a altos $p_T$).
  • Resultado: Flattenicity produce una relación de espectros casi plana y consistente con el caso "sin sesgo" (selección por $N_{mpi}$), lo que sugiere que no introduce un sesgo artificial hacia colisiones más duras.
• Reconstrucción de Jets de Retroceso:
  • Para las clases de eventos $S_T$ y $S_0$, la reconstrucción de jets de retroceso es casi nula (pocos eventos cumplen los criterios), ya que estos clasificadores seleccionan eventos "libres de jets".
  • Los clasificadores $N_{ch}$, $RT$y$V0M$ muestran estructuras asimétricas o autocorrelaciones en la distribución de pseudorapidez de los jets ($\eta_{jet}$).
  • Resultado: Flattenicity no muestra estas estructuras ni sesgos de autocorrelación, reproduciendo una distribución de jets similar a la de las colisiones de sesgo mínimo (MB) y al caso sin sesgo.
• Correlaciones en el Espacio de Fases:
  • Aunque todos seleccionan el 0.1% superior, los eventos seleccionados son diferentes. La superposición en el espacio $\hat{p}_T$-$N_{mpi}$ es muy estrecha (alrededor de $N_{mpi} \approx 17$ y $\hat{p}_T \approx 10$ GeV/c) para la mayoría de los clasificadores, excepto $S_T$.
  • Flattenicity exhibe el rango más estrecho en $\hat{p}_T$ pero un alcance razonable en $N_{mpi}$, acercándose más al caso sin sesgo que los demás.

5. Significado e Implicaciones

• Interpretación de Datos del LHC: Los resultados indican que la elección del clasificador de actividad es crítica. Comparar directamente resultados obtenidos con diferentes clasificadores (ej. multiplicidad vs. spherocity) puede llevar a conclusiones erróneas sobre la física subyacente, ya que seleccionan muestras de eventos distintas.
• Búsqueda de Quenching de Jets en Sistemas Pequeños: La capacidad de Flattenicity para seleccionar eventos de alta actividad sin sesgar la fragmentación de jets ni la relación carga-neutro lo convierte en la herramienta ideal para buscar efectos de jet quenching (apagado de jets) en colisiones $pp$. Los métodos tradicionales podrían estar enmascarando o simulando falsos positivos/negativos debido a sus sesgos inherentes.
• Futuro Experimental: El estudio subraya la importancia de futuros experimentos como ALICE 3, que podrán medir la actividad del evento con mayor precisión y en rangos de pseudorapidez más amplios, permitiendo reducir aún más los sesgos y desvelar efectos ocultos en los datos de las corridas 3 y 4 del LHC.

En conclusión, el artículo establece que Flattenicity es el estimador de actividad de evento menos sesgado para el estudio de las colisiones $pp$ más activas, ofreciendo una vía más limpia para investigar la posible formación de un plasma de quarks y gluones o fenómenos de QCD densa en sistemas pequeños.