Assessing the impact of the electron ion collider in China on Deeply Virtual Compton Scattering

Resumen Técnico: Evaluación del Impacto del Colisionador Electrón-Ión en China en la Dispersión Compton Virtualmente Profunda

Enunciado del Problema
La estructura tridimensional de los hadrones, codificada en las Distribuciones de Partones Generalizadas (GPD), se sondea principalmente a través de la Dispersión Compton Virtualmente Profunda (DVCS). Sin embargo, los observables de DVCS no miden las GPD directamente; en su lugar, acceden a los Factores de Forma de Compton (CFF), que son integrales de las GPD ponderadas por núcleos de QCD perturbativa. La extracción de las GPD a partir de los CFF implica un complejo problema de deconvolución, complicado por el problema de la "GPD sombra" y la alta dimensionalidad del espacio cinemático. Aunque los ajustes globales a los datos existentes de JLab, COMPASS, HERMES y HERA han proporcionado información cuantitativa sobre los CFF de twist dominante, persisten incertidumbres significativas, particularmente en la región de los quarks del mar y respecto a las partes reales de ciertos CFF. El Colisionador Electrón-Ión en China (EicC), diseñado para complementar los programas del EIC de EE. UU. y de JLab, tiene como objetivo sondear el régimen de los quarks del mar con una precisión sin precedentes. Una pregunta crítica permanece: ¿en qué medida mejorarán las mediciones específicas de DVCS planificadas en el EicC la extracción global de los CFF?

Metodología
Para abordar esto, los autores desarrollaron un marco de análisis integral que utiliza el paquete de software Gepard y una arquitectura flexible de red neuronal (NN).

1. Generación de Simulación y Pseudo-Datos:

   • Se generaron eventos de DVCS para el EicC (haz de electrones de 3.5 GeV sobre un haz de protones de 20 GeV) utilizando el generador Monte Carlo MILOU.
   • A diferencia de estudios anteriores, este análisis incorporó aceptación y eficiencia realistas del detector basadas en el Informe de Diseño Conceptual (CDR) del EicC. Esto incluyó un marco de simulación rápida que consideraba los ángulos de cruce de los haces, la detección de protones de retroceso mediante "Roman pots" optimizados, y dos modos operativos: alta luminosidad ($4 \times 10^{33} \text{ cm}^{-2}\text{s}^{-1}$) y baja divergencia angular ($1.1 \times 10^{33} \text{ cm}^{-2}\text{s}^{-1}$).
   • Se generaron pseudo-datos para secciones eficaces no polarizadas y todas las asimetrías de espín medibles ($A_{LU}, A_{UL}, A_{UT}, A_{LL}, A_{LT}$) a través de 69 bins cinemáticos en $(x_B, Q^2, |t|)$, subdivididos en 18 bins de ángulo azimutal ($\phi$).
   • Las incertidumbres estadísticas se estimaron utilizando un estimador basado en verosimilitud, mientras que las incertidumbres sistemáticas (correcciones radiativas, fondo de $\pi^0$, etc.) se señalaron pero no se propagaron completamente a las bandas de error finales para aislar el impacto estadístico de los nuevos datos.

2. Arquitectura de la Red Neuronal:

   • Los CFF ($H, E, \tilde{H}, \tilde{E}$) se parametrizaron utilizando redes neuronales independientes para sus partes reales e imaginarias para garantizar una independencia completa.
   • La arquitectura consta de tres neuronas de entrada ($\xi, t, Q^2$ linealizadas y normalizadas), cuatro capas ocultas con 90 neuronas cada una, y una única neurona de salida. La función de activación es una unidad lineal exponencial modificada ($f(x) = 0$ para $x<0$, $e^x-1$ para $x>0$).
   • El entrenamiento utilizó el optimizador Adam para minimizar una función de pérdida de Huber ponderada por la incertidumbre.
   • Se empleó el método de réplicas (bootstrapping) para propagar las incertidumbres estadísticas desde los datos hasta los CFF extraídos, generando un gran conjunto de réplicas de la red neuronal.

3. Estrategia de Ajuste Global:

   • El marco se ajustó al conjunto de datos mundial combinado (JLab, COMPASS, HERMES, ZEUS, H1) con cortes cinemáticos ($Q^2 > 1.5 \text{ GeV}^2$, $-t/Q^2 < 0.2$) para suprimir contribuciones de twist superior.
   • Las partes reales de $\tilde{E}$ y $\tilde{H}$ se asumieron nulas, siguiendo análisis anteriores, debido a la falta de restricciones en los datos actuales.
   • Luego, los pseudo-datos del EicC (específicamente las asimetrías) se añadieron al conjunto de entrenamiento para evaluar la reducción en las incertidumbres de los CFF.

Contribuciones y Resultados Clave

• Modelado Realista del Detector: El estudio avanza las evaluaciones de impacto anteriores al incorporar eficiencias y aceptaciones realistas del detector del EicC, en lugar de asumir condiciones ideales.
• Reducción de Incertidumbres: La inclusión de pseudo-datos del EicC conduce a una reducción significativa en las incertidumbres de todos los CFF de orden dominante.
  • Región de Quarks del Mar: La mejora más dramática se observa en la región de los quarks del mar ($x_B \sim 10^{-4}$ a $10^{-2}$). Las incertidumbres para los CFF en este dominio se estrechan sustancialmente, como se ilustra en las figuras de resultados mediante la transición de bandas azules anchas a bandas rojo-claras ajustadas.
  • Alcance Cinemático: El análisis demuestra que los datos del EicC permitirán una extracción precisa de la dependencia en $-t$ de los CFF hasta $1.0 \text{ GeV}^2$ y de la dependencia en $Q^2$ hasta $20 \text{ GeV}^2$ en el dominio del mar.
  • Prueba de Cierre: El ajuste global que incluye datos del EicC permanece consistente con el ajuste que utiliza solo datos existentes en las regiones donde los datos del EicC se superponen con las mediciones actuales, sirviendo como una validación no trivial de la metodología de la red neuronal.
• Limitaciones: El estudio señala que no se espera que la parte real de $H$ ($\text{Re}H$) vea una reducción sustancial en la incertidumbre a partir de los datos de sección eficaz no polarizada del EicC por sí solos, dado el dominio del proceso de Bethe-Heitler en la sección eficaz. Además, la extracción se basa en la suposición de partes reales nulas para $\tilde{E}$ y $\tilde{H}$.

Significado y Afirmaciones
El artículo afirma que el EicC está en una posición única para llenar la brecha cinemática entre JLab y el EIC de EE. UU., apuntando específicamente al régimen de los quarks del mar. El significado principal de este trabajo es demostrar que las mediciones del EicC de asimetrías de espín proporcionarán una restricción poderosa para la extracción de GPD, particularmente para los quarks del mar, que actualmente están poco restringidos.

Los autores enmarcan modestamente su trabajo como un paso hacia la extracción fiable de GPD en Orden Dominante (LO) utilizando parametrizaciones flexibles, análogo a cómo se extraen las Funciones de Distribución de Partones (PDF). Enfatizan que, aunque el marco de la red neuronal reduce con éxito las incertidumbres y valida la estrategia de extracción, lograr un ajuste global completamente estable requiere:

1. Entrada teórica adicional (por ejemplo, restricciones mejoradas de QCD en retículo).
2. Extensiones futuras a marcos de Orden Siguiente al Dominante (NLO) y Orden Siguiente al Siguiente al Dominante (NNLO), lo cual sigue siendo un desafío mayor.
3. La inclusión de contribuciones de twist superior en ajustes futuros.

En última instancia, el estudio concluye que el EicC permitirá una "tomografía" más precisa de la estructura interna del nucleón, específicamente respecto a la distribución espacial de los quarks del mar, siempre que los datos experimentales se combinen con los métodos de extracción de red neuronal flexible presentados aquí.