Reweighting Underlying Event and Colour Reconnection parameter variations in Sherpa

Resumen Técnico: Variaciones de la Reponderación de Eventos Subyacentes y de Parámetros de Reconexión de Color en SHERPA

Planteamiento del Problema
La fenomenología de precisión en la física de altas energías depende de los Generadores de Eventos de Monte Carlo (MCEG) para simular la transición desde los procesos de dispersión partónica perturbativa hacia los estados finales hadrónicos no perturbativos. Mientras que las incertidumbres en los regímenes perturbativos (por ejemplo, variaciones de escala, PDFs) se gestionan eficientemente mediante la reponderación de eventos sobre la marcha (on-the-fly), surgen incertidumbres teóricas significativas de la modelización no perturbativa (NP), específicamente de las Interacciones Partónicas Múltiples (MPI) y la Reconexión de Color (CR). Estos modelos dependen de parámetros empíricos que deben ser "ajustados" (tuned) con datos experimentales. Actualmente, evaluar la sensibilidad de los observables a estos parámetros o cuantificar sus incertidumbres requiere la generación de ejecuciones de simulación dedicadas para numerosos puntos en el espacio de parámetros. Este proceso es computacionalmente prohibitivo, lo que a menudo limita los estudios de incertidumbre a comparaciones superficiales entre solo unas pocas versiones o ajustes del generador.

Metodología
Los autores introducen y validan un nuevo método para la reponderación on-the-fly de los parámetros de MPI y CR dentro del generador de eventos SHERPA. El enfoque permite la propagación de las variaciones de los parámetros sin regenerar eventos, capturando los efectos a través de pesos relativos de los eventos.

• Reponderación de MPI: El modelo MPI en SHERPA se basa en el formalismo de Sjöstrand–van-Zijl (SZ), utilizando un solapamiento geométrico de distribuciones de materia hadrónica y un factor de forma de Sudakov para regular la probabilidad de dispersiones secundarias. El factor de reponderación se descompone en dos componentes:

  1. Peso Geométrico ($w_b$): Contabiliza los cambios en el muestreo del parámetro de impacto debido a variaciones en los parámetros de distribución de materia (radios $R_{1,2}$ y pesos $\alpha_1$).
  2. Peso de Sudakov ($w_{\text{Sudakov}}$): Contabiliza las variaciones en la probabilidad de aceptación de las dispersiones secundarias. Este se construye comparando el integrando real del conjunto de parámetros variado contra el conjunto original para cada dispersión aceptada y rechazada en la secuencia de generación de eventos.
  • Restricción: Las variaciones en el corte de momento transversal ($p_{\perp,\min}$) son unidireccionales (solo son posibles las variaciones hacia arriba) porque los eventos generados con un corte inferior no pueblan el espacio de fase excluido por un corte superior.

• Reponderación de CR: El modelo de Reconexión de Color reorganiza las líneas de color entre partones para minimizar una medida de distancia en el espacio de momentos antes de la hadronización. El factor de reponderación se calcula de forma multiplicativa para cada intento de reconexión, comparando la probabilidad de aceptación $P_{\text{acc}}$ de los parámetros variados contra los parámetros nominales tanto para los intercambios aceptados como para los rechazados.

• Marco de Ajuste (Tuning Framework): El método se integra con el marco Apprentice para construir modelos sustitutos multivariantes (aproximaciones polinómicas) de la respuesta del generador. Esto permite un ajuste global de los parámetros de MPI y CR a los datos del LHC (7 TeV) utilizando una única muestra nominal de eventos reponderada a 500 configuraciones aleatorias de parámetros.

Contribuciones Clave

1. Primera Implementación: Este trabajo presenta la primera implementación de la reponderación on-the-fly para los modelos MPI y CR en SHERPA, extendiendo las capacidades existentes de reponderación perturbativa a componentes no perturbativos clave.
2. Eficiencia Computacional: Al generar una única muestra nominal y reponderarla para cubrir un espacio de parámetros de 4 dimensiones (solo MPI) o 5 dimensiones (MPI+CR), los autores reducen el coste computacional del ajuste en un factor de aproximadamente 250 en comparación con la generación de muestras dedicadas para cada punto.
3. Validación: El método se somete a rigurosas "pruebas de cierre" (closure tests). Las predicciones de las muestras reponderadas se comparan con ejecuciones dedicadas del generador para puntos de parámetros específicos. Los resultados muestran un excelente acuerdo para las variables intrínsecas del modelo (parámetro de impacto, multiplicidad de MPI, multiplicidad de CR) y observables físicos (densidades de partículas cargadas, sumas de momento transversal) en procesos de Drell–Yan y producción de jets.
4. Caracterización Estadística: El artículo cuantifica la "dilución estadística" causada por la reponderación utilizando el tamaño de muestra efectivo de Kish ($N_{\text{eff}}$). Demuestra que, si bien $N_{\text{eff}}$ disminuye para los puntos de parámetros alejados del conjunto nominal, sigue siendo suficiente para el ajuste dentro de los rangos estudiados (por ejemplo, $N_{\text{eff}} \approx 0.5N$ a $0.7N$).

Resultados

• Ajuste a 7 TeV: Los autores realizaron ajustes combinados de los modelos MPI y CR de SHERPA utilizando datos de ATLAS y CMS.
  • MPI-CRoff: Un ajuste con la CR desactivada produjo un conjunto de parámetros de mejor ajuste.
  • MPI-CRon: Un ajuste con la CR activada proporcionó una descripción significativamente mejor de los datos, particularmente para procesos de Drell–Yan donde el $\chi^2/\text{ndf}$ se redujo efectivamente a la mitad en comparación con el escenario CR-off. Esto indica que los datos experimentales favorecen la inclusión de reconexiones de color.
• Extrapolación de Energía: Los autores calibraron la escala de energía de los parámetros de MPI con dimensiones utilizando el exponente de escala $\eta$. Al reponderar una sola muestra para cubrir $\eta \in [0.0, 0.08]$, determinaron un valor óptimo de $\eta^* = 0.026$. Este único parámetro describió con éxito los datos del evento subyacente tanto del Tevatron ($\sqrt{s} = 1.96$ TeV) como del LHC ($\sqrt{s} = 13$ TeV) simultáneamente.
• Rendimiento: El tiempo de ejecución de la reponderación escala linealmente con el número de variaciones, pero sigue siendo significativamente más rápido que generar muestras dedicadas equivalentes. El tamaño de muestra efectivo permanece lo suficientemente robusto como para soportar un ajuste de alta precisión.

Significado y Reivindicaciones
El artículo afirma que este método de reponderación cierra una brecha significativa en las capacidades de los MCEG modernos, permitiendo la exploración eficiente de los espacios de parámetros no perturbativos. Los autores posicionan esta técnica como esencial para:

• Estudios de Sensibilidad de Parámetros: Permitiendo la cuantificación robusta de las incertididades paramétricas on-the-fly.
• Ajuste (Tuning): Reduciendo drásticamente el coste computacional del ajuste de generadores, facilitando el uso de métodos avanzados como el History Matching (HM) que requieren un muestreo denso del espacio de parámetros.
• Simulaciones Futuras: Proporcionando una base para la era de la alta luminosidad del LHC, donde el control preciso sobre las incertidumbres no perturbativas es crítico.

Los autores declaran explícitamente que, aunque el método se demuestra para MPI y CR, está diseñado para ser adaptable a otros generadores de eventos y otros modelos no perturbativos (como la hadronización), con planes futuros para extenderlo a la fragmentación de cúmulos (cluster fragmentation) de SHERPA y simulaciones de baja actividad (minimum-bias). El método se presenta no como un reemplazo para ejecuciones dedicadas en todos los casos, sino como una herramienta poderosa para aliviar la carga computacional de los estudios de sensibilidad de parámetros y la cuantificación de incertidumbres.