A Phase-Space Inclusive Figure of Merit Based in Optimal Transport for Validating Monte Carlo Reweightings

Resumen Técnico: Una Figura de Mérito de Espacio de Fase Inclusiva Basada en el Transporte Óptimo para la Validación de Recalibraciones de Monte Carlo

Planteamiento del Problema
Validar si la física subyacente de un modelo se preserva tras una recalibración (reweighting) de todo el espacio de fase presenta un desafío significativo en la física de altas energías. Las prácticas de validación actuales suelen basarse en la comparación de histogramas de observables unidimensionales (1D). Este enfoque presenta limitaciones críticas:

1. Pérdida de Correlación: Los sesgos correlacionados de alta dimensión pueden no manifestarse en las proyecciones de baja dimensión.
2. Falta de Observables de Resumen: A menudo no está claro cómo construir un único observable o un conjunto de observables que capture el sesgo completo.
3. Maldición de la Dimensionalidad: El estudio de conjuntos multidimensionales de observables se vuelve computacional y estadísticamente intratable rápidamente.
4. Sensibilidad al Binning: Los análisis de observables con bins son sensibles a las decisiones de binning, donde un acuerdo aparente entre distribuciones 1D puede ser un artefacto de estas decisiones, incluso si los conjuntos de datos subyacentes son incompatibles.

Estos problemas son particularmente agudos en el contexto de la mitigación de pesos negativos en simulaciones de Monte Carlo (MC). Los pesos negativos, que surgen en cálculos de orden siguiente a la de la leading order (NLO), diluyen el poder estadístico y aumentan la carga computacional. Aunque existen esquemas de recalibración (como el remuestreo de celdas o cell resampling) para mitigar estos pesos, su rendimiento se evalúa tradicionalmente mediante el estudio de observables específicos, lo que puede fallar al capturar el sesgo geomético introducido en el espacio de fase.

Metodología: La Distancia del Moviente de la Sección Transversal ($\Sigma$MD)
Los autores proponen un nuevo enfoque unbinned (sin bins) de espacio de fase completo para cuantificar el sesgo entre conjuntos de datos utilizando la teoría del Transporte Óptimo (OT). La métrica central es la Distancia del Moviente de la Sección Transversal ($\Sigma$MD), una aplicación de la Distancia del Moviente de Energía (EMD) adaptada para predicciones teóricas.

• Marco Teórico:

  • EMD a Nivel de Evento: La EMD cuantifica el "trabajo" requerido para transformar un evento de colisionador en otro. Es una métrica verdadera que satisface la positividad, simetría, identidad de los indiscernibles y la desigualdad triangular. Se define sobre el flujo de energía de los eventos, parametrizado por el momento transversal ($p_T$), la pseudorapidez ($\eta$) y el ángulo azimutal ($\phi$). La EMD es segura ante emisiones infrarrojas y colineales (IRC safe), lo que la hace robusta frente a emisiones blandas y divisiones colineales.
  • $\Sigma$MD a Nivel de Teoría: Una "teoría" se define como un conjunto discreto de eventos de colisionador $\{E_i\}$ con secciones transversales asociadas (pesos) $\{\sigma_i\}$. La $\Sigma$MD define la distancia entre dos teorías, $T$ y $T'$, como el costo mínimo para transportar el flujo de la sección transversal de una teoría a la otra. La función de costo incorpora la métrica base (la EMD de nivel de evento) entre eventos y un término que contabiliza las diferencias en la sección transversal total.
  • Manejo de Pesos Negativos: El OT estándar requiere medidas positivas. Para aplicar la $\Sigma$MD a conjuntos de datos con pesos negativos, los autores adoptan un método para medidas con signo. Ellos descomponen las medidas con signo en partes positivas y negativas y utilizan la propiedad de la distancia de Wasserstein 1 ($W_1$) que permite la adición de una medida arbitraria $\eta$ (específicamente, desplazando todos los pesos mediante una constante $K$ de modo que todos los pesos sean no negativos) sin alterar la distancia. Esto permite el uso de algoritmos de OT estándar preservando la interpretación geométrica del sesgo.

• Implementación:
  Los autores aplican esta métrica a esquemas de prueba de "remuestreo de celdas", un método donde el peso se difumina localmente entre eventos cercanos para eliminar los pesos negativos. Prueban varias métricas basadas en OT (variando el exponente angular $\beta$ y el parámetro de escala $R$) y aplican el remuestreo en diferentes etapas del proceso de colisión: dispersión dura (HS), cascada de partones (PS) y hadronización (HAD).

Contribuciones Clave

1. Estadística Global Unbinned: El artículo introduce la $\Sigma$MD como una figura de mérito global que opera directamente sobre características de partículas de bajo nivel sin necesidad de binning o proyección, capturando así las correlaciones de alta dimensión que los histogramas 1D omiten.
2. Interpretación Geométrica del Sesgo: El trabajo redefine la cuantificación del sesgo de recalibración como un problema puramente geométrico: la distancia entre las teorías originales y recalibradas en el espacio de los flujos de sección transversal.
3. Manejo de Medidas con Signo: El trabajo detalla una implementación práctica de OT para conjuntos de datos que contienen pesos negativos, permitiendo la comparación directa de muestras generadas con NLO y sus contrapartes recalibradas.
4. Marco de Referencia (Benchmarking): Proporciona una forma sistemática de comparar diferentes esquemas de recalibración y diferentes etapas de la cadena de simulación de MC.

Resultados
Los autores aplicaron la $\Sigma$MD a muestras de $Z$+jets y $t\bar{t}$ generadas a NLO usando MadGraph5_aMC@NLO y Pythia 8.3, las cuales contienen fracciones significativas de eventos con pesos negativos (37.6% y 22.8%, respectivamente).

• Sesgo vs. Fracción de Recalibración: A medida que aumenta la fracción de eventos recalibrados, la distancia $\Sigma$MD entre las teorías originales y recalibradas aumenta, indicando un creciente desvío de la física original.
• Sensibilidad de la Métrica: Diferentes elecciones del exponente angular $\beta$ en la EMD subyacente resultaron en diferentes jerarquías de sesgo. Específicamente, los métodos de recalibración con $\beta=0$ y $\beta=\infty$ exhibieron las mayores distancias $\Sigma$MD (mayor sesgo), mientras que otros esquemas mostraron un sesgo comparable y menor.
• Dependencia de la Etapa: Al aplicar el remuestreo de celdas en diferentes etapas de la colisión (HS, PS, HAD), la etapa de Hadronización (HAD) causó consistentemente el menor sesgo en ambas muestras de $Z$+jets y $t\bar{t}$.
• Dependencia del Proceso: Para una fracción de recalibración dada, la muestra de $t\bar{t}$ exhibió una $\Sigma$MD menor que la muestra de $Z$+jets. Los autores atribuyen esto a que la muestra de $t\bar{t}$ tiene una fracción total de eventos negativos más baja; por lo tanto, menos eventos se ven afectados por la recalibración, resultando en un menor sesgo general.
• Normalización: Para comparar procesos con diferentes secciones transversales totales, los autores utilizaron una $\Sigma$MD adimensional (normalizada por la sección transversal total).

Significancia y Reivindicaciones
El artículo afirma que la $\Sigma$MD ofrece un método robusto, IRC-safe y unbinned para validar las recalibraciones de Monte Carlo. Al alejarse de las proyecciones 1D, evita los problemas de las decisiones de binning y los sesgos de correlación omitidos. Los autores posicionan la $\Sigma$MD no solo como una herramienta para la mitigación de pesos negativos, sino como una métrica de propósito general para cualquier escenario que involucre la recalibración de todo el espacio de fase, como el unfolding, correcciones de detector o la comparación de modelos generativos con sus contrapartes numéricas. El método proporciona un único valor escalar interpretable que cuantifica el "trabajo" requerido para transformar una predicción teórica en otra, sirviendo como una medida directa del sesgo introducido por la transformación.