=== RÉSUMÉ TECHNIQUE ===

Résumé technique : Dé-binage des analyses globales du LHC

Énoncé du problème

L'extraction d'informations à partir de données d'événements à haute dimension au Grand Collisionneur de Hadrons (LHC) est devenue un goulot d'étranglement pour la physique de précision. Les méthodes d'inférence traditionnelles reposent sur la réduction des données en histogrammes de faible dimensionnalité, un processus qui rejette une quantité significative d'informations cinématiques par la réduction de dimensionnalité et le binage. Bien que l'inférence par simulation basée sur les réseaux de neurones (Neural Simulation-Based Inference ou SBI) ait démontré des performances supérieures aux méthodes basées sur les histogrammes pour les processus individuels, il reste incertain si ces avantages persistent dans les analyses globales où plusieurs processus sont combinés pour contraindre les paramètres de l'Effective Field Theory du Modèle Standard (SMEFT). Ce document traite de la compréhension de la manière dont la SBI se comporte lorsqu'elle est appliquée à une combinaison globale de processus de dibosons, en étudiant spécifiquement si la capacité à démêler des paramètres théoriques dégénérés s'étend au-delà des études sur processus unique.

Méthodologie

Les auteurs utilisent un cadre d'inférence par simulation basée sur les réseaux de neurones pour estimer les rapports de vraisemblance sans binage, comparant ces résultats aux limites traditionnelles basées sur les histogrammes et aux contraintes de taux total.

Apprentissage de la vraisemblance via l'apprentissage des dérivées :
Au lieu d'apprendre le rapport de vraisemblance directement à des points de référence spécifiques, les auteurs utilisent une approche d'apprentissage par dérivée. Étant donné la structure du Lagrangien SMEFT $L_{SMEFT} = L_{SM} + \sum_i \theta_i O_i$, où $\theta_i$ sont les coefficients de Wilson, le rapport de section efficace différentielle $R(x|\theta, \theta_0)$ est développé au second ordre en $\theta$. Le réseau de neurones est entraîné pour apprendre les coefficients de ce développement ($R_i(x)$ et $R_{ij}(x)$) en utilisant des rapports au niveau des partons comme cibles. Cela permet de reconstruire le rapport de vraisemblance au niveau de la reconstruction pour n'importe quel $\theta$ via :
$$r(x|\theta, \theta_0) \approx 1 + (\theta - \theta_0)_i R_{\phi,i}(x) + (\theta - \theta_0)_i (\theta - \theta_0)_j R_{\phi,ij}(x)$$
où $R_{\phi}$ représente les estimateurs du réseau de neurones.

Gestion du bruit de fond :
Pour tenir compte des bruits de fond, les auteurs décomposent l'élément de matrice au carré en composantes de signal, de bruit de fond et d'interférence. Puisque l'interférence est négligeable pour les processus considérés, la vraisemblance est modélisée comme une somme de probabilités de signal et de bruit de fond. Un classificateur signal-bruit de fond est entraîné pour estimer le rapport $\omega(x) = p_{sig}(x)/p_{bkg}(x)$, qui est ensuite utilisé pour construire le rapport de vraisemblance complet. Pour garantir que le minimum de vraisemblance reste à l'hypothèse de référence ($\theta_0$) malgré les imperfections numériques, les auteurs imposent analytiquement l'annulation de la première dérivée du log-vraisemblance à $\theta_0$ en ajustant les termes de la dérivée de la section efficace du signal.

Lissage fractionnaire (Fractional Smearing) :
Pour atténuer l'instabilité numérique causée par les événements aberrants (outliers) présentant de grandes dérivées, une technique de « lissage fractionnaire » est appliquée. Les événements ayant de grandes dérivées passent par la simulation de shower de partons et de détecteur plusieurs fois ($n$), chaque événement résultant se voyant attribuer un poids de $1/n$. Ces poids sont incorporés dans la fonction de perte de l'erreur quadratique moyenne (MSE) pendant l'entraînement.

Configuration de l'analyse :
L'étude se concentre sur quatre processus de dibosons : la production de $WW$, $WZ$, $WH$ et $ZH$.

• Opérateurs : Six opérateurs de dimension 6 du SMEFT sont considérés : $O_{\Phi D}$, $O_{\Phi W}$, $O_{\Phi B}$, $O_{\Phi W B}$, $O^{(3)}_{\Phi q}$, et $O_{WWW}$.
• Données : Les événements sont générés à $\sqrt{s} = 13,6$ TeV en utilisant MADGRAPH5_AMC@NLO, PYTHIA8 et DELPHES. Une luminosité intégrée de $300 \text{ fb}^{-1}$ est supposée.
• Comparaison : Les résultats sont comparés à :
  1. Les vraisemblances au niveau des partons (limite théorique supérieure).
  2. Les limites de taux total (limite de sensibilité inférieure).
  3. Les histogrammes au niveau de la reconstruction utilisant des observables et un binage standards (ex: STXS étape 1.2).
  4. Les limites SBI au niveau de la reconstruction.

Les incertitudes systématiques sont négligées pour isoler le gain d'information cinématique, bien que les auteurs notent que la SBI est censée mieux gérer les systématiques en décorrélation des effets cinématiques des paramètres théoriques.

Contributions clés et résultats

1. Performance par processus unique :
Pour chaque processus individuel ($WW$, $WZ$, $WH$, $ZH$), l'approche SBI produit systématiquement des contraintes plus serrées sur les coefficients de Wilson par rapport aux méthodes basées sur les histogrammes.

• Levée de la dégénérescence : Le principal avantage de la SBI est sa capacité à briser les dégénérescences entre les opérateurs qui affectent les taux totaux de manière similaire mais modifient les distributions cinématiques différemment. Par exemple, dans la production de $WZ$, l'approche par histogramme peine à distinguer $c_{\Phi W B}$ et $c_{\Phi D}$, alors que la SBI resserre significativement les limites dans ce plan.
• Sensibilité à la polarisation : Dans la production de $ZH$, l'observable de l'histogramme ($p_T^Z$) est insensible à la polarisation du boson $Z$, ce qui conduit à une dégénérescence complète entre $c_{\Phi W}$, $c_{\Phi B}$, $c_{\Phi W B}$ et $c_{\Phi D}$ dans les limites profilées unidimensionnelles. La SBI, en utilisant l'espace des phases complet, brise cette dégénérescence et contraint les quatre coefficients individuellement.
• Robustesse face au bruit de fond : Même dans les canaux avec des contributions de bruit de fond significatives (par exemple, $ZH$ avec le bruit de fond $Zb\bar{b}$), la SBI surpasse les histogrammes, fournissant des contraintes là où les histogrammes ne parviennent pas à extraire d'information au-delà du taux total.

2. Analyse globale combinée :
Le document démontre que les avantages de la SBI persistent et sont amplifiés lors de la combinaison des quatre processus.

• Complémentarité : Différents processus contraignent différentes directions dans l'espace des paramètres (par exemple, $WZ$ contraint $c_{\Phi W B}$, $WH$ contraint $c_{\Phi W}$).
• Supériorité de la combinaison : Les limites combinées de la SBI sont nettement plus fortes que les limites combinées des histogrammes. Pour des coefficients comme $c_{\Phi D}$, $c_{\Phi W}$, $c_{\Phi W B}$ et $c_{\Phi B}$, les limites de la SBI sont environ deux fois plus fortes que celles des histogrammes.
• Équivalence de luminosité : Les auteurs estiment que pour atteindre la même sensibilité que l'approche SBI en utilisant la méthode de l'histogramme, un facteur d'environ 4 de données supplémentaires serait nécessaire pour les coefficients les plus dégénérés (en supposant une mise à l'échelle standard avec $\mathcal{L}^{-1/2}$). Même pour les coefficients où les histogrammes sont plus sensibles (ex: $c_{WWW}$), la SBI offre un gain de sensibilité d'environ 30 %.

3. Validation :
Les auteurs ont vérifié la couverture empirique des vraisemblances apprises. Pour la plupart des plans de paramètres, la couverture empirique correspond au niveau de confiance nominal. Dans quelques cas (ex: $c_{WWW}$ dans la production de $WW$), la vraisemblance était légèrement sous-confiante (conservatrice), suggérant qu'avec plus de données d'entraînement, les contraintes pourraient être davantage resserrées.

Signification et affirmations

Le document affirme que l'inférence par simulation basée sur les réseaux de neurones n'est pas seulement une amélioration pour les analyses de processus uniques, mais qu'elle est essentielle pour débloquer tout le potentiel des analyses globales du LHC. Les auteurs soutiennent que :

• Démêlage global : La SBI est unique par son efficacité à démêler plusieurs paramètres théoriques dans un contexte global où les histogrammes binnés traditionnels échouent en raison de la perte d'information et des dégénérescences.
• Scalabilité : L'approche d'apprentissage par dérivée permet l'inclusion directe de multiples opérateurs et processus sans explosion combinatoire de la complexité.
• Préparation pour le futur : À mesure que les jeux de données du LHC croissent, la perte d'information inhérente au binage deviendra de plus en plus problématique. La SBI offre une voie pour utiliser toute l'information d'événement à haute dimension, potentiellement équivalente à doubler ou quadrupler la luminosité effective pour certaines contraintes SMEFT.

Les auteurs concluent que, bien que leur analyse simplifie certains aspects (en négligeant les systématiques et les bruits de fond secondaires), l'avantage persistant de la SBI sur les méthodes d'histogrammes dans un contexte SMEFT global suggère que la SBI devrait être intégrée dans les futurs ajustements globaux pour maximiser la portée physique du LHC.