Reweighting Underlying Event and Colour Reconnection parameter variations in Sherpa

Résumé technique : Repondération des variations de paramètres de l'événement sous-jacent et de la reconnexion de couleur dans SHERPA

Énoncé du problème
La phénoménologie de précision en physique des hautes énergies repose sur les générateurs d'événements de Monte Carlo (MCEG) pour simuler la transition des diffusions partielles perturbatives vers les états hadroniques finaux non perturbatifs. Si les incertitudes dans les régimes perturbatifs (par exemple, les variations d'échelle, les PDF) sont gérées efficacement via la repondération d'événements à la volée, des incertitudes théoriques significatives proviennent de la modélisation non perturbative (NP), spécifiquement des interactions partielles multiples (MPI) et de la reconnexion de couleur (CR). Ces modèles dépendent de paramètres empiriques qui doivent être « ajustés » (tuned) aux données expérimentales. Actuellement, évaluer la sensibilité des observables à ces paramètres ou quantifier leurs incertitudes nécessite la génération de simulations dédiées pour de nombreux points de l'espace des paramètres. Ce processus est souvent prohibitivement coûteux en termes de calcul, ce qui limite les études d'incertitude à des comparaisons superficielles entre seulement quelques versions ou réglages de générateurs.

Méthodologie
Les auteurs introduisent et valident une nouvelle méthode de repondération à la volée des paramètres MPI et CR au sein du générateur d'événements SHERPA. L'approche permet la propagation des variations de paramètres sans régénérer les événements, en capturant les effets par le biais de poids relatifs d'événements.

• Repondération MPI : Le modèle MPI dans SHERPA est basé sur le formalisme de Sjöstrand–van-Zijl (SZ), utilisant un recouvrement géométrique des distributions de matière hadronique et un facteur de forme de Sudakov pour réguler la probabilité des diffusions secondaires. Le facteur de repondération est décomposé en deux composantes :

  1. Poids géométrique ($w_b$) : Prend en compte les changements dans l'échantillonnage du paramètre d'impact dus aux variations des paramètres de distribution de la matière (rayons $R_{1,2}$ et poids $\alpha_1$).
  2. Poids de Sudakov ($w_{\text{Sudakov}}$) : Prend en compte les variations de la probabilité d'acceptation des diffusions secondaires. Il est construit en comparant l'intégrande réel de l'ensemble de paramètres variés par rapport à l'ensemble original pour chaque diffusion acceptée et rejetée dans la séquence de génération d'événements.
  • Contrainte : Les variations du seuil de moment transverse ($p_{\perp,\min}$) sont unidirectionnelles (seules les variations à la hausse sont possibles) car les événements générés avec un seuil plus bas ne peuplent pas l'espace des phases exclu par un seuil plus élevé.

• Repondération CR : Le modèle de reconnexion de couleur réorganise les lignes de couleur entre les partons pour minimiser une mesure de distance dans l'espace des moments avant l'hadronisation. Le facteur de repondération est calculé de manière multiplicative pour chaque tentative de reconnexion, en comparant la probabilité d'acceptation $P_{\text{acc}}$ des paramètres variés par rapport aux paramètres nominaux pour les échanges à la fois acceptés et rejetés.

• Cadre de réglage (Tuning) : La méthode est intégrée au cadre Apprentice pour construire des modèles de substitution multivariés (approximations polynomiales) de la réponse du générateur. Cela permet un ajustement global des paramètres MPI et CR aux données du LHC (7 TeV) en utilisant un seul échantillon nominal repondéré à 500 configurations de paramètres aléatoires.

Contributions clés

1. Première implémentation : Ce travail présente la première implémentation de la repondération à la volée pour les modèles MPI et CR dans SHERPA, étendant les capacités existantes de repondération perturbative à des composants non perturbatifs clés.
2. Efficacité computationnelle : En générant un seul échantillon nominal et en le repondérant pour couvrir un espace de paramètres à 4 dimensions (MPI uniquement) ou 5 dimensions (MPI+CR), les auteurs réduisent le coût de calcul du réglage d'un facteur d'environ 250 par rapport à la génération d'échantillons dédiés pour chaque point.
3. Validation : La méthode est soumise à des « tests de clôture » rigoureux. Les prédictions des échantillons repondérés sont comparées à des exécutions dédiées du générateur pour des points de paramètres spécifiques. Les résultats montrent un excellent accord pour les variables intrinsèques du modèle (paramètre d'impact, multiplicité MPI, multiplicité CR) et les observables physiques (densités de particules chargées, sommes de moments transverses) à travers les processus de Drell–Yan et de production de jets.
4. Caractérisation statistique : Le papier quantifie la « dilution statistique » causée par la repondération en utilisant la taille d'échantillon effective de Kish ($N_{\text{eff}}$). Il démontre que bien que $N_{\text{eff}}$ diminue pour les points de paramètres éloignés de l'ensemble nominal, elle reste suffisante pour le réglage dans les plages étudiées (par exemple, $N_{\text{eff}} \approx 0,5N$ à $0,7N$).

Résultats

• Réglage à 7 TeV : Les auteurs ont réalisé des réglages combinés des modèles MPI et CR de SHERPA en utilisant les données ATLAS et CMS.
  • MPI-CRoff : Un réglage avec la CR désactivée a produit un ensemble de paramètres optimal.
  • MPI-CRon : Un réglage avec la CR activée a fourni une description nettement meilleure des données, particulièrement pour les processus Drell–Yan où le $\chi^2/\text{ndf}$ a été effectivement divisé par deux par rapport au scénario CR-off. Cela indique que les données expérimentales favorisent l'inclusion des reconnexions de couleur.
• Extrapolation d'énergie : Les auteurs ont calibré l'échelle d'énergie des paramètres MPI dimensionnels ($p_{\perp,0}$ et $p_{\perp,\min}$) en utilisant l'exposant de mise à l'échelle $\eta$. En repondérant un seul échantillon pour couvrir $\eta \in [0,0 ; 0,08]$, ils ont déterminé une valeur optimale de $\eta^* = 0,026$. Ce paramètre unique a décrit simultanément les données de l'événement sous-jacent du Tevatron ($\sqrt{s} = 1,96$ TeV) et du LHC ($\sqrt{s} = 13$ TeV).
• Performance : Le temps d'exécution de la repondération évolue linéairement avec le nombre de variations mais reste nettement plus rapide que la génération d'échantillons dédiés équivalents. La taille d'échantillon effective reste suffisamment robuste pour supporter un réglage de haute précision.

Signification et Revendications
Le papier affirme que cette méthode de repondération comble une lacune importante dans les capacités des MCEG modernes, permettant une exploration efficace des espaces de paramètres non perturbatifs. Les auteurs positionnent cette technique comme essentielle pour :

• Études de sensibilité des paramètres : Permettre la quantification robuste des incertitudes paramétriques à la volée.
• Réglage (Tuning) : Réduire drastiquement le coût de calcul du réglage des générateurs, facilitant l'utilisation de méthodes avancées comme le History Matching (HM) qui nécessitent un échantillonnage dense de l'espace des paramètres.
• Simulations futures : Fournir une base pour l'ère du LHC à haute luminosité, où le contrôle précis des incertitudes non perturbatives est critique.

Les auteurs déclarent explicitement que bien que la méthode soit démontrée pour MPI et CR, elle est conçue pour être adaptable à d'autres générateurs d'événements et à d'autres modèles non perturbatifs (tels que l'hadronisation), avec des travaux futurs prévus pour étendre cela à la fragmentation de cluster et aux simulations de biais minimal de SHERPA. La méthode est présentée non pas comme un remplacement des exécutions dédiées dans tous les cas, mais comme un outil puissant pour alléger la charge de calcul des études de sensibilité des paramètres et de la quantification des incertitudes.