Proton Structure from Neural Simulation-Based Inference at the LHC

यहाँ शोध पत्र "Proton Structure from Neural Simulation-Based Inference at the LHC" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

पार्टन डिस्ट्रीब्यूशन फंक्शन्स (PDFs), विशेष रूप से ग्लूऑन PDF का सटीक निर्धारण, लार्ज हैड्रॉन कोलाइडर (LHC) पर स्टैंडर्ड मॉडल के पूर्वानुमानों और न्यू फिजिक्स की खोजओं के लिए अत्यंत महत्वपूर्ण है। वर्तमान वैश्विक PDF फिट मुख्य रूप से बिनों (binned), निम्न-आयामी अवलोकनों (जैसे कि अनफोल्डेड प्रयोगात्मक डेटा से प्राप्त हिस्टोग्राम में विभेदक क्रॉस-सेक्शन्स) पर निर्भर करते हैं। यह दृष्टिकोण तीन प्रमुख बाधाओं से ग्रस्त है:

1. सूचना की हानि (Information Loss): बिनिंग उच्च-आयामी सांख्यिकीय सूचना को एकीकृत कर देती है, जिससे संवेदनशीलता कम हो जाती है।
2. अनुमान त्रुटियाँ (Approximation Errors): प्रयोगात्मक अनिश्चितताओं को अक्सर मल्टीवेरिएट गौसियन (multivariate Gaussians) के रूप में अनुमानित किया जाता है, जो कि काइनेमैटिक किनारों (kinematic edges) के पास विफल रहता है और व्यवस्थित सहसंबंधों (systematic correlations) को मिला देता है।
3. व्यवस्थित सीमाएँ (Systematic Limitations): मोटे बिनिंग (coarse binning) पर निर्भरता डेटा वितरण से सीधे व्यवस्थित अनिश्चितताओं को नियंत्रित करने की क्षमता को सीमित करती है।

यह शोध पत्र डिटेक्टर-स्तरीय डेटा से PDFs निकालने के लिए, प्रयोगात्मक और सैद्धांतिक दोनों व्यवस्थित अनिश्चितताओं का कड़ाई से लेखा-जोखा रखते हुए, अनबिनned (unbinned), उच्च-आयामी अनुमान (inference) करने की चुनौती को संबोधित करता है।

2. कार्यप्रणाली (Methodology)

लेखक न्यूरल सिमुलेशन-आधारित अनुमान (NSBI) को ग्लूऑन PDF के लिए एक रैखिक मॉडल (linear model) के साथ संयोजित करने वाला एक नवीन ढांचा प्रस्तावित करते हैं। कार्यप्रणाली के चार मुख्य स्तंभ हैं:

A. ग्लूऑन PDF के लिए रैखिक मॉडल (Linear Model for the Gluon PDF)

PDF को सीधे पैरामीटराइज करने के लिए जटिल न्यूरल नेटवर्क का उपयोग करने के बजाय, लेखक प्रॉपर ऑर्थोगोनल डिकंपोजिशन (POD) का उपयोग करके एक रैखिक मॉडल का निर्माण करते हैं।

• निर्माण: भौतिक रूप से स्वीकार्य ग्लूऑन PDFs का एक हिल्बर्ट स्पेस (Hilbert space) डीप न्यूरल नेटवर्क्स (NNPDF आर्किटेक्चर) का उपयोग करके बनाया गया है। इस स्पेस को POD के माध्यम से एक परिमित-आयामी आधार (finite-dimensional basis) ($N$ आधार फलन) में कम किया गया है।
• औपचारिकता (Formalism): ग्लूऑन PDF को $f_g(x, Q, c) = \phi^{(0)}_g(x, Q) + \sum_{a=1}^N c_a \phi^{(a)}_g(x, Q)$ के रूप में व्यक्त किया गया है, जहाँ $c_a$ रुचि के पैरामीटर (POIs) हैं।
• प्रतिबंध (Constraints): यह मॉडल सैद्धांतिक बाधाओं (मोमेंटम सम रूल्स, पॉजिटिविटी, इंटीग्रेबिलिटी) और DGLAP इवोल्यूशन को सख्ती से लागू करता है।
• द्विघाती निर्भरता (Quadratic Dependence): चूंकि हैड्रोनिक क्रॉस-सेक्शन में दो PDFs का गुणनफल शामिल होता है, इसलिए गुणांकों $c$ पर निर्भरता अधिकतम द्विघाती (quadratic) है। यह विश्लेषणात्मक संरचना ML सरोगेट्स की दक्षता के लिए महत्वपूर्ण है।

B. न्यूरल सिमुलेशन-आधारित अनुमान (NSBI)

मुख्य विश्लेषण अनबिनned, डिटेक्टर-स्तरीय इवेंट फीचर्स ($x$) से सीधे गुणांक $c$ का अनुमान लगाने के लिए NSBI का उपयोग करता है।

• सरोगेट मॉडलिंग (Surrogate Modeling): चूंकि डिटेक्टर रिस्पॉन्स को संभालना कठिन है, लेखक लाइकलीहुड रेशियो (likelihood ratio) को अनुमानित करने के लिए मशीन लर्निंग सरोगेट्स को प्रशिक्षित करते हैं।
  • PDF निर्भरता ($R(x, c)$): इसे $c$ में एक सटीक द्विघाती बहुपद (quadratic polynomial) के रूप में मॉडल किया गया है, जिसे बूस्टेड इंफॉर्मेशन ट्री (BIT) एल्गोरिदम का उपयोग करके सीखा गया है। यह एल्गोरिदम प्रत्येक गुणांक को अलग-अलग सीखने के बजाय एक साथ पूर्ण बहुपद विस्तार को सीखता है।
  • व्यवस्थित निर्भरता ($S(x, \nu)$): व्यवस्थित अनिश्चितताओं (न्युसेंस पैरामीटर्स $\nu$) को पैरामेट्रिक न्यूरल नेटवर्क का उपयोग करके मॉडल किया गया है जो $\nu$ पर लॉग-पॉलीनोमियल निर्भरता को सीखते हैं।
• लाइकलीहुड निर्माण: सरोगेट भविष्यवाणियों के नाममात्र (nominal) सिमुलेशन के अनुपात का उपयोग करके एक विस्तारित लाइकलीहुड बनाया जाता है। विश्लेषण न्युसेंस पैरामीटर्स को प्रोफाइल करने के लिए प्रोफाइल्ड लाइकलीहुड-रेशियो टेस्ट स्टैटिस्टिक का उपयोग करता है।

C. डेटा और सिस्टमेटिक्स (Data and Systematics)

• प्रक्रिया: $\sqrt{s} = 13$ TeV पर डायलेटोनिक चैनल ($pp \to t\bar{t} \to b\ell^+\nu b\ell^-\bar{\nu}$) में टॉप-क्वार्क पेयर उत्पादन ($t\bar{t}$)।
• अवलोकन (Observables): विश्लेषण बिन किए गए हिस्टोग्राम के बजाय 16 अनबिनned इवेंट-लेवल फीचर्स (टॉप क्वार्क, लेप्टॉन और $t\bar{t}$ सिस्टम की काइनेमैटिक्स) का उपयोग करता है।
• सिस्टमेटिक्स: जेट एनर्जी स्केल (JES), जेट एनर्जी रेजोल्यूशन (JER), $b$-टैगिंग एफिशिएंसी, लेप्टॉन एफिशिएंसी और सैद्धांतिक अनिश्चितताओं (स्केल वेरिएशंस और $\alpha_s$ वेरिएशंस के माध्यम से मिसिंग हायर ऑर्डर अनसर्टेंटीज़) सहित अनिश्चितताओं का एक व्यापक सेट शामिल किया गया है। इन्हें सिम्युलेटेड वेरिएशंस पर प्रशिक्षित ML सरोगेट्स के माध्यम से सीखा जाता है।

D. प्रिंसिपल कंपोनेंट एनालिसिस (PCA)

पैरामीटर स्पेस में "क्वासी-फ्लैट" दिशाओं (उन $c_a$ संयोजनों के कारण जो डेटा द्वारा बाधित नहीं किए जा सकते) के कारण होने वाली संख्यात्मक अस्थिरता को संभालने के लिए, लेखक फिशर इंफॉर्मेशन मैट्रिक्स पर PCA करते हैं। यह उन आधार गुणांकों के इष्टतम रैखिक संयोजनों की पहचान करता है जो वास्तव में $t\bar{t}$ डेटा द्वारा बाधित होते हैं, जिससे प्रभावी रूप से फिट की आयामीता कम हो जाती है।

3. मुख्य योगदान (Key Contributions)

1. प्रथम अनबिनned PDF निर्धारण: यह NSBI के माध्यम से अनबिनned, उच्च-आयामी डिटेक्टर-स्तरीय डेटा का उपयोग करके प्रोटॉन PDFs को बाधित करने वाला पहला प्रदर्शन है, जो बिनिंग से होने वाली सूचना की हानि को दरकिनार करता है।
2. एकीकृत सिस्टमेटिक्स हैंडलिंग: यह ढांचा जटिल प्रयोगात्मक और सैद्धांतिक व्यवस्थित अनिश्चितताओं को सीधे अपने अनुमान पाइपलाइन में ML सरोगेट्स का उपयोग करके सफलतापूर्वक एकीकृत करता है, जिससे मोटे गौसियन सहसंबंधों की आवश्यकता समाप्त हो जाती है।
3. लीनियर मॉडल वैलिडेशन: लेखक प्रमाणित करते हैं कि $N=6$ आधार फलनों के साथ एक रैखिक मॉडल प्रासंगिक काइनेमैटिक क्षेत्र ($10^{-2} \le x \le 0.5$) में ग्लूऑन PDF को उच्च सटीकता (नेटिव PDF अनसर्टेंटी के < 10% का मिसमैच) के साथ पुनर्गठित करने के लिए पर्याप्त है।
4. बूस्टेड इंफॉर्मेशन ट्री (BIT): यह पेपर पूर्ण बहुपद निर्भरता (इस मामले में द्विघाती) को एक ही बूस्टिंग अनुक्रम में सीखने के लिए BIT एल्गोरिदम का विस्तार करता है, जिससे दक्षता और स्थिरता में सुधार होता है।

4. परिणाम (Results)

अध्ययन अपेक्षित सटीकता का आकलन करने के लिए असिमव (Asimov) डेटासेट का उपयोग करता है:

• सटीकता में सुधार: अनबिनned NSBI विश्लेषण एक संदर्भ बिनned विश्लेषण (उसी 16 अवलोकनों का उपयोग करते हुए जिसे $4 \times 4$ ग्रिड में बिन किया गया है) की तुलना में काफी अधिक सटीकता प्राप्त करता है।
  • $Q = 175$ GeV पर, जब सिस्टमेटिक्स शामिल होते हैं, तो अनबिनned विधि $x \sim 0.1$ के क्षेत्र में बinned दृष्टिकोण की तुलना में अनिश्चितताओं को लगभग 2 गुना कम कर देती है।
• ग्लोबल फिट्स के साथ तुलना: एक एकल $t\bar{t}$ अनबिनned माप से निकाले गए ग्लूऑन PDF की सटीकता कई अलग-अलग डेटासेट्स को संयोजित करने वाले वैश्विक PDF फिट्स (जैसे NNPDF4.0, CT18, MSHT20) के प्रतिस्पर्धी है, और कुछ क्षेत्रों में उनसे बेहतर भी है।
  • विशेष रूप से, $0.01 \lesssim x \lesssim 0.35$ के लिए, NSBI अनबिनned अनसर्टेंटी सर्वश्रेष्ठ ग्लोबल फिट्स के बराबर है।
• सिस्टमेटिक्स मजबूती: अनबिनned विधि को डेटा से स्वयं व्यवस्थित न्युसेंस पैरामीटर्स को बाधित करने में अधिक कुशल दिखाया गया है, जबकि बinned विधि सिस्टमेटिक्स शामिल होने पर सटीकता में अधिक गिरावट का अनुभव करती है।
• हिग्स प्रोडक्शन निहितार्थ: ग्लूऑन फ्यूजन ($gg \to H$) में हिग्स बोसोन उत्पादन के लिए प्राप्त ग्लूऑन PDF को लागू करने से पता चलता है कि सैद्धांतिक भविष्यवाणियां वैश्विक फिट्स के समान सटीकता प्राप्त कर सकती हैं, जो यह सुझाव देता है कि LHC प्रयोग बाहरी डेटासेट्स (जैसे HERA) पर निर्भर रहने के बजाय आंतरिक PDF कैलिब्रेशन कर सकते हैं।

5. महत्व और भविष्य की संभावनाएं (Significance and Outlook)

• LHC के लिए नया प्रतिमान: यह कार्य "बिनned, अनफोल्डेड" विश्लेषणों से "अनबिनned, डिटेक्टर-लेवल" विश्लेषणों की ओर बदलाव का प्रस्ताव करता है। यह HL-LHC युग के लिए आवश्यक है, जहाँ सांख्यिकीय शक्ति अधिक है और सूचना को संरक्षित करना महत्वपूर्ण है।
• आंतरिक अंशांकन (Internal Calibration): यह प्रदर्शित करता है कि LHC प्रयोग अपने स्वयं के डेटा (जैसे $t\bar{t}$) का उपयोग करके प्रोटॉन संरचना इनपुट निर्धारित कर सकते हैं, जिससे बाहरी बाधाओं पर निर्भरता कम होती है और सहसंबद्ध व्यवस्थित त्रुटियों पर बेहतर नियंत्रण मिलता है।
• भविष्य के अनुप्रयोग: यह कार्य अन्य प्रक्रियाओं (Drell-Yan, single-top), SMEFT विल्सन गुणांकों, $\alpha_s$, और टॉप मास जैसे मापदंडों के लिए सामान्यीकृत है। यह उच्च-आयामी डेटा का उपयोग करके PDFs और BSM मापदंडों के संयुक्त फिट के लिए मार्ग प्रशस्त करता है।
• अगले चरण: लेखकों की योजना इस पद्धति को वास्तविक LHC डेटा पर लागू करने की है, जिसके लिए सैद्धांतिक भविष्यवाणियों के लिए NNLO-सटीक इवेंट जनरेटर (जैसे MiNNLOPS) और प्रयोगात्मक सहयोगों द्वारा अनबिनned लाइकलीहुड्स जारी करने की आवश्यकता होगी।

निष्कर्षतः, यह शोध पत्र न्यूरल सिमुलेशन-आधारित अनुमान को प्रोटॉन संरचना के निर्धारण के लिए एक व्यवहार्य और श्रेष्ठ विकल्प के रूप में स्थापित करता है, जो LHC पर प्रोटॉन संरचना मापों में काफी कम अनिश्चितताओं के लिए एक मार्ग प्रदान करता है।