Unbinned extraction of $\gamma$ from $B\to DK$ with normalizing flows

तकनीकी सारांश: नॉर्मलाइजिंग फ्लो के साथ $B \to DK$ से $\gamma$ का अनबिन्डेड (unbinned) निष्कर्षण

समस्या विवरण
$B^\pm \to DK^\pm$ क्षय (decays), जहाँ $D \to K_S \pi^+ \pi^-$, से CKM यूनिटरी ट्रायंगल कोण $\gamma$ (या $\phi_3$) का निर्धारण सैद्धांतिक रूप से स्वच्छ है लेकिन सांख्यिकीय परिशुद्धता (statistical precision) द्वारा सीमित है। वर्तमान अत्याधुनिक मॉडल-स्वतंत्र दृष्टिकोण, BPGGSZ विधि, $D$ क्षय के डैलिटी प्लॉट (Dalitz plot) को बिनों (bins) में विभाजित करती है। हालाँकि यह $D$ क्षय आयाम (amplitude) के बारे में मॉडल-निर्भर धारणाओं से बचता है, लेकिन यह फेज स्पेस (phase space) के "कोर्स ग्रेनिंग" (coarse graining) को भी लाता है। परिमित बिनों (finite bins) पर स्ट्रॉग फेज अंतर (strong phase difference) का औसत निकालने से स्थानीय हस्तक्षेप प्रभाव (local interference effects) कम हो जाते हैं, जिससे $\gamma$ के प्रति संवेदनशीलता का नुकसान होता है। पूर्ववर्ती अनबिन्डेड विकल्पों (फूरियर विस्तार, लेजेंड्रे बहुपद, गैर-पैरामीट्रिक परीक्षण) का प्रस्ताव दिया गया है, लेकिन वे अक्सर अपरिहार्य मॉडलिंग त्रुटियों को पेश किए बिना डैलिटी प्लॉट्स में निहित जटिल, मल्टी-मोडल संरचनाओं को पकड़ने में लचीलेपन की कमी रखते हैं।

कार्यप्रणाली (Methodology)
लेखक नॉर्मलाइजिंग फ्लो (Normalizing Flows - NFs) का उपयोग करते हुए एक अनबिन्डेड निष्कर्षण विधि प्रस्तावित करते हैं, जो वर्ग डैलिटी प्लॉट (square Dalitz plot) के पार $D$ क्षय आयाम और स्ट्रॉग फेज परिवर्तन का एक निरंतर, डेटा-संचालित प्रतिनिधित्व सीखने के लिए है। यह विधि BPGGSZ विधि के बिन-औसत अवलोकनीय (bin-averaged observables) ($K_i, c_i, s_i$) को सीधे $D$ क्षय डेटा से सीखे गए निरंतर फलनों ($K, C, S$) द्वारा प्रतिस्थापित करती है।

मुख्य तकनीकी चुनौती जो संबोधित की गई है वह है ट्रिगोनोमेट्रिक बाधा (trigonometric constraint) जो सीखे गए फलनों को जोड़ती है: $C^2 + S^2 = K \bar{K}$। शोध पत्र इस बाधा को संभालने के लिए दो अलग-अलग आर्किटेक्चर की खोज करता है:

1. बाधा-जागरूक आर्किटेक्चर ($h$-नेटवर्क):

   • एक फ्लेवर-टैग्ड (flavor-tagged) NF को घनत्व $K(m', \theta')$ सीखने के लिए प्रशिक्षित किया जाता है।
   • एक अलग न्यूरल नेटवर्क, $h(m', \theta')$, को CP-टैग्ड डेटा पर $\cos \Delta \delta$ सीखने के लिए प्रशिक्षित किया जाता है।
   • नेटवर्क $h$ को $\tanh$ एक्टिवेशन के माध्यम से $[-1, 1]$ की सीमा में बाधित किया जाता है।
   • हस्तक्षेप अवलोकनीय (interference observables) को इस प्रकार निर्मित किया जाता है कि $C = \sqrt{K\bar{K}}h$ और $|S| = \sqrt{K\bar{K}}\sqrt{1-h^2}$। यह निर्माण गारंटी देता है कि ट्रिगोनोमेट्रिक बाधा प्रत्येक बिंदु पर संतुष्ट है।
   • रेजोनेंस (resonances) के पास तीव्र दोलनों (oscillations) को पकड़ने के लिए, $h$-नेटवर्क एक SIREN (साइनुसोइडल रिप्रेजेंटेशन नेटवर्क) आर्किटेक्चर का उपयोग करता है, जो मानक ReLU-आधारित MLPs की तुलना में उच्च-आवृत्ति वाली विशेषताओं (high-frequency features) के लिए बेहतर है।

2. विलंबित बाधा प्रवर्तन (Deferred Constraint Enforcement - 3-flow):

   • तीन स्वतंत्र NFs को प्रशिक्षित किया जाता है: एक फ्लेवर-टैग्ड डेटा पर (K सीखना), और दो CP-इवन (CP-even) और CP-ओड (CP-odd) टैग्ड डेटा पर (घनत्व $p_+$ और $p_-$ सीखना)।
   • $C$ को CP घनत्वों से बीजगणितीय रूप से निकाला जाता है।
   • चूंकि फ्लो स्वतंत्र हैं, सांख्यिकीय उतार-चढ़ाव से ऐसे अवास्तविक (unphysical) क्षेत्र बन सकते हैं जहाँ $C^2 > K\bar{K}$ (जिसके परिणामस्वरूप $S^2$ ऋणात्मक हो जाता है)।
   • बाधा $C^2 \leq K\bar{K}$ को लागू करने के लिए एक पोस्ट-प्रोसेसिंग चरण में स्थानीय पड़ोसी औसत (local neighbor averaging) लागू किया जाता है।

इन निकाले गए निरंतर फलनों का उपयोग फिर $r_B, \delta_B,$ और $\gamma$ निर्धारित करने के लिए $B^\pm \to DK^\pm$ डेटा के अनबिन्डेड मैक्सिमम-लाइक्लीहुड फिट (maximum-likelihood fit) में किया जाता है।

प्रमुख योगदान

• अनबिन्डेड घनत्व अनुमान (Unbinned Density Estimation): यह शोध पत्र $\gamma$ के निष्कर्षण के लिए नॉर्मलाइजिंग फ्लो के पहले अनुप्रयोग को प्रस्तुत करता है, जो डैलिटी प्लॉट का एक लचीला, गैर-पैरामीट्रिक प्रतिनिधित्व प्रदान करता है जो $D$ क्षय के बड़े डेटासेट के साथ व्यवस्थित रूप से सुधरता है।
• बाधा हैंडलिंग (Constraint Handling): यह दो रणनीतियों का प्रदर्शन करता है—एक आर्किटेक्चर डिज़ाइन के माध्यम से "हार्ड" बाधा (hard constraint) और एक पोस्ट-प्रोसेसिंग के माध्यम से "सॉफ्ट" बाधा (soft constraint)—जो आयाम और फेज अवलोकनीयों के बीच गैर-रेखीय ट्रिगोनोमेट्रिक बाधा को शामिल करने के लिए है।
• उच्च-आवृत्ति भौतिकी के लिए SIREN: यह कार्य डैलिटी प्लॉट्स में पाई जाने वाली तीव्र फेज विविधताओं को मॉडल करने के लिए SIREN आर्किटेक्चर की उपयोगिता को रेखांकित करता है, जिन्हें मानक न्यूरल नेटवर्क अक्सर हल करने में संघर्ष करते हैं।
• बायस (Bias) और अनिश्चितता विश्लेषण: यह सिमुलेटेड डेटासेट के एन्सेम्बल (ensembles) का उपयोग करके एक कठोर क्लोजर टेस्ट प्रदान करता है ताकि सांख्यिकीय अनिश्चितताओं को मापा जा सके और NF सन्निकटन (approximation) द्वारा उत्पन्न संभावित व्यवस्थित पूर्वाग्रहों (systematic biases) की खोज की जा सके।

परिणाम
इन विधियों का परीक्षण बेंचमार्क पैरामीटर्स ($r_B=0.1, \delta_B=130^\circ, \gamma=70^\circ$) का उपयोग करके मोंटे कार्लो (Monte Carlo) जनित डेटा पर किया गया।

• विश्वसनीयता (Fidelity): NFs इनपुट आइसोबार मॉडल (isobar model) घनत्व को, जिसमें संकीर्ण रेजोनेंस संरचनाएं भी शामिल हैं, सफलतापूर्वक पुनरुत्पादित करते हैं। सीखे गए घनत्वों का एन्सेबल माध्य (ensemble mean) उच्च सटीकता के साथ वास्तविक मॉडल से मेल खाता है (फ्लेवर फ्लो के लिए $\sim95\%$ और CP फ्लो के लिए $\sim96-97\%$ की पॉइंटवाइज $1\sigma$ कवरेज)।
• पैरामीटर निष्कर्षण: दोनों विधियाँ इंजेक्ट किए गए $\gamma$ के मान को सांख्यिकीय अनिश्चितताओं के भीतर सफलतापूर्वक पुनः प्राप्त करती हैं।
• विधियों की तुलना:
  • $h$-नेटवर्क दृष्टिकोण 3-flow विधि की तुलना में निकाले गए पैरामीटर्स में कम विचरण (variances) देता है। इसका श्रेय निर्मित बाधा (built-in constraint) को जाता है जो उन अवास्तविक मानों को रोकता है जिन्हें 3-flow दृष्टिकोण में संख्यात्मक मरम्मत (numerical repair) की आवश्यकता होती है।
  • 3-flow विधि, विशेष रूप से जब रेजोनेंस पीक्स के पास अवास्तविक $S^2$ मानों को ठीक करने के लिए पड़ोसी-औसत की आवश्यकता होती है, अनिश्चितताओं में थोड़ी अधिक परिवर्तनशीलता प्रदर्शित करती है।
• बायस (Bias): कोई सांख्यिकीय रूप से महत्वपूर्ण व्यवस्थित पूर्वाग्रह नहीं पाया गया। संभावित बायस पर अनुमानित ऊपरी सीमाएँ ($\gamma$ और $\delta_B$ के लिए $\sim 1^\circ$, $r_B$ के लिए $\sim 0.002$) बहुत छोटी हैं, जो सिमुलेटेड डेटासेट की सांख्यिकीय अनिश्चितताओं के बराबर या उससे भी कम हैं।

महत्व और दावे
यह शोध पत्र इस कार्य को $\gamma$ के अनबिन्डेड निष्कर्षण के लिए एक प्रूफ ऑफ प्रिंसिपल (proof of principle) के रूप में प्रस्तुत करता है। लेखक दावा करते हैं कि:

1. NF-आधारित दृष्टिकोण बಿದ್ದ (binned) विधियों की तुलना में व्यवस्थित सुधार प्रदान करता है जैसे-जैसे $D$ क्षय के नमूना आकार बढ़ते हैं, जो $c_i$ और $s_i$ पैरामीटर्स की परिशुद्धता में सुधार के समान है।
2. यह आइसोबार मॉडल से जुड़े अपरिहार्य मॉडलिंग त्रुटियों से बचता है जबकि बಿದ್ದ दृष्टिकोणों की तुलना में अधिक फेज-स्पेस जानकारी बनाए रखता है।
3. प्रस्तावित आर्किटेक्चर महत्वपूर्ण पूर्वाग्रह पेश नहीं करते हैं, जिससे वे भविष्य के LHCb और Belle II कार्यान्वयन के लिए व्यवहार्य उम्मीदवार बन जाते हैं।

लेखक स्पष्ट रूप से नोट करते हैं कि वर्तमान कार्यान्वयन स्वतंत्र रूप से प्रशिक्षित फ्लो के एक एन्सेबल के माध्यम से सांख्यिकीय अनिश्चितताओं को प्रसारित करता है और अभी तक व्यवस्थित प्रयोगात्मक त्रुटियों (जैसे डिटेक्टर रिज़ॉल्यूशन, बैकग्राउंड) को कैप्चर नहीं करता है। वे सुझाव देते हैं कि भविष्य के कार्य को बायेसियन नॉर्मलाइजिंग फ्लो (Bayesian Normalizing Flows) की खोज करनी चाहिए ताकि बाहरी एन्सेबल्स की आवश्यकता के बिना सीखे गए घनत्वों के लिए प्रत्यक्ष अनिश्चितता अनुमान प्रदान किया जा सके, और वास्तविक-डेटा अनुप्रयोग के लिए इसे डिटेक्टर प्रभावों को शामिल करने के लिए विस्तारित किया जाना चाहिए। यह शोध पत्र पारंपरिक बಿದ್ದ और प्रस्तावित अनबिन्डेड NF दोनों विधियों को परिणामों को क्रॉस-चेक करने और संभावित व्यवस्थित प्रभावों की पहचान करने के लिए समानांतर में चलाने की वकालत करता है।