Measurement of angular correlations inside jets induced by gluon polarization in proton-proton collisions at $\sqrt{s}$ = 13.6 TeV

Utilizzando i dati raccolti dal rivelatore CMS nel 2022 a 13,6 TeV, questo studio misura le correlazioni angolari all'interno dei jet indotte dalla polarizzazione dei gluoni, confermando che i modelli che includono tale polarizzazione descrivono i dati molto meglio di quelli che la trascurano.

L'essenziale

🌌 L'Orchestra Invisibile: Come il CMS ha "visto" la danza delle particelle

Immagina il LHC (il Grande Collisore di Adroni) come un gigantesco campo da calcio dove due squadre di protoni corrono l'una contro l'altra a velocità incredibili. Quando si scontrano, non è un semplice "crash" di auto; è come se due scatole piene di mattoncini LEGO venissero lanciate l'una contro l'altra, creando un'esplosione di detriti che volano in tutte le direzioni.

Questi "detriti" sono getti di particelle (chiamati jets). La maggior parte di questi getti nasce da un "capo" invisibile chiamato gluone. I gluoni sono come i collanti dell'universo: tengono insieme i mattoni della materia (quark) e hanno una proprietà strana e affascinante: hanno uno spin.

🌀 Lo Spin: La trottola che decide la direzione

Pensa allo spin del gluone come a una trottola che gira.

• Se la trottola gira in un certo modo, i mattoncini (quark e antiquark) che ne escono vengono lanciati in direzioni specifiche, creando un pattern di danza preciso.
• Se la trottola non girasse affatto (o se ignorassimo il suo giro), i mattoncini uscirebbero in modo casuale, come granelli di sabbia lanciati da un secchio.

Per decenni, gli scienziati hanno saputo che i gluoni sono trottole (hanno spin 1), ma non avevano mai visto direttamente come questo "girare" influenzasse la danza dei mattoncini dentro i getti stessi, specialmente quando questi getti sono molto caldi e caotici.

🔍 L'Esperimento: Una telecamera ultra-veloce

Il team del CMS (uno dei grandi "occhi" del CERN) ha deciso di fare un esperimento speciale usando i dati raccolti nel 2022. Hanno guardato 34,7 miliardi di collisioni (un numero enorme, come contare ogni granello di sabbia sulla spiaggia di una grande città).

Ecco come hanno lavorato, passo dopo passo:

1. Catturare il getto: Hanno usato un algoritmo (una ricetta matematica) chiamato anti-kT per raccogliere tutti i pezzi volanti in un unico "pacchetto" (il jet).
2. Scomporre il pacchetto: Poi, hanno usato un altro algoritmo (Cambridge-Aachen) per "srotolare" il pacchetto, come se stessero smontando una matrioska russa, per vedere chi era nato da chi.
3. Cercare la coppia perfetta: Il loro obiettivo era trovare un momento specifico: quando un gluone si divide in due pezzi (un quark e un antiquark). È come cercare di vedere il momento esatto in cui un genitore ha due figli.
4. L'Intelligenza Artificiale: C'era un problema: trovare queste coppie specifiche era come cercare un ago in un pagliaio, perché la maggior parte delle volte i gluoni facevano cose diverse. Quindi, hanno addestrato un'Intelligenza Artificiale (una rete neurale) per diventare un "detective". L'AI ha imparato a riconoscere i segnali sottili che indicavano: "Ehi! Qui c'è un gluone che sta per partorire una coppia quark-antiquark!".

🎭 Il Risultato: La danza conferma la teoria

Una volta isolati questi eventi speciali, gli scienziati hanno misurato l'angolo tra i due pezzi nati dalla divisione.

• Se il gluone non avesse spin (o se lo ignorassimo): I pezzi sarebbero usciti in modo disordinato, senza una preferenza per una direzione rispetto all'altra. Sarebbe come una folla che esce da uno stadio senza seguire nessuno.
• Se il gluone avesse spin (come dice la teoria): I pezzi avrebbero dovuto seguire una "danza" specifica, con più pezzi che uscivano in certe direzioni e meno in altre.

Il risultato?
I dati raccolti dal CMS hanno mostrato chiaramente la danza. I pezzi non uscivano a caso: seguivano il ritmo imposto dallo spin del gluone.

• Hanno confrontato i dati reali con due modelli di computer: uno che includeva la "trottola" (spin) e uno che la ignorava.
• Il modello che ignorava lo spin è stato smentito con forza.
• Il modello che includeva lo spin ha descritto perfettamente i dati, anche se c'era un po' di "rumore" dovuto alla complessità della materia.

🚀 Perché è importante?

Questa scoperta è come aver scoperto che la musica classica non è solo rumore, ma ha una struttura precisa che possiamo ascoltare.

1. Conferma la teoria: Dimostra che la nostra comprensione della forza forte (quella che tiene insieme l'universo) è corretta anche in condizioni estreme.
2. Migliora i modelli: Ora sappiamo che i computer che simulano l'universo (come PYTHIA e HERWIG) devono tenere conto di questa "danza" per essere precisi. Se non lo fanno, le loro previsioni sono sbagliate.
3. Nuovi strumenti: L'AI usata in questo studio può ora aiutare a identificare meglio i tipi di particelle, il che sarà fondamentale per cercare nuove fisiche in futuro, magari scoprendo particelle legate al Bosone di Higgs che decadono in gluoni.

In sintesi

Gli scienziati del CMS hanno guardato dentro un jet di particelle ad altissima energia, hanno usato un detective digitale per trovare un evento raro e hanno visto che i pezzi in uscita "ballano" seguendo il ritmo dello spin del gluone. È la prima volta che vediamo questa danza direttamente all'interno di un getto, confermando che l'universo, anche nel suo caos più violento, segue regole di danza precise.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del documento CERN-EP-2026-022, presentata in italiano.

Titolo: Misura delle correlazioni angolari all'interno dei jet indotte dalla polarizzazione dei gluoni nelle collisioni protone-protone a $\sqrt{s} = 13.6$ TeV

1. Il Problema e il Contesto Fisico

I gluoni sono i bosoni di gauge che mediano l'interazione forte, descritta dalla Cromodinamica Quantistica (QCD). Sebbene la natura di spin-1 dei gluoni sia stata stabilita sperimentalmente decenni fa negli esperimenti di annichilazione $e^+e^-$ (es. TASSO, PLUTO, LEP), le correlazioni angolari indotte dalla polarizzazione del gluone non sono mai state osservate direttamente all'interno dei getti (jets) stessi, specialmente nel regime di radiazione di partoni collineari e morbidi.

Nelle simulazioni Monte Carlo (MC) attuali, i modelli di parton shower (PS) tentano di descrivere queste correlazioni:

• PYTHIA 8 e SHERPA: Utilizzano un approccio approssimato (Collins-Knowles) che modula l'angolo tra i piani di produzione e di splitting del gluone.
• HERWIG 7: Tratta esplicitamente le correlazioni di spin utilizzando una formalità di matrice di densità di spin.

Tuttavia, l'effetto netto della polarizzazione è spesso cancellato all'interno dello shower perché i processi $g \to gg$ e $g \to q\bar{q}$ hanno moduli di segno opposto, e il processo $g \to gg$ ha una sezione d'urto maggiore. Inoltre, la modellazione inaccurata di queste strutture interne può compromettere gli algoritmi di tagging dei jet (es. per i decadimenti del bosone di Higgs in due gluoni). È quindi cruciale misurare queste correlazioni per validare e migliorare i generatori di eventi.

2. Metodologia Sperimentale

L'analisi è stata condotta utilizzando i dati raccolti dal rivelatore CMS al Large Hadron Collider (LHC) durante il 2022 (Run 3), corrispondenti a una luminosità integrata di 34.7 fb$^{-1}$ a un'energia nel centro di massa di 13.6 TeV.

Selezione degli Eventi e Ricostruzione:

• Jet: Ricostruiti con l'algoritmo anti-kT (raggio $R=0.8$, detti AK8) con $p_T > 700$ GeV e $|\eta| < 1.7$.
• Declustering: I jet sono stati "declusterizzati" utilizzando l'algoritmo Cambridge-Aachen (CA) per ricostruire la storia delle divisioni dei partoni.
• Definizione dell'Osservabile: È stato misurato l'angolo $\Delta\phi$ tra i piani di due divisioni successive di partoni ($X \to 1+2$ seguito da $2 \to 3+4$), definito come:
  $$\cos \Delta\phi = \hat{n}_{1,2} \cdot \hat{n}_{3,4} \cdot \text{sign}[(\hat{n}_{1,2} \times \hat{n}_{3,4}) \cdot \vec{p}]$$
  dove $\hat{n}$ sono i vettori unitari dei piani formati dalle coppie di partoni.

Selezione dei Processi e Machine Learning:
Poiché l'effetto di correlazione di spin è più pronunciato nella divisione $g \to q\bar{q}$ (rispetto a $g \to gg$), è stato necessario isolare questo canale specifico.

• È stato sviluppato un approccio basato su Deep Neural Network (DNN) per classificare la topologia delle divisioni dei partoni.
• Il DNN è stato addestrato su simulazioni (HERWIG 7) per distinguere quattro classi: $qg$, $gg$, $q\bar{q}$, e "unmatched" (non abbinato).
• Sono stati utilizzati 12 variabili descrittive della struttura interna dei sotto-jet (es. frazione di $p_T$, larghezza, dispersione, numero di particelle).
• È stata applicata una ricampionatura (reweighting) per allineare le distribuzioni delle variabili di input delle simulazioni ai dati reali.
• Per massimizzare la purezza del campione $g \to q\bar{q}$, è stato selezionato un sottocampione con un punteggio del DNN ($score_{g\to q\bar{q}}$) superiore a 0.6, raggiungendo una purezza del 38%.

3. Risultati Chiave

• Distribuzione di $\Delta\phi$: La distribuzione misurata dell'angolo $\Delta\phi$ mostra una modulazione caratteristica.
• Confronto con i Modelli:
  • I dati sono stati confrontati con simulazioni PYTHIA 8 e HERWIG 7, sia con le correlazioni di spin attive ("correlation-on") sia disattivate ("correlation-off").
  • Nel campione inclusivo, la differenza tra i modelli con e senza spin è piccola (~0.5%) a causa della cancellazione degli effetti.
  • Nel campione selezionato ($g \to q\bar{q}$ con score > 0.6), la differenza tra le previsioni con e senza spin diventa significativa (fino al 12% per PYTHIA 8).
• Significatività Statistica:
  • I dati deviano dalla ipotesi di nessuna correlazione di spin (correlation-off) con una significatività di 6.8 deviazioni standard (valore atteso 8.1).
  • I dati sono consistenti con l'ipotesi di correlazione di spin (correlation-on), con una deviazione di soli 1.9 deviazioni standard.
• Discrepanze di Modello: Sebbene i dati favoriscano i modelli che includono la polarizzazione, mostrano una modulazione leggermente inferiore rispetto alle previsioni di PYTHIA 8 e deviazioni maggiori rispetto a HERWIG 7, indicando che i modelli attuali non riproducono perfettamente la forma della modulazione angolare osservata.

4. Contributi e Innovazioni

1. Prima Osservazione Diretta: Questo lavoro rappresenta la prima osservazione di correlazioni angolari indotte dalla polarizzazione dei gluoni nelle emissioni di partoni morbidi e collineari all'interno dei jet.
2. Tecnica di Selezione ML: Sviluppo di una nuova tecnica basata sul Machine Learning per identificare e selezionare le divisioni intermedie $g \to q\bar{q}$ all'interno di un shower complesso, superando le difficoltà legate alla sovrapposizione di diversi canali di decadimento.
3. Definizioni di Sapore Infrarosso-Sicure: Implementazione di definizioni di sapore dei partoni (quark vs gluone) che sono sicure rispetto alle radiazioni morbide e collineari, permettendo l'identificazione di sotto-jet di quark leggeri e gluoni nei dati reali.
4. Validazione dei Generatori: Fornisce un test stringente per i generatori Monte Carlo, evidenziando la necessità di migliorare la modellazione delle correlazioni di spin nei modelli di parton shower oltre l'approssimazione leading-logarithmic.

5. Significato e Implicazioni

I risultati confermano che le correlazioni di spin dei gluoni sono un fenomeno fisico reale e osservabile anche in presenza di effetti non perturbativi finali. Questo ha implicazioni profonde per:

• Fisica del Modello Standard: La corretta descrizione della QCD nel regime di alta energia e alta densità di partoni.
• Ricerca di Nuova Fisica: Migliorare la precisione degli algoritmi di tagging dei jet è essenziale per la ricerca di processi rari, come i decadimenti del bosone di Higgs in due gluoni ($H \to gg$), dove le correlazioni di spin giocano un ruolo cruciale.
• Sviluppo Futuro: I dati misurati e le distribuzioni deconvolute (unfolded) fornite nel documento serviranno come input fondamentali per affinare i futuri modelli di parton shower e ridurre le incertezze sistematiche nelle analisi di precisione al LHC.

In conclusione, lo studio dimostra che l'ignoro della polarizzazione dei gluoni nei modelli di simulazione porta a previsioni in disaccordo con i dati, sottolineando l'importanza di includere questi effetti quantistici negli algoritmi di generazione degli eventi.