Reweighting Underlying Event and Colour Reconnection parameter variations in Sherpa

Sintesi Tecnica: Variazioni dei Parametri di Reweighting dell'Evento Sottostante e della Riconnessione del Colore in SHERPA

Definizione del Problema
La fenomenologia di precisione nella fisica delle alte energie si affida ai generatori di eventi Monte Carlo (MCEG) per simulare la transizione dai processi partonici perturbativi ai prodotti finali adronici non perturbativi. Mentre le incertezze nei regimi perturbativi (ad esempio, variazioni di scala, PDF) sono gestite efficientemente tramite il reweighting degli eventi "on-the-fly", significative incertezze teoriche derivano dalla modellazione non perturbativa (NP), specificamente dalle Interazioni tra Partoni Multipli (MPI) e dalla Riconnessione del Colore (CR). Questi modelli dipendono da parametri empirici che devono essere "sintonizzati" (tuned) rispetto ai dati sperimentali. Attualmente, valutare la sensibilità degli osservabili a questi parametri o quantificare le loro incertezze richiede la generazione di corse di simulazione dedicate per numerosi punti nello spazio dei parametri. Questo processo è computazionalmente proibitivo, limitando spesso gli studi di incertezza a confronti superficiali tra solo pochi tune o versioni del generatore.

Metodologia
Gli autori introducono e validano un nuovo metodo per il reweighting "on-the-fly" dei parametri MPI e CR all'interno del generatore di eventi SHERPA. L'approccio consente la propagazione delle variazioni dei parametri senza rigenerare gli eventi, catturando gli effetti attraverso pesi relativi degli eventi.

• Reweighting MPI: Il modello MPI in SHERPA si basa sul formalismo di Sjöstrand–van-Zijl (SZ), utilizzando una sovrapposizione geometrica delle distribuzioni della materia adronica e un fattore di forma di Sudakov per regolare la probabilità di scambi secondari. Il fattore di reweighting è decomposto in due componenti:

  1. Peso Geometrico ($w_b$): Tiene conto dei cambiamenti nel campionamento del parametro di impatto dovuto alle variazioni nei parametri della distribuzione della materia (raggi $R_{1,2}$ e pesi $\alpha_1$).
  2. Peso di Sudakov ($w_{\text{Sudakov}}$): Tiene conto delle variazioni nella probabilità di accettazione degli scambi secondari. Questo è costruito confrontando l'integrando reale del set di parametri variato contro quello originale per ogni scattering accettato e rifiutato nella sequenza di generazione degli eventi.
  • Vincolo: Le variazioni nel cutoff del momento trasverso ($p_{\perp,\min}$) sono unidirezionali (sono possibili solo variazioni verso l'alto) perché gli eventi generati con un cutoff inferiore non popolano lo spazio delle fasi escluso da un cutoff più elevato.

• Reweighting CR: Il modello di Riconnessione del Colore riorganizza le linee di colore tra i partoni per minimizzare una misura di distanza nello spazio dei momenti prima dell'adronizzazione. Il fattore di reweighting è calcolato moltiplicativamente per ogni tentativo di riconnessione, confrontando la probabilità di accettazione $P_{\text{acc}}$ dei parametri variati rispetto ai parametri nominali sia per gli scambi accettati che per quelli rifiutati.

• Framework di Tuning: Il metodo è integrato con il framework Apprentice per costruire modelli surrogati multivariati (approssimazioni polinomiali) della risposta del generatore. Ciò consente un fit globale dei parametri MPI e CR ai dati LHC (7 TeV) utilizzando un singolo campione nominale reweighted a 500 configurazioni casuali di parametri.

Contributi Chiave

1. Prima Implementazione: Questo lavoro presenta la prima implementazione del reweighting on-the-fly per i modelli MPI e CR in SHERPA, estendendo le esistenti capacità di reweighting perturbativo a componenti chiave non perturbative.
2. Efficienza Computazionale: Generando un singolo campione nominale e applicando il reweighting per coprire uno spazio di parametri a 4 dimensioni (solo MPI) o 5 dimensioni (MPI+CR), gli autori riducono il costo computazionale del tuning di un fattore di circa 250 rispetto alla generazione di campioni dedicati per ogni punto.
3. Validazione: Il metodo viene sottoposto a rigorosi "test di chiusura" (closure tests). Le previsioni dai campioni reweighted vengono confrontate con corse dedicate del generatore per specifici punti di parametri. I risultati mostrano un eccellente accordo per le variabili intrinseche del modello (parametro di impatto, molteplicità MPI, molteplicità CR) e per gli osservabili fisici (densità di particelle cariche, somme di momento trasverso) in processi Drell–Yan e di produzione di jet.
4. Caratterizzazione Statistica: Il documento quantifica la "diluizione statistica" causata dal reweighting utilizzando la dimensione del campione efficace di Kish ($N_{\text{eff}}$). Dimostra che, sebbene $N_{\text{eff}}$ diminuisca per i punti di parametri lontani dal set nominale, rimane sufficiente per il tuning entro gli intervalli studiati (ad esempio, $N_{\text{eff}} \approx 0.5N$ a $0.7N$).

Risultati

• Tuning a 7 TeV: Gli autori hanno eseguito tune combinati per i modelli SHERPA MPI e CR utilizzando i dati ATLAS e CMS.
  • MPI-CRoff: Un tune con la CR disabilitata ha fornito un set di parametri con il miglior fit.
  • MPI-CRon: Un tune con la CR abilitata ha fornito una descrizione significativamente migliore dei dati, in particolare per i processi Drell–Yan dove il $\chi^2/\text{ndf}$ è stato efficacementmente dimezzato rispetto allo scenario CR-off. Ciò indica che i dati sperimentali favoriscono l'inclusione delle riconnessioni di colore.
• Estrapolazione dell'Energia: Gli autori hanno calibrato la scalatura dell'energia dei parametri dimensionali MPI ($p_{\perp,0}$ e $p_{\perp,\min}$) utilizzando l'esponente di scalatura $\eta$. Effettuando il reweighting di un singolo campione per coprire $\eta \in [0.0, 0.08]$, hanno determinato un valore ottimale di $\eta^* = 0.026$. Questo singolo parametro ha descritto con successo i dati dell'evento sottostante (underlying event) sia per il Tevatron ($\sqrt{s} = 1.96$ TeV) che per l'LHC ($\sqrt{s} = 13$ TeV) simultaneamente.
• Performance: Il tempo di esecuzione del reweighting scala linearmente con il numero di variazioni ma rimane significativamente più veloce della generazione di equivalenti campioni dedicati. La dimensione del campione efficace rimane robusta per supportare un tuning ad alta precisione.

Significato e Rivendicazioni
Il documento afferma che questo metodo di reweighting colma un significativo divario nelle capacità dei moderni MCEG, consentendo un'esplorazione efficiente degli spazi dei parametri non perturbativi. Gli autori posizionano questa tecnica come essenziale per:

• Studi di Sensibilità dei Parametri: Consentire la quantificazione robusta delle incertezze parametriche on-the-fly.
• Tuning: Ridurre drasticamente il costo computazionale del tuning del generatore, facilitando l'uso di metodi avanzati come l'History Matching (HM) che richiedono un campionamento denso dello spazio dei parametri.
• Simulazioni Future: Fornire una base per l'era dell'alta luminosità dell'LHC, dove il controllo preciso sulle incertezze non perturbative è critico.

Gli autori dichiarano esplicitamente che, sebbene il metodo sia dimostrato per MPI e CR, è progettato per essere adattabile ad altri generatori di eventi e ad altri modelli non perturbativi (come l'adronizzazione), con lavori futuri pianificati per estendere questo approccio alla frammentazione a cluster e alle simulazioni di minimo bias di SHERPA. Il metodo è presentato non come un sostituto delle corse dedicate in tutti i casi, ma come uno strumento potente per alleviare il carico computazionale degli studi di sensibilità dei parametri e della quantificazione delle incertezze.