Path-length dependence of parton energy loss across collision systems: a Bayesian analysis of charged-particle RAA, consistent with a universal exponent from O+O to Pb+Pb

Sintesi Tecnica: Dipendenza della lunghezza del cammino dalla perdita di energia dei partoni attraverso diversi sistemi di collisione

Problematica
Il meccanismo che governa la perdita di energia dei partoni nel plasma di quark e gluoni (QGP) è codificato nel modo in cui la perdita di energia media $\langle \Delta E \rangle$ scala con la lunghezza del cammino nel mezzo $L$. I quadri teorici prevedono comportamenti di scaling distinti: la perdita di energia collisionale scala linearmente ($\langle \Delta E \rangle \propto L$), la perdita radiativa indotta dal mezzo scala quadraticamente ($\langle \Delta E \rangle \propto L^2$) e i modelli a forte accoppiamento (olografici) prevedono una scalatura cubica ($\langle \Delta E \rangle \propto L^3$). Storicamente, l'estrazione di questo esponente di scaling è stata complicata dall'analisi delle variazioni di centralità all'interno di un singolo sistema grande (ad es., Pb+Pb), il che introduce bias derivanti dalla selezione della centralità e dalla normalizzazione basata su Glauber ($T_{AA}$) negli eventi periferici. L'emergere di dati di collisioni tra ioni leggeri all'LHC (O+O, Ne+Ne) offre una leva complementare: variare la dimensione del sistema ($A$) al minimo bias per sondare lunghezze di cammino comparabili alle collisioni di ioni pesanti periferiche, isolando così la dipendenza dalla dimensione del sistema dall'energia persa.

Metodologia
Gli autori eseguono un'analisi bayesiana dei fattori di modifica nucleare del numero di particelle cariche ($R_{AA}$) attraverso quattro sistemi di collisione: O+O, Ne+Ne, Xe+Xe e Pb+Pb, che spaziano da numeri di massa $A=16$ a $208$.

1. Modello Forward: Un modello parametrico mette in relazione $R_{AA}$ con la perdita di energia frazionaria $\Delta p_T$. Il modello assume che $\Delta p_T \propto \rho G^n$, dove $\rho$ è la densità relativa del mezzo, $G$ è un rapporto geometrico adimensionale e $n$ è l'esponente della dimensione del sistema da determinare. L'indice spettrale $a(p_T)$ è fissato utilizzando misurazioni basate sui dati delle collisioni $pp$, con l'applicazione dello scaling $x_T$ per diverse energie di collisione.
2. Geometria: La geometria della collisione è calcolata utilizzando due implementazioni Glauber indipendenti: un modello Glauber ottico e un modello Glauber Monte-Carlo personalizzato (campionando le posizioni dei nucleoni con esclusione di hard-core). I principali proxy geometrici sono $A^{1/3}$, $\langle N_{part} \rangle^{1/3}$ e la lunghezza media del cammino di uscita $\langle L \rangle$.
3. Framework Statistico:
   • Likelihood: Viene utilizzata una verosimiglianza gaussiana correlata, che incorpora una matrice di covarianza bin-to-bin. Le incertezze sistematiche sono modellate con una lunghezza di correlazione $\xi = 4$ bin per tenere conto delle correlazioni parziali, evitando il sovra-vincolo dei sistemi completamente correlati.
   • Inferenza: La distribuzione a posteriori per i parametri ($\kappa$, $n$, $\beta$) è campionata utilizzando l'affine-invariant ensemble sampler (EMCEE).
   • Selezione del Modello: Il nested sampling (DYNESTY) calcola l'evidenza bayesiana per confrontare i modelli con esponenti fissi ($n=1, 2, 3$).
   • Validazione: Il framework include un pilastro di "inferenza basata su simulazione" (SBI) utilizzando un estimatore della densità posteriore tramite neural flow, validato tramite calibrazione basata su simulazione (SBC) e cross-validazione leave-one-system-out (LOSO). Un emulatore a processi gaussiani viene inoltre addestrato per predire i sistemi esclusi.
4. Robustezza: L'analisi è testata attraverso 160 varianti che coinvolgono diversi proxy geometrici, lunghezze di covarianza, baseline spettrali e prior.

Risultati Chiave

• Esponente Effettivo: L'analisi estrae un esponente efficace della dimensione del sistema di $n = 1.78 \pm 0.15 \text{ (stat)} \pm 0.05 \text{ (syst)}$ per la geometria $\langle N_{part} \rangle^{1/3}$.
• Selezione del Modello: L'evidenza bayesiana favorisce decisamente lo scaling radiativo ($n=2$) rispetto alle ipotesi collisionale ($n=1$) e a forte accoppiamento ($n=3$). Le differenze di log-evidenza sono $2\Delta \ln Z \approx -29$ (per $n=1$) e $-48$ (per $n=3$), entrambe superiori alla soglia "decisiva".
• Limiti Microscopici: Analizzando la mappatura tra esponenti microscopici ed effettivi in presenza di fluttuazioni della perdita di energia, gli autori stabiliscono che le fluttuazioni possono solo abbassare l'esponente effettivo al di sotto di quello microscopico. Di conseguenza, la misura pone un limite inferiore all'esponente microscopico ($n_{micro} \ge 1.78$), escludendo efficacementamente la perdita di energia puramente collisionale ($n_{micro}=1$) a geometria fissa.
• Universalità: Un test del fattore di Bayes non trova evidenza di un cambiamento nel regime di perdita di energia tra sistemi piccoli (O+O, Ne+Ne) e grandi (Xe+Xe, Pb+Pb), supportando un esponente universale attraverso l'intero intervallo.
• Soppressione in O+O: Il framework fornisce un'evidenza bayesiana decisiva ($2\Delta \ln Z \approx 110$) per una perdita di energia dei partoni non nulla in O+O da solo, quantificando l'inizio della soppressione nel sistema più piccolo.
• Coefficiente di Trasporto: La magnitudo della perdita di energia estratta corrisponde a un coefficiente di trasporto dei jet efficace $\hat{q}/T^3 \approx 2\text{--}5$, coerente con le determinazioni indipendenti di JETSCAPE.

Significatività e Rivendicazioni
L'articolo sostiene di fornire la prima estrazione statisticamente calibrata, basata sulla dimensione del sistema, dell'esponente del cammino per la perdita di energia dei partoni. I suoi contributi primari sono:

1. Un Esponente Effettivo Robusto: Stabilisce $n \approx 1.78$ come un osservabile robusto a livello di geometria, indipendente da specifiche implementazioni di trasporto, fungendo da benchmark per futuri calcoli di perdita di energia multi-stadio.
2. Esclusione dei Meccanismi Collisionali: Attraverso il limite delle fluttuazioni, dimostra che la perdita di energia puramente collisionale è incompatibile con il trend osservato della dimensione del sistema, anche tenendo conto delle fluttuazioni.
3. Rigore Metodologico: Il lavoro introduce un quadro bayesiano completo che propaga le incertezze correlate, valida la copertura degli intervalli tramite test di chiusura e impiega l'inferenza basata su simulazione per controllare i risultati, garantendo la difendibilità statistica dell'estrazione.
4. Potere Predittivo: Il framework fornisce previsioni falsificabili per future misurazioni di ioni leggeri (Ar+Ar e Kr+Kr), predendo $R_{AA}(10 \text{ GeV}) \approx 0.55 \pm 0.03$ e $0.41 \pm 0.03$, rispettivamente.

Limitazioni e Ambito
Gli autori dichiarano esplicitamente che il risultato è un esponente effettivo, non una misura diretta della dipendenza dalla lunghezza del cammino microscopica. L'analisi è limitata dalla degenerazione tra densità del mezzo e lunghezza del cammino in uno scan della dimensione del sistema al minimo bias (entrambi scalano come $\langle N_{part} \rangle^{1/3}$), il che significa che l'estratto $n$ combina entrambi gli effetti. Il lavoro non pretende di risolvere il meccanismo microscopico (ad esempio, distinguere tra BDMPS-Z e correzioni a opacità finita) senza ulteriori input come dati differenziali rispetto alla centralità o misurazioni di anisotropia azimutale ($v_2$). Le conclusioni sono strettamente limitate ai quattro sistemi analizzati e ai specifici assunti del modello forward impiegati.