Reweighting Underlying Event and Colour Reconnection parameter variations in Sherpa

技術要約：SHERPAにおける基礎事象およびカラー再結合パラメータ変動の再重み付け

問題提起
高エネルギー物理学における精密な現象論は、摂動的なパートン散乱から非摂動的なハドロン最終状態への遷移をシミュレートするために、モンテカルロ事象生成器（MCEG）に依存している。摂動領域（例：スケール変動、PDF）における不確実性は、オンザフライの事象再重み付けによって効率的に処理されるが、非摂動的（NP）モデリング、特に多重パートン相互作用（MPI）およびカラー再結合（CR）からは、重大な理論的不確実性が生じる。これらのモデルは、実験データに「チューニング」される必要がある経験的パラメータに依存している。現在、これらのパラメータに対する観測量の感度を評価したり、その不確実性を定量化したりするには、パラメータ空間内の多数の点に対して専用のシミュレーション実行を生成する必要がある。このプロセスは計算コストが高いため、不確実性研究が、単にいくつかのジェネレーターのチューンやバージョンの比較を行うという表面的な比較に限定されてしまうことが多い。

手法
著者らは、SHERPA事象生成器におけるMPIおよびCRパラメータのオンザフライ再重み付けのための新しい手法を導入し、検証している。このアプローチにより、イベントを再生成することなく、相対的な事象重みを通じてパラメータの変動を伝播させ、その効果を捉えることが可能になる。

• MPI再重み付け: SHERPAにおけるMPIモデルは、ハドロン物質分布の幾何学的なオーバーラップと、二次散乱の確率を制御するためのスドコフ・フォームファクターを利用したSjöstrand–van-Zijl (SZ) 定式化に基づいている。再重み付け係数は、以下の2つの成分に分解される：

  1. 幾何学的重み ($w_b$): 物質分布パラメータ（半径 $R_{1,2}$ および重み $\alpha_1$）の変動に伴うインパクトパラメータのサンプリングの変化を考慮する。
  2. スドコフ重み ($w_{\text{Sudakov}}$): 二次散乱の受理確率の変動を考慮する。これは、イベント生成シーケンス内のすべての受理および拒絶された散乱に対して、変化したパラメータセットの真の被積分関数を元のセットと比較することによって構築される。
  • 制約: 横運動量カットオフ ($p_{\perp,\min}$) の変動は一方向的（上昇方向の変動のみが可能）である。なぜなら、より低いカットオフで生成されたイベントは、より高いカットオフによって除外される位相空間を占有しないためである。

• CR再重み付け: カラー再結合モデルは、ハドロン化の前に運動量空間における距離尺度を最小化するように、パートン間のカラーラインを再配置する。再重み付け係数は、受理および拒絶された両方のスワップに対して、受理確率 $P_{\text{acc}}$ を元のパラメータと比較することで、乗算的に計算される。

• チューニング・フレームワーク: この手法は、多変量サロゲートモデル（多項式近似）を構築するために Apprentice フレームワークと統合されている。これにより、500個のランダムなパラメータ構成に対して再重み付けされた単一の公称イベントサンプルを用いて、LHCデータ（7 TeV）へのMPIおよびCRパラメータのグローバルなフィットが可能になる。

主な貢献

1. 初の実装: 本研究は、SHERPAにおけるMPIおよびCRモデルのオンザフライ再重み付けの初の実装を提示しており、既存の摂動的再重み付け機能を主要な非摂動的コンポーネントへと拡張している。
2. 計算効率: 単一の公称サンプルを生成し、それを4次元（MPIのみ）または5次元（MPI+CR）のパラメータ空間をカバーするように再重み付けすることで、著者らは専用のサンプル生成と比較して、チューニングの計算コストを約250分の1に削減した。
3. 検証: 本手法は、厳格な「クローージャ・テスト」によって検証されている。再重み付けされたサンプルの予測は、特定のパラメータ点に対する専用のジェネレーター実行と比較されている。その結果、固有のモデル変数（インパクトパラメータ、MPI多重度、CR多重度）および物理的観測量（荷電粒子密度、横運動量和）において、優れた一致を示した。これらは、Drell–Yanおよびジェット生成プロセスにおいて確認されている。
4. 統計的特性化: 本論文は、Kish有効サンプルサイズ ($N_{\text{eff}}$) を用いて、再重み付けによる「統計的希釈」を定量化している。これは、公称セットから離れたパラメータ点では $N_{\text{eff}}$ が減少するものの、研究された範囲内でのチューニングには十分であることを示している（例：$N_{\text{eff}} \approx 0.5N$ から $0.7N$）。

結果

• 7 TeVでのチューニング: 著者らは、ATLASおよびCMSのデータを用いて、SHERKAのMPIおよびCRモデルの結合チューニングを行った。
  • MPI-CRoff: CRを無効にしたチューンにより、最良のパラメータセットが得られた。
  • MPI-CRon: CRを有効にしたチューンは、特にDrell–Yan過程において、CR-offのシナリオと比較して $\chi^2/\text{ndf}$ が実質的に半減するという、データを大幅に優れた記述を提供した。これは、実験データがカラー再結合の包含を支持していることを示している。
• エネルギー外挿: 著者らは、スケーリング指数 $\eta$ を用いて、次元を持つMPIパラメータ（$p_{\perp,0}$ および $p_{\perp,\min}$）のエネルギー・スケーリングを校正した。単一のサンプルを $\eta \in [0.0, 0.08]$ をカバーするように再重み付けすることで、最適な値 $\eta^* = 0.026$ を決定した。この単一のパラメータは、テバトロン ($\sqrt{s} = 1.96$ TeV) とLHC ($\sqrt{s} = 13$ TeV) のアンダーライン・イベント・データを同時に記述することに成功した。
• パフォーマンス: 再重み付けの実行時間は、変動の数に対して線形にスケールするが、等価な専用サンプルを生成する場合よりも大幅に高速である。有効サンプルサイズは、高精度なチューニングをサポートするのに十分な堅牢性を維持している。

意義と主張
本論文は、この再重み付け手法が現代のMCEGにおける重要なギャップを埋めるものであると主張しており、非摂当的なパラメータ空間の効率的な探索を可能にすると述べている。著者らは、この技術を以下のために不可欠なものとして位置づけている：

• パラメータ感度研究: パラメータの不確実性をオンザフライで堅牢に定量化することを可能にする。
• チューニング: ジェネレーターのチューニングに伴う計算コストを劇的に削減し、密なパラメータ空間のサンプリングを必要とするヒストリー・マッチング（HM）のような高度な手法の使用を容易にする。
• 将来のシミュレーション: 高輝度LHC時代において、非摂動的な不確実性の精密な制御が極めて重要となるための基盤を提供する。

著者らは、本手法はMPIおよびCRに対して実証されているものの、他のイベント生成器や他の非摂動的モデル（ハドロン化など）にも適応できるように設計されており、SHERPAのクラスター断片化および最小バイアス・シミュレーションへの拡張が今後の課題であると明示している。本手法は、すべてのケースにおいて専用実行に代わるものではなく、パラメータ感度研究や不確実性定量化の計算負荷を軽減するための強力なツールとして提示されている。