Technisch overzicht: Unbinning van globale LHC-analyses

Probleemstelling

De extractie van informatie uit hoogdimensionale event-data bij de Large Hadron Collider (LHC) is een knelpunt geworden voor precisiefysica. Traditionele inferiemethoden vertrouwen op het reduceren van data naar weinigdimensionale histogrammen, een proces waarbij significante kinematische informatie verloren gaat door dimensionaliteitsreductie en binning. Hoewel Neural Simulation-Based Inference (SBI) een superieur rendement heeft getoond ten opzichte van histogramgebaseerde methoden voor individuele processen, blijft het onduidelijk of deze voordelen standhouden in globale analyses waarbij meerdere processen worden gecombineerd om Standard Model Effective Field Theory (SMEFT) parameters te beperken. Dit artikel adresseert de kloof in het begrip van hoe SBI presteert wanneer het wordt toegepast op een globale combinatie van di-boson processen, waarbij specifiek wordt onderzocht of het vermogen om degeneratieve theoretische parameters te ontwarren verder reikt dan enkelvoudige processtudies.

Methodologie

De auteurs maken gebruik van een neural simulation-based inference framework om likelihood-ratio's zonder binning te schatten, waarbij zij deze resultaten vergelijken met traditionele histogramgebaseerde limieten en totale rate-beperkingen.

Likelihood-leren via afgeleide-leren:
In plaats van de likelihood-ratio direct te leren bij specifieke benchmarkpunten, maken de auteurs gebruik van een afgeleide-lerende aanpak. Gegeven de SMEFT-Lagrangiaan structuur $L_{SMEFT} = L_{SM} + \sum_i \theta_i O_i$, waarbij $\theta_i$ Wilson-coëfficiënten zijn, wordt de differentiële dwarsdoorsnede-ratio $R(x|\theta, \theta_0)$ geëxpandeerd tot de tweede orde in $\theta$. Het neurale netwerk wordt getraind om de coëfficiënten van deze expansie ($R_i(x)$ en $R_{ij}(x)$) te leren met behulp van parton-niveau ratio's als targets. Dit maakt het mogelijk om de reconstructie-niveau likelihood-ratio te reconstrueren voor elke $\theta$ via:
$$r(x|\theta, \theta_0) \approx 1 + (\theta - \theta_0)_i R_{\phi,i}(x) + (\theta - \theta_0)_i (\theta - \theta_0)_j R_{\phi,ij}(x)$$
waarbij $R_{\phi}$ de neurale netwerk-schatters vertegenwoordigt.

Achtergrondafhandeling:
Om rekening te houden met achtergronden, splitsen de auteurs de gekwadrateerde matrix-element op in signaal-, achtergrond- en interferentiecomponenten. Omdat interferentie verwaarloosbaar is voor de overwogen processen, wordt de likelihood gemodelleerd als een som van signaal- en achtergrond-waarschijnlijkheden. Een signaal-achtergrond classifier wordt getraind om de ratio $\omega(x) = p_{sig}(x)/p_{bkg}(x)$ te schatten, die vervolgens wordt gebruikt om de volledige likelihood-ratio te construeren. Om te garanderen dat het likelihood-minimum bij de referentiehypothese ($\theta_0$) blijft ondanks numerieke imperfecties, dwingen de auteurs analytisch het verdwijnen van de eerste afgeleide van de log-likelihood bij $\theta_0$ af door de termen van de signaal-dwarsdoorsnede-afgeleide aan te passen.

Fractionele verbreding (Fractional Smearing):
Om numerieke instabiliteit door outlier-events met grote afgeleiden te mitigeren, wordt een "fractional smearing" techniek toegepast. Events met grote afgeleiden worden meerdere malen ($n$) door de parton shower en detector-simulatie gestuurd, waarbij elk resulterend event een gewicht van $1/n$ krijgt toegewezen. Deze gewichten worden geïntegreerd in de Mean Squared Error (MSE) loss-functie tijdens de training.

Analyse-opzet:
De studie richt zich op vier di-boson processen: $WW$, $WZ$, $WH$ en $ZH$ productie.

• Operatoren: Zes dimensie-6 SMEFT operatoren worden overwogen: $O_{\Phi D}$, $O_{\Phi W}$, $O_{\Phi B}$, $O_{\Phi W B}$, $O^{(3)}_{\Phi q}$, en $O_{WWW}$.
• Data: Events worden gegenereerd bij $\sqrt{s} = 13.6$ TeV met behulp van MADGRAPH5_AMC@NLO, PYTHIA8, en DELPHES. Een geïntegreerde luminositeit van $300 \text{ fb}^{-1}$ wordt verondersteld.
• Vergelijking: Resultaten worden vergeleken met:
  1. Parton-niveau likelihoods (theoretische bovengrens).
  2. Totale rate limieten (ondergrens van sensitiviteit).
  3. Reconstructie-niveau histogrammen met standaard observabelen en binning (bijv. STXS fase 1.2).
  4. Reconstructie-niveau SBI limieten.

Systematische onzekerheden worden genegeerd om de winst in kinematische informatie te isoleren, hoewel de auteurs opmerken dat SBI naar verwachting beter met systematiek om kan gaan door kinematische effecten te decorreleren van theoretische parameters.

Belangrijkste Bijdragen en Resultaten

1. Prestaties van enkelvoudige processen:
Voor elk individueel proces ($WW$, $WZ$, $WH$, $ZH$) levert de SBI-aanpak consistent nauwere restricties op de Wilson-coëfficiënten vergeleken met histogramgebaseerde methoden.

• Ontwarren van degeneratie: Het primaire voordeel van SBI is het vermogen om degeneraties tussen operatoren te doorbreken die de totale rates vergelijkbaar beïnvloeden maar de kinematische distributies verschillend veranderen. Bijvoorbeeld, in $WZ$ productie worstelt de histogram-aanpak met het onderscheiden van $c_{\Phi W B}$ en $c_{\Phi D}$, terwijl SBI de limieten in dit vlak aanzienlijk aanscherpt.
• Polarisatie-gevoeligheid: In $ZH$ productie is de histogram-observabele ($p_T^Z$) ongevoelig voor de $Z$-boson polarisatie, wat leidt tot een volledige degeneratie tussen $c_{\Phi W}$, $c_{\Phi B}$, $c_{\Phi W B}$, en $c_{\Phi D}$ in eendimensionale geprofileerde limieten. SBI maakt gebruik van de volledige faseruimte, doorbreekt deze degeneratie en beperkt alle vier de coëfficiënten individueel.
• Robuustheid tegen achtergrond: Zelfs in kanalen met significante achtergrondbijdragen (bijv. $ZH$ met $Zb\bar{b}$ achtergrond), presteert SBI beter dan histogrammen, waarbij het informatie extraheert waar histogrammen niet verder komen dan de totale rate.

2. Globale Gecombineerde Analyse:
Het artikel demonstreert dat de voordelen van SBI standhouden en worden versterkt wanneer alle vier de processen worden gecombineerd.

• Complementariteit: Verschillende processen beperken verschillende richtingen in de parameterruimte (bijv. $WZ$ beperkt $c_{\Phi W B}$, $WH$ beperkt $c_{\Phi W}$).
• Superieur in Combinatie: De gecombineerde SBI-limieten zijn aanzienlijk sterker dan gecombineerde histogram-limieten. Voor coëfficiënten zoals $c_{\Phi D}$, $c_{\Phi W}$, $c_{\Phi W B}$, en $c_{\Phi B}$, zijn de SBI-limieten ongeveer een factor 2 sterker dan de histogram-limieten.
• Luminositeit Equivalent: De auteurs schatten dat om dezelfde sensitiviteit als de SBI-aanpak met de histogrammethode te bereiken, een factor $\sim 4$ meer data vereist zou zijn voor de meest degeneratieve coëfficiënten (uitgaande van standaard schaling met $\mathcal{L}^{-1/2}$). Zelfs voor coëfficiënten waar histogrammen gevoeliger zijn (bijv. $c_{WWW}$), biedt SBI een sensitiviteitswinst van $\sim 30\%$.

3. Validatie:
De auteurs hebben de empirische dekking van de geleerde likelihoods geverifieerd. Voor de meeste parameter-vlakken komt de empirische dekking overeen met het nominale betrouwbaarheidsniveau. In enkele gevallen (bijv. $c_{WWW}$ in $WW$ productie) was de likelihood licht onderconfident (conservatief), wat suggereert dat de restricties met meer trainingsdata verder aangescherpt kunnen worden.

Betekenis en Claims

Het artikel claimt aan te tonen dat neural simulation-based inference niet louter een verbetering is voor enkelvoudige procesanalyses, maar essentieel is voor het ontsluiten van het volledige potentieel van globale LHC-analyses. De auteurs stellen dat:

• Globale Ontwarring: SBI is uniek effectief in het ontwarren van meerdere theoretische parameters in een globale context waar traditionele gebinde histogrammen falen door informatieverlies en degeneraties.
• Schaalbaarheid: De afgeleide-lerende aanpak maakt de eenvoudige inclusie van meerdere operatoren en processen mogelijk zonder een combinatorische explosie in complexiteit.
• Toekomstbestendigheid: Naarmate de LHC-datasets groeien, zal het informatieverlies inherent aan binning steeds problematischer worden. SBI biedt een pad om de volledige hoogdimensionale event-informatie te benutten, wat potentieel gelijk staat aan een verdubbeling of verviervoudiging van de effectieve luminositeit voor specifieke SMEFT-restricties.

De auteurs concluderen dat hoewel hun analyse bepaalde aspecten vereenvoudigt (door het negeren van systematiek en sub-leidende achtergronden), het aanhoudende voordeel van SBI over histogramgebaseerde methoden in een globale SMEFT-context suggereert dat SBI geïntegreerd moet worden in toekomstige globale fits om het fysieke bereik van de LHC te maximaliseren.