Determination of proton PDF uncertainties with Markov chain Monte Carlo

Dit artikel presenteert een analyse van proton-partonverdelingsfuncties met behulp van Markov Chain Monte Carlo-methoden om, gebaseerd op Bayesiaanse statistiek, realistische onzekerheden te bepalen die niet-Gaussische effecten en dataset-inconsistenties kunnen verwerken en een statistisch onderbouwde tolerantiecriteria voor de Hessiaan-methode bieden.

De kern

Stel je voor dat de protonen, de bouwstenen van de atoomkernen in je lichaam en in alles om je heen, niet als solide balletjes zijn, maar als een drukte van kleine deeltjes (quarks en gluonen) die razendsnel tegen elkaar aan botsen. Wetenschappers willen precies weten hoe deze deeltjes zich gedragen, zodat ze voorspellingen kunnen doen over wat er gebeurt in gigantische deeltjesversnellers zoals de LHC.

Deze "kaarten" van de deeltjes heten PDF's (Parton Distribution Functions). Het probleem is: we kunnen deze kaarten niet perfect tekenen. Er zit altijd een beetje onzekerheid in, net als bij een weersvoorspelling. "Het regent waarschijnlijk, maar misschien ook niet."

Dit artikel, geschreven door P. Risse en zijn team, gaat over een nieuwe manier om die onzekerheid veel beter te meten dan voorheen.

Het oude probleem: De "Rijbaan-methode"

Vroeger gebruikten wetenschappers een methode die ze de Hessian-methode noemen.

• De analogie: Stel je voor dat je een berg beklimt om de laagste punt (de vallei) te vinden. De Hessian-methode kijkt alleen naar de vorm van de vallei direct rondom dat laagste punt. Ze gaan er vanuit dat de vallei eruitziet als een perfecte, ronde kom (een parabool).
• Het nadeel: In de echte wereld zijn valleien vaak onregelmatig. Ze kunnen schuin zijn, oneffen, of zelfs twee laagste punten hebben. Als je alleen kijkt naar de perfecte kom-vorm, krijg je een verkeerd idee van hoe breed de vallei eigenlijk is. Je denkt dat je onzekerheid klein is, terwijl het misschien veel groter is.

De nieuwe oplossing: De "Zwerm-methode" (MCMC)

De auteurs gebruiken nu een techniek genaamd Markov Chain Monte Carlo (MCMC).

• De analogie: In plaats van alleen naar de bodem van de vallei te kijken, sturen ze duizenden kleine verkenners (een zwerm) de berg op. Elke verkener loopt een willekeurige route, maar houdt zich aan de regels: "Ga waar het laag is, maar probeer ook eens een andere kant op."
• Na verloop van tijd hebben deze verkenners de hele vallei grondig verkend. Ze weten precies hoe breed de vallei is, waar de hellingen steil zijn en waar het vlak is. Ze kunnen een echte kaart maken van alle mogelijke plekken waar de waarheid kan zitten, in plaats van te gokken op een perfecte vorm.

Waarom is dit zo belangrijk?

1. Geen aannames meer: De oude methode ging ervan uit dat alles "normaal" (Gaussisch) verdeeld is, zoals een klok. De nieuwe methode (MCMC) kijkt gewoon naar de feiten. Als de onzekerheid eruitziet als een scheve kom of een lange staart, ziet de computer dat direct.
2. Betere voorspellingen: Als je een experiment doet in een deeltjesversneller, wil je weten: "Zit mijn resultaat binnen de onzekerheidsmarge?" Met de oude methode kon het zijn dat je dacht dat je resultaat "buiten" de marge viel (en dus nieuw natuurkunde zou zijn), terwijl je eigenlijk gewoon een verkeerde onzekerheidsberekening had. Met de nieuwe methode is die marge eerlijker.
3. De "Tolerantie"-kwestie: Bij de oude methode moesten wetenschappers een getal kiezen (een "tolerantie") om te bepalen hoe breed de onzekerheid is. Dat was vaak een beetje gissen. Met de nieuwe methode kunnen ze dat getal rechtstreeks uit de data halen. Het is alsof je niet meer hoeft te raden hoe breed de rivier is, maar je meet het gewoon met een meetlint.

Wat hebben ze gedaan?

De auteurs hebben een enorme hoeveelheid data van verschillende experimenten (zoals HERA, LHC en Tevatron) samengevoegd. Ze hebben een supercomputer laten draaien met hun nieuwe "zwerm-methode" om duizenden mogelijke versies van de proton-kaart te genereren.

Het resultaat:
Ze hebben laten zien dat voor sommige onderdelen van het proton (zoals de "valentie-quarks") de oude methode de onzekerheid te klein inschatte. De nieuwe methode geeft een realistischer beeld. Het is alsof je opeens een bril opzet die je laat zien dat de mist in de vallei veel dichter is dan je dacht.

Conclusie

Dit artikel is een stap voorwaarts in de precisie van de deeltjesfysica. Door de "zwerm-methode" te gebruiken, krijgen we een eerlijker en robuuster beeld van de onzekerheden in onze kennis van het proton. Dat is cruciaal als we in de toekomst op zoek gaan naar nieuwe natuurkunde die het Standaardmodel overstijgt. Als je niet zeker weet hoe groot je eigen meetfout is, kun je nooit met zekerheid zeggen dat je iets nieuws hebt gevonden. Met deze nieuwe methode zijn die fouten nu veel beter in kaart gebracht.

Technische samenvatting

Titel: Bepaling van onzekerheden in de partonverdelingsfuncties (PDF) van het proton met Markov Chain Monte Carlo

Auteurs: P. Risse, N. Derakhshanian, T. Ježo, K. Kovařík, A. Kusina
Datum: 31 maart 2026 (voorgesteld)

---

1. Het Probleem

In de deeltjesfysica zijn Partonverdelingsfuncties (PDF's) cruciaal voor het begrijpen van de interne structuur van het proton en voor het maken van nauwkeurige voorspellingen voor experimenten bij de Large Hadron Collider (LHC). De onzekerheden in deze PDF's vormen vaak de dominante bron van theoretische fouten.

De huidige standaardmethode voor het schatten van deze onzekerheden is de Hessische methode. Deze methode heeft echter fundamentele beperkingen:

• Aannames: Ze veronderstelt dat de onzekerheden Gaussisch (normaal) verdeeld zijn en dat de datasets onderling consistent zijn.
• Tolerantie-criterium: De methode vereist een willekeurige keuze voor een $\Delta\chi^2$-tolerantie om het onzekerheidsgebied te definiëren. Er is geen theoretisch onderbouwde manier om deze tolerantie vast te stellen, wat leidt tot ad-hoc aanpassingen.
• Niet-lineariteit: Bij complexe modellen of wanneer data niet-lineair op de parameters reageren, faalt de kwadratische benadering rond het minimum, wat leidt tot onnauwkeurige onzekerheidsschattingen.

Het doel van dit onderzoek is om een statistisch robuustere methode te ontwikkelen die deze beperkingen overbrugt en realistischere onzekerheden levert, zelfs bij niet-Gaussische verdelingen.

2. Methodologie

De auteurs gebruiken Markov Chain Monte Carlo (MCMC) methoden om direct te bemonsteren uit de onderliggende kansverdeling van de PDF-parameters. Dit is een Bayesiaanse aanpak die de volledige posterior-verdeling verkent in plaats van alleen het minimum te benaderen.

Kernonderdelen van de analyse:

• Data: De analyse gebruikt een brede set data, waaronder:
  • Diep Inelastische Verstrooiing (DIS) van HERA, BCDMS en NMC.
  • Drell-Yan en W/Z-boson productie data van de Tevatron en LHC (ATLAS, CMS, LHCb).
  • Totaal: 1984 datapunten na kinematische selectie.
• Theorie: Berekeningen worden uitgevoerd op NNLO-niveau (Next-to-Next-to-Leading Order) in QCD. Zware quark-massaeffecten worden behandeld met het aSACOT-$\chi$-schema.
• Parametrizatie: PDF's worden geparametriseerd bij een initiële schaal $Q_0 = 1.3$ GeV met een functionele vorm geïnspireerd op de CJ15-analyse. Er zijn 15 vrije parameters die worden gevarieerd.
• Algoritme: Er wordt gebruikgemaakt van het Adaptive Metropolis-Hastings (aMH) algoritme.
  • Dit algoritme past de covariantiematrix van de voorstelverdeling (proposal distribution) dynamisch aan op basis van de reeds gegenereerde steekproeven, wat de efficiëntie en menging (mixing) van de keten verbetert.
  • Er zijn 36 onafhankelijke Markov-ketens gegenereerd om convergentie te garanderen en lokale minima te vermijden.
• Verwerking:
  • Thermalisatie: De eerste 140.000 stappen van elke keten worden verwijderd om de "burn-in" fase te elimineren.
  • Thinning: Om autocorrelatie te verwijderen, wordt elke keten "geplukt" (thinned) met een factor $\eta = 3000$. Dit resulteert in een totaal van 4068 onafhankelijke steekproeven (PDF-sets).
  • Prior: Er wordt een uniforme prior gebruikt voor de meeste parameters, behalve voor de parameter $p_4^{dv}$, waar een begrenzing wordt opgelegd om normaliseerbaarheid te garanderen zonder de fit te verstoren.

3. Belangrijkste Bijdragen

1. Directe Bemonstering van de Posterior: In tegenstelling tot de Hessische methode, die een lineaire benadering maakt, levert MCMC direct toegang tot de volledige kansverdeling van de parameters. Dit maakt het mogelijk om niet-Gaussische eigenschappen en asymmetrieën in de onzekerheden correct te modelleren.
2. Statistisch Onderbouwd Tolerantie-criterium: De auteurs tonen aan dat MCMC gebruikt kan worden om de $\Delta\chi^2$-waarde te bepalen die correspondeert met een bepaald betrouwbaarheidsniveau (bijv. 90%). Deze waarde kan vervolgens worden gebruikt als een wiskundig onderbouwd tolerantie-criterium voor de Hessische methode, waardoor een van de grootste zwakke punten van die methode wordt opgelost.
3. Omgaan met Zwak Geconstraineerde Parameters: De methode slaagt erin om parameters te behandelen die slecht geconstraineerd zijn door de data (zoals $p_4^{dv}$), wat in traditionele Hessische analyses vaak leidt tot het vastzetten van parameters of instabiele resultaten.
4. Vergelijkende Analyse: Een uitgebreide vergelijking tussen verschillende methoden voor het definiëren van onzekerheden (symmetrisch, asymmetrisch, en cumulatieve $\chi^2$) en de traditionele Hessische aanpak.

4. Resultaten

• Convergentie: De 36 ketens convergeren allemaal naar hetzelfde minimum, wat de stabiliteit van de analyse bevestigt.
• Niet-Gaussische Verdelingen: De analyse toont aan dat de verdeling van bepaalde parameters (met name die gerelateerd aan de valentie-quarks $uv$ en $dv$) duidelijk niet-Gaussisch en asymmetrisch zijn.
  • De Hessische methode levert hier symmetrische onzekerheidsbanden op die de werkelijke onzekerheid vaak onderschatten of overschatten.
  • De MCMC-methode (specifiek de "cumulative $\chi^2$" benadering) vangt deze asymmetrieën en lange staarten in de verdeling correct op.
• Vergelijking met Hessische Methode:
  • Voor parameters die ongeveer Gaussisch zijn verdeeld (zoals de gluon en $\bar{d}+\bar{u}$), komen de resultaten van de MCMC en Hessische methode goed overeen.
  • Voor niet-Gaussische parameters wijken de onzekerheden sterk af. De MCMC-onzekerheden zijn vaak groter en asymmetrischer.
  • De auteurs bepalen dat een $\Delta\chi^2$ van ongeveer 21.4 overeenkomt met een 90% betrouwbaarheidsinterval voor hun setup, wat als een objectieve tolerantie kan dienen.
• Onzekerheidspropagatie: De methode maakt een eenvoudige en directe propagatie van onzekerheden naar PDF-afhankelijke observabelen mogelijk, waarbij de probabilistische interpretatie behouden blijft.

5. Betekenis en Toekomstperspectief

Dit paper demonstreert dat MCMC een superieur alternatief is voor de standaard Hessische methode bij het bepalen van PDF-onzekerheden, vooral in het licht van de toenemende precisievereisten van de Hoge-Luminositeit LHC (HL-LHC).

• Betrouwbaarheid: Het biedt een statistisch onderbouwde manier om onzekerheden te schatten zonder afhankelijk te zijn van de vaak onjuiste aanname van Gaussische fouten.
• Toekomstige Toepassingen: De methode is bijzonder relevant voor complexe scenario's zoals de bepaling van nucleaire PDF's (nPDF's), waar de data schaarser is en de parameter ruimte breder, wat de kans op niet-Gaussische gedragingen vergroot.
• Beperkingen: De auteurs erkennen dat de huidige implementatie computatieel intensief is en dat de efficiëntie afneemt bij zeer hoge dimensies. Toekomstig werk richt zich op het gebruik van geavanceerdere algoritmen zoals Hamiltonian Monte Carlo om de autocorrelatie verder te verminderen.

Kortom, deze studie legt de basis voor een nieuwe generatie PDF-analyses die robuuster zijn tegenover statistische complexiteiten en een betrouwbaardere basis bieden voor het zoeken naar nieuwe fysica.