Binned and Unbinned Transverse Single Spin Asymmetry Extraction, including Background Subtraction and Unfolding

Dit artikel presenteert algemene methoden voor het extraheren van transversale enkele-spin-asymmetrieën uit gebinnde en ongebinned data, waarbij rekening wordt gehouden met variaties in polarisatie, luminositeitsverschillen, achtergrondaftrek en het ontwarren van kinematische variabelen die door detector-effecten zijn vervormd.

De kern

Stel je voor dat je een grote danszaal binnenloopt waar duizenden mensen (deeltjes) met elkaar dansen. Je wilt weten of er een geheim ritme is dat de dansers dwingt om in een bepaalde richting te draaien. Dit "geheim ritme" noemen natuurkundigen de transversale spin-asymmetrie. Het is een maatstaf voor hoe de "spin" (een soort interne rotatie) van de deeltjes hun beweging beïnvloedt.

Dit wetenschappelijke artikel beschrijft hoe je dit ritme kunt meten, zelfs als de danszaal een beetje rommelig is, de muziek soms stilvalt, of er veel mensen zijn die niet eens aan het dansen zijn (achtergrondruis).

Hier is de uitleg in gewone taal, met een paar creatieve vergelijkingen:

1. Het Grote Probleem: Een rommelige danszaal

In een perfect experiment zou je twee groepen dansers hebben: die met hun "spin" naar boven en die met hun "spin" naar beneden. Als je goed kijkt, zie je dat de ene groep iets meer naar links draait dan de andere. Dat verschil is je asymmetrie.

Maar in de echte wereld is het nooit perfect:

• De lichten flakkeren: Soms is de "polarisatie" (hoe sterk de spin is) niet even groot voor beide groepen.
• Verschillende aantallen: Je hebt misschien meer dansers met spin-omhoog dan met spin-omlaag.
• De ruis: Er zijn mensen in de zaal die niet dansen, maar gewoon rondlopen (achtergronddeeltjes). Die verstoren je meting.
• De trage camera: Je camera (de detector) is niet scherp genoeg. Je ziet de dansers niet precies waar ze zijn, maar een beetje "wazig" (dit heet "smearing").

De auteurs van dit paper zeggen: "Geen paniek! We hebben nieuwe manieren bedacht om het ritme toch precies te meten, of je nu de dansers in hokjes telt (binned) of ze één voor één bekijkt (unbinned)."

2. Methode A: De "Hokjes-methode" (Binned Analysis)

Stel je voor dat je de dansvloer verdeelt in vierkante tegels. Je telt hoeveel mensen in elke tegel staan.

• Het probleem: Als er veel "niet-dansers" (achtergrond) in de tegels staan, moet je die aftrekken.
• De oplossing: De auteurs gebruiken een slimme truc met "randtegels" (sidebands). Ze kijken naar de tegels net naast de dansvloer waar alleen de ruis staat. Ze gebruiken die om te schatten hoeveel ruis er op de echte dansvloer staat, en trekken dat af.
• De balans: Als je meer mensen met spin-omhoog hebt dan spin-omlaag, geef je de spin-omlaag-mensen een "zwaarder gewicht" in je berekening, zodat ze evenveel tellen. Het is alsof je een weegschaal hebt: als één kant lichter is, leg je er een gewichtje bij om het evenwicht te herstellen.

3. Methode B: De "Individuele-bekijk-methode" (Unbinned Maximum Likelihood)

In plaats van in hokjes te tellen, kijkt deze methode naar elke danser individueel.

• De kracht: Je neemt de positie, de richting en de kracht van de spin van elke persoon apart.
• De slimme weging: Als je merkt dat de groep "spin-omhoog" veel groter is dan "spin-omlaag", geef je elke danser in de grote groep een klein "negatief" stemmetje, en elke danser in de kleine groep een "positief" stemmetje. Zo wordt het totaalbeeld eerlijk.
• De achtergrond: Als je weet dat een bepaalde persoon een "niet-danser" is (achtergrond), geef je die persoon een negatief stemmetje. Het is alsof je in een verkiezing iemand die niet mag stemmen, een stem geeft die je later weer aftrekt.

Waarom is dit cool?
De auteurs tonen aan dat je zelfs als de camera wazig is (de "smearing"), je het ritme nog steeds kunt vinden. Ze gebruiken een soort "rekenmachine" (gebaseerd op kunstmatige intelligentie en statistiek) die de wazigheid terugrekent naar de scherpte.

4. De "OmniFold": De Magische Spiegel

Voor het geval de camera heel erg wazig is, gebruiken ze een techniek genaamd OmniFold.

• De analogie: Stel je voor dat je een foto maakt van een danser, maar de foto is heel erg wazig. Je hebt ook een perfecte, scherpe foto van hoe de danser had moeten zijn (een simulatie).
• De truc: Je vergelijkt de wazige foto met de scherpe simulatie. Je past de scherpe foto een beetje aan (door gewichten toe te kennen) totdat hij er precies uitziet als de wazige foto.
• Het resultaat: Als je de scherpe foto zo hebt aangepast dat hij de wazige foto perfect nabootst, weet je dat de aanpassingen die je hebt gedaan, precies de "wazigheid" van de camera weergeven. Je kunt die aanpassingen dan omdraaien op je echte data om de scherpe, ware dans te zien.

Conclusie: Waarom is dit belangrijk?

Vroeger moesten natuurkundigen kiezen: of je deed het simpel maar onnauwkeurig, of je deed het complex maar riskant.
Dit paper zegt: "Je kunt het allebei."
Of je nu een simpele telformule gebruikt of een super-complexe statistische berekening, als je de juiste "gewichten" (weights) gebruikt om onbalans in de data en achtergrondruis te corrigeren, krijg je altijd het juiste antwoord.

Het is alsof je een recept hebt dat werkt, of je nu een snelle handmixer gebruikt of een dure keukenmachine: zolang je de ingrediënten (de data) goed afweegt, wordt de taart (het resultaat) perfect.

Kortom: De auteurs hebben een universele handleiding geschreven voor het meten van de "dans" van subatomaire deeltjes, zelfs als de dansvloer vol zit met ruis, de lichten flakkeren en je camera een beetje wazig is.

Technische samenvatting

Titel

Binned en Unbinned Extractie van Transversale Enkele-Spin Asymmetrie, inclusief Achtergrondsubstitutie en Ontvouwing (Unfolding).

1. Het Probleem

In kern- en deeltjesfysica-experimenten met gepolariseerde bundels en/of targets wordt de transversale enkele-spin asymmetrie ($A_N$) bepaald om spin-momentum correlaties te bestuderen. De extractie van $A_N$ uit de azimuthale hoekverdeling ($\phi$) wordt echter geconfronteerd met diverse uitdagingen:

• Variabele polarisatie: De grootte van de polarisatie ($P$) kan in de tijd fluctueren of verschillen tussen de spin-up en spin-down toestanden.
• Onbalans in luminositeit: De geïntegreerde luminositeit ($L$) kan verschillen tussen de verschillende spin-toestanden of targetmaterialen.
• Achtergrond: Signaalevents (foreground) worden vaak verstoord door achtergrondevents met dezelfde kinematische kenmerken maar een andere asymmetrie.
• Detector-effecten: De reconstructie van kinematische variabelen (zoals de azimuthale hoek $\phi$) is imperfect, wat leidt tot "smearing" (vervaging) en bin-migratie. Dit vereist vaak een "ontvouwings" (unfolding) procedure om de ware fysische verdeling te herstellen.

Bestaande methoden zijn vaak te specifiek voor ideale omstandigheden (gelijke polarisatie, gelijke luminositeit, geen achtergrond) en missen een algemene aanpak die al deze complicaties simultaan kan behandelen.

2. Methodologie

De auteurs ontwikkelen een algemene raamwerk voor het bepalen van $A_N$ dat zowel binned (gebindeerde) als unbinned (ongebindeerde) analyses omvat, en dat uitgebreid wordt met technieken voor achtergrondonderdrukking en ontvouwing.

A. Binned Analyse (zonder ontvouwing)

• Er wordt een formule afgeleid voor de genormaliseerde experimentele asymmetrie in een bin, rekening houdend met verschillende polarisaties ($P^\pm$) en luminositeiten ($L^\pm$) voor spin-up (+) en spin-down (-).
• Achtergrondsubstitutie: Een "sideband"-methode wordt gebruikt om de achtergrond te modelleren. De verhouding tussen achtergrond en signaal ($f_B$) wordt geschat uit de sideband-yields.
• De uiteindelijke formule voor $A_F$ (foreground asymmetrie) corrigeert voor de achtergrondasymmetrie en de onbalans in $P$ en $L$.

B. Unbinned Analyse (Maximum Likelihood)

• In plaats van te binne, wordt een log-likelihood functie ($\ln \mathcal{L}$) gemaximaliseerd over individuele events.
• Experimentele Gewichten ($w^{exp}$): Om onbalans in luminositeit en polarisatie te corrigeren, krijgen events gewichten toegekend. De auteurs leiden af dat de gewichten omgekeerd evenredig moeten zijn met het product $L \cdot P$:
  $$w^\pm = \frac{L^+ P^+ + L^- P^-}{2 L^\pm P^\pm}$$
  Dit zorgt ervoor dat de likelihood-functie een onbevooroordeelde schatting van $A_N$ oplevert, zelfs bij grote onbalans.
• Achtergrond: Achtergrondevents krijgen een negatief gewicht in de log-likelihood som, wat effectief een aftrekking realiseert zonder het binning-proces.
• Benadering: Voor kleine asymmetrieën wordt een analytische oplossing voor de maximale likelihood afgeleid (vergelijking 3.14), wat numeriek efficiënter is dan volledige optimalisatie.

C. Ontvouwing (Unfolding)

Om detector-smearing te corrigeren, worden drie methoden getest:

1. Ontvouwing van gebinnde data, gevolgd door binned analyse.
2. Ontvouwing van ongebinned data, gevolgd door binning en binned analyse.
3. Ontvouwing van ongebinned data, gevolgd door unbinned likelihood-optimalisatie.

Voor de ontvouwing wordt gebruikgemaakt van de OmniFold-algoritme (een iteratieve methode die gebruikmaakt van machine learning, specifiek Boosted Decision Trees, om de verdeling op detector-niveau te herschalen naar de waarheid-niveau verdeling). Ook wordt een methode getest waarbij een "likelihood-ratio trick" met een neurale netwerken wordt gebruikt om events te herschalen.

3. Key Contributions (Belangrijkste Bijdragen)

• Algemene Formules: Afleiding van formules die geldig zijn voor willekeurige combinaties van ongelijke polarisaties, ongelijke luminositeiten en achtergrondmetingen.
• Unbinned Gewichten: Een strikte afleiding van de correcte experimentele gewichten ($w^{exp}$) voor unbinned analyses om systematische fouten door onbalans te elimineren.
• Negatieve Gewichten voor Achtergrond: Demonstratie dat het toekennen van negatieve gewichten aan achtergrondevents in een unbinned log-likelihood analyse een correcte achtergrondsubstitutie mogelijk maakt.
• Integratie van Ontvouwing: Een uitgebreide vergelijking van hoe ontvouwingsalgoritmen (zoals OmniFold) kunnen worden gecombineerd met zowel binned als unbinned asymmetrie-extractie.
• Validatie: Uitgebreide Monte Carlo-simulaties die de robuustheid van de methoden testen onder extreme omstandigheden (bijv. cosinus-afhankelijke detector-efficiëntie die de signaalvorm nabootst).

4. Resultaten

De methoden zijn getest met gegenereerde datasets (200.000 tot 500.000 events) met verschillende complexiteiten:

• Juistheid: Zowel de binned als de unbinned methoden leveren resultaten op die binnen één standaardafwijking liggen van de ingevoerde "waarheid" ($A_N = 0.2$), zelfs bij grote onbalans in $P$ en $L$.
• Robuustheid tegen Efficiëntie: De unbinned methode met de juiste gewichten is immuun voor detector-efficiënties die een cos $\phi$-afhankelijkheid hebben (wat vaak een bron van bias is). Zonder spin-flipping of zonder correcte gewichten faalt de methode bij dergelijke efficiënties.
• Achtergrond: De methode met negatieve gewichten voor achtergrond levert correcte resultaten, zelfs als de achtergrond een eigen asymmetrie heeft.
• Ontvouwing:
  • Bij "zwakke smearing" presteren alle drie de ontvouwingsmethoden vergelijkbaar goed.
  • Bij "sterke smearing" vertoont de unbinned ontvouwing gevolgd door unbinned likelihood-analyse (methode 3) de minst systematische bias en de beste stabiliteit, hoewel de statistische onzekerheid toeneemt bij complexe scenario's.
  • De convergentie van OmniFold vereist meer iteraties bij sterke smearing (8 iteraties vs. 4 voor zwakke smearing).

5. Significantie

Dit artikel biedt een compleet en flexibel raamwerk voor de analyse van transversale enkele-spin asymmetrieën in moderne experimenten.

• Het lost het probleem op van variabele experimentele condities (polarisatie/luminositeit) die vaak voorkomen in echte data, zonder dat er complexe correcties per bin nodig zijn.
• Het valideert dat unbinned maximum likelihood-methoden, wanneer ze correct worden gewogen, superieur of gelijkwaardig zijn aan binned methoden, vooral bij het hanteren van complexe achtergronden en detector-effecten.
• Het demonstreert dat de combinatie van OmniFold en unbinned likelihood een krachtige aanpak is om systematische fouten door detector-smearing te minimaliseren, wat essentieel is voor de precisie van toekomstige experimenten in de deeltjes- en kernfysica.

De auteurs concluderen dat hun aanpak een "common knowledge" uitbreidt met nieuwe, rigoureuze methoden die direct toepasbaar zijn in complexe experimentele setups.