⚛️ phenomenology

Parton distribution functions and theory parameters: an NNPDF perspective

In deze bijdrage presenteert het NNPDF-team de stand van zaken en uitdagingen bij de bepaling van parton-distributiefuncties, met name in de context van gezamenlijke extracties met fundamentele Standaardmodel-parameters en SMEFT-coëfficiënten.

Oorspronkelijke auteurs: Richard D. Ball, Tommaso Giani, Felix Hekhorn, Jaco ter Hoeve, Tanjona R. Rabemananjara, Juan Rojo, Roy Stegeman, Maria Ubiali

Gepubliceerd 2026-03-02

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Richard D. Ball, Tommaso Giani, Felix Hekhorn, Jaco ter Hoeve, Tanjona R. Rabemananjara, Juan Rojo, Roy Stegeman, Maria Ubiali

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Proton als een onbekende stad: Hoe wetenschappers de kaart tekenen én de wetten van de stad ontdekken

Stel je voor dat het proton (het deeltje waar atomen van zijn gemaakt) een enorme, levende stad is. Maar we kunnen niet naar binnen kijken; we kunnen alleen zien wat er gebeurt als we er met hoge snelheid doorheen vliegen (zoals in de Large Hadron Collider, of LHC).

Om te begrijpen hoe deze stad werkt, hebben wetenschappers een kaart nodig. Deze kaart heet PDF (Parton Distribution Functions). Het laat zien waar de bewoners (deeltjes zoals quarks en gluonen) wonen en hoe snel ze bewegen.

Maar hier is het probleem: om de kaart perfect te tekenen, moeten we de regels van de stad kennen (zoals de zwaartekracht of de snelheidslimiet). En om de regels te ontdekken, hebben we een perfecte kaart nodig. Het is een kip-en-ei-probleem!

Dit artikel van het NNPDF-team (een groep wetenschappers) vertelt hoe ze dit probleem oplossen. Ze zeggen: "Laten we de kaart en de regels tegelijkertijd leren."

Hier is hoe ze dat doen, in simpele taal:

1. De oude manier: Eerst de kaart, dan de regels

Vroeger deden wetenschappers het zo:

Ze maakten een kaart op basis van oude data.
Vervolgens gebruikten ze die kaart om nieuwe regels te meten (bijvoorbeeld: hoe zwaar is de top-quark? Hoe sterk is de 'kleefkracht' tussen deeltjes?).
Het probleem: Als je kaart niet helemaal klopt, zijn je metingen van de regels ook fout. En als je de regels verkeerd hebt, is je kaart ook niet goed. Het is alsof je probeert de snelheid van een auto te meten met een meetlint dat zelf ook rekken kan.

2. De nieuwe manier: Alles tegelijk (De "Simultane Fit")

Het NNPDF-team heeft een slimme nieuwe aanpak ontwikkeld. Ze zeggen: "Laten we de kaart tekenen én de regels meten op hetzelfde moment."

Ze gebruiken drie slimme methoden om dit te doen:

De "Kopieer- en Test"-methode (CRM):
Stel je voor dat je 100 verschillende versies van de stad maakt (virtuele steden). In elke versie proberen ze de regels een beetje anders. Ze kijken welke combinatie van kaart en regels het beste past bij de data die ze hebben. Zo krijgen ze een "gemiddelde" kaart en een "gemiddelde" regel, maar ook een idee van hoe onzeker ze zijn.
De "Verschuivings-methode" (TCM):
Dit is alsof je een schuifregelaar hebt voor de regels. Je schuift de regel een klein beetje op en kijkt hoe de kaart moet veranderen om daar nog steeds bij te passen. Als je dit vaak doet, zie je precies hoe de kaart en de regel met elkaar verbonden zijn.
De "Neural Net"-methode (SIMUnet):
Ze gebruiken een kunstmatige intelligentie (een computerhersenen) die niet alleen de kaart leert, maar ook de regels als extra knoppen heeft. De computer traint zichzelf om zowel de kaart als de knoppen zo goed mogelijk te laten passen bij de data.

3. Waarom is dit zo belangrijk?

A. Het vinden van de "Top" (Top-quark massa)
Stel je voor dat je de massa van een zware vrachtwagen (de top-quark) wilt meten. Maar je weegschaal (de kaart) is niet helemaal stabiel. Als je de kaart en de massa tegelijkertijd aanpast, krijg je een veel nauwkeuriger gewicht. Het artikel laat zien dat ze nu de massa van de top-quark en de sterkte van de kernkracht (αs) veel preciezer kunnen meten dan voorheen.

B. Het opsporen van "Buitenlanders" (Nieuwe fysica)
Dit is het spannendste deel. Soms zien we in de data iets vreemds, iets dat niet in de standaardregels past. Dit zou nieuwe fysica kunnen zijn (de "Buitenlanders" of BSM).

Het gevaar: Als je de kaart niet goed hebt, kan het zijn dat de kaart zelf "vervormt" om die vreemde data te verklaren. De kaart wordt dan zo gekleurd dat het vreemde signaal verdwijnt. Het lijkt alsof er niets vreemds is, terwijl er wel iets is!
De oplossing: Door de kaart en de nieuwe regels tegelijkertijd te fiten, kunnen ze zien of het signaal echt nieuw is of gewoon een fout in de kaart. Het artikel laat zien dat als je dit niet doet, je een nieuw deeltje (zoals een zware W'-boson) volledig kunt missen omdat je kaart het "oplost".

4. De "Sluitingstest" (De Proef op de Som)

Hoe weten ze dat hun methode werkt? Ze doen een Sluitingstest.
Stel je voor dat ze een virtuele stad maken waarvan ze precies weten hoe de kaart en de regels zijn. Dan laten ze hun computer de kaart en regels opnieuw "leren" op basis van die virtuele data.

Als de computer de juiste regels terugvindt, werkt de methode.
Als de computer de verkeerde regels vindt, weten ze dat hun methode een foutje heeft.
Het artikel laat zien dat hun methode deze test bestaat, maar dat ze wel oppassen moeten voor bepaalde beperkingen (zoals het feit dat sommige dingen niet negatief kunnen zijn, wat de statistiek een beetje verstoort).

Conclusie

Kort samengevat:
De wetenschappers van NNPDF hebben een manier bedacht om de kaart van het universum en de wetten van de natuur tegelijkertijd te leren. Dit zorgt voor:

Betere kaarten: Preciezere voorspellingen voor deeltjesversnellers.
Betere regels: Preciezere metingen van de massa's en krachten.
Betere detectie: Een grotere kans om echt nieuwe, vreemde deeltjes te vinden, in plaats dat ze per ongeluk in de kaart worden "weggewerkt".

Het is alsof ze niet alleen de wegen van de stad tekenen, maar ook tegelijkertijd de verkeersregels herschrijven, zodat ze nooit meer in de war raken over wat echt is en wat een fout in de kaart.

Titel: Deelverdelingsfuncties en theorieparameters: een NNPDF-perspectief

Auteurs: Richard D. Ball et al. (NNPDF-collectief)
Datum: 27 februari 2026 (arXiv:2602.24005v1)

1. Het Probleem

Deelverdelingsfuncties (Parton Distribution Functions, PDFs) beschrijven de interne structuur van de protonen en zijn essentieel voor het maken van theoretische voorspellingen voor observabelen aan de Large Hadron Collider (LHC). Er bestaat een fundamentele koppeling tussen de nauwkeurigheid van deze PDFs en de extractie van fundamentele parameters van het Standaardmodel (SM) en Beyond the Standard Model (BSM).

Afhankelijkheid: Extracties van parameters zoals de sterke koppelingsconstante $\alpha_s(m_Z)$ , de topquark-massa ( $m_t$ ), de W-bosonmassa ( $m_W$ ) en SMEFT-coëfficiënten worden sterk beïnvloed door de keuze van de input-PDFs en hun onzekerheden.
Risico op Bias: Als BSM-effecten (nieuwe fysica) de verdelingen van de PDFs vervormen in de staarten van distributies (bijv. bij hoge massa's), kunnen standaard PDF-fits deze effecten onbedoeld absorberen in de PDFs zelf. Dit leidt tot een vertekening (bias) bij het bepalen van zowel de PDFs als de BSM-parameters.
Uitdaging: Traditioneel worden PDFs en theorieparameters gescheiden bepaald, wat leidt tot onderwaardering van onzekerheden en correlaties. Een gezamenlijke (simultane) fit is noodzakelijk maar methodologisch complex vanwege het verschil tussen continue functies (PDFs) en discrete parameters.

2. Methodologie

Het artikel presenteert de status van de NNPDF4.0-familie en introduceert geavanceerde methoden voor simultane extracties binnen het NNPDF-framework.

A. Theoretische Vooruitgang (NNPDF4.0)

N3LO Nauwkeurigheid: De fits gebruiken splittingfuncties en operator-matrixelementen (OMEs) tot op Next-to-Next-to-Next-to-Leading Order (N3LO) in de sterke koppelingsconstante.
QED Correcties: Inclusie van QED-correcties en een foton-PDF (via LuxQED-procedure).
Missing Higher Order Uncertainty (MHOU): Theorie-onzekerheden door afgekapte perturbatieve reeksen worden gemodelleerd via een theorie-covariantiematrix, berekend met schaalvariaties (bijv. via PineAPPL grids).

B. Methoden voor Simultane Extractie

Om PDFs en parameters (zoals $\alpha_s$ , $m_t$ , of SMEFT-coëfficiënten) tegelijkertijd te bepalen, worden drie methoden beschreven:

Correlated Replica Method (CRM): Genereert data-replica's met een multigauzische verdeling. Voor elke replica worden fits uitgevoerd voor verschillende waarden van de parameter (bijv. $\alpha_s$ ). De verdeling van de beste passen levert een gezamenlijke waarschijnlijkheidsverdeling op.
Theory Covariance Method (TCM): Een analytische benadering waarbij de parameter wordt behandeld als een "nuisance parameter" die een verschuiving in de theorievoorspellingen veroorzaakt. De posterior-verdeling wordt afgeleid uit de covariantiematrix van de data en de theorie.
SIMUnet: Een numerieke optimalisatiemethode die het NNPDF-neuraalnetwerk uitbreidt met een extra laag. Hierbij worden Wilson-coëfficiënten (voor SMEFT) of andere parameters direct als trainbare parameters in het netwerk geïntegreerd.

C. Validatie: Sluitingstests (Closure Tests)

Om de betrouwbaarheid van deze methoden te verifiëren, worden "closure tests" uitgevoerd:

Synthetische data worden gegenereerd vanuit een bekende "waarheid" (een specifieke PDF-set en parameterwaarde).
De fit-methodologie wordt op deze data toegepast.
Als de methode correct is, moet de verkregen waarde en onzekerheid overeenkomen met de input-waarde. Afwijkingen (bias) worden gekwantificeerd via de genormaliseerde bias ( $R_{bv}$ ).

3. Belangrijkste Resultaten

A. Prestaties van NNPDF4.0

Vergelijkingen met LHC-data (Run II) tonen aan dat NNPDF4.0, net als andere moderne sets (MSHT20, CT18), een goede beschrijving geeft van data die niet in de fit zijn gebruikt, mits alle onzekerheidsbronnen (experimenteel, MHOU, PDF) correct in de covariantiematrix worden meegenomen.
Sluitingstests bevestigen dat de NNPDF-methodologie robuust is tegen matige inconsistenties in de data, mits systematische fouten niet ernstig worden onderschat.

B. Simultane Bepaling van $\alpha_s(m_Z)$

Een gezamenlijke fit van PDFs en $\alpha_s(m_Z)$ levert een waarde op van $\alpha_s(m_Z) = 0.1194^{+0.0007}_{-0.0014}$ .
Kritieke Bevinding: Een eerdere versie van de test faalde omdat de NNPDF4.0-eis van positiviteit (PDFs en observabelen moeten positief zijn) de aangenomen Gaussianiteit van de onzekerheden verbrak. Door deze beperking tijdelijk los te laten in de tests, werd de bias gecorrigeerd. Dit onderstreept het belang van sluitingstests.
Het opnemen van de $\alpha_s$ -onzekerheid in een gecorreleerde covariantiematrix leidt tot een realistischer en robuuster onzekerheidsinterval voor de gluon-luminositeit.

C. Simultane Bepaling van $\alpha_s$ en $m_t$

De TCM-methode is succesvol toegepast op een gezamenlijke fit van $\alpha_s$ en de topquark-massa ( $m_t$ ).
Resultaten tonen aan dat de onzekerheid in $m_t$ het meest wordt beperkt door distributies van de invariantmassa van het top-paar ( $m_{t\bar{t}}$ ), gevolgd door transversale impuls ( $p_T$ ) en rapiditeit ( $y_t$ ).
Er is een beperkte correlatie gevonden tussen $\alpha_s$ en $m_t$ in deze specifieke fits.

D. Simultane Bepaling van PDFs en SMEFT Coëfficiënten

Interactie met BSM: Als BSM-effecten (zoals zware $W'$ of $Z'$ bosonen) aanwezig zijn in de data, maar niet in de fit worden meegenomen, worden ze "opgeslokt" door de PDFs. Dit resulteert in een "BSM-biased" PDF-set die de afwijking van het Standaardmodel maskeert.
Oplossing: Het artikel toont aan dat het simultaan fiten van SMEFT-coëfficiënten en PDFs (via SIMUnet of TCM) deze bias voorkomt.
Complementariteit: Om deze vervorming te voorkomen, is het essentieel om lage-energie data (bijv. van de Electron-Ion Collider of Forward Physics Facility) te combineren met hoge-energie LHC-data. Dit helpt om de grote- $x$ quarkdistributies correct te construeren en BSM-signalen niet te verliezen.

4. Significantie en Conclusie

Dit artikel markeert een belangrijke stap in de precisiefysica aan de LHC:

Methodologische Vooruitgang: Het biedt een robuust raamwerk (CRM, TCM, SIMUnet) om PDFs en fundamentele parameters (zowel SM als BSM) gezamenlijk te bepalen, waardoor onderwaardering van onzekerheden wordt voorkomen.
Validatie: Het benadrukt dat sluitingstests (closure tests) onmisbaar zijn om methodologische bias te detecteren, zoals aangetoond bij de positiviteitsproblemen in $\alpha_s$ -fits.
Toekomstperspectief: Voor de High-Luminosity LHC (HL-LHC) en toekomstige colliders (EIC, FCC) is het cruciaal om PDFs en nieuwe fysica-signalen niet als gescheiden problemen te behandelen. De voorgestelde strategieën zorgen ervoor dat BSM-signaturen niet worden gemaskeerd door onzekerheden in de protonstructuur.

Kortom, de NNPDF-benadering beweegt zich van een "stand-alone" PDF-bepaling naar een geïntegreerde analyse waarin de protonstructuur en de fundamentele wetten van de natuurkunde gelijktijdig worden ontrafeld.