Proton Structure from Neural Simulation-Based Inference at the LHC

Dit artikel demonstreert voor het eerst de haalbaarheid van neurale simulatiegebaseerde inferentie (NSBI) om de gluon-partonverdelingsfunctie van het proton te bepalen met behulp van ongebinned data van topquark-paarproductie bij de LHC, wat leidt tot aanzienlijk hogere precisie dan traditionele gebinned analyses.

De kern

De Kern: Het Proton als een "Zwarte Doos"

Stel je voor dat het proton (het deeltje waar atomen uit bestaan) een enorme, complexe zwarte doos is. We weten dat er van alles binnenin gebeurt, maar we kunnen niet direct naar binnen kijken. Wat we wel weten, is dat er binnenin een soep zit van heel kleine deeltjes: quarks en gluonen.

De wetenschappers willen precies weten hoe deze soep is samengesteld. Hoeveel gluonen zijn er? Waar zitten ze? Dit is belangrijk omdat het proton de "bouwsteen" is van alles wat we in deeltjesversnellers zoals de LHC (Large Hadron Collider) onderzoeken. Als je niet precies weet wat er in de proton zit, kun je de resultaten van botsingen niet goed interpreteren.

Het Oude Manier: De "Vakjes" Methode

Vroeger (en vaak nog steeds) deden wetenschappers dit door de data in vakjes te stoppen.

• De Analogie: Stel je voor dat je een foto van een drukke markt maakt en die in een raster van 10x10 vakjes verdeelt. In elk vakje tel je hoeveel mensen er staan.
• Het Probleem: Je ziet niet meer waar de mensen precies stonden, of hoe ze bewogen. Je hebt alleen een ruwe telling per vakje. Veel details (de "ruis" en de fijne patronen) gaan hierdoor verloren. Dit is wat ze "gebinned data" noemen.

De Nieuwe Manier: De "Neurale Simulatie" (NSBI)

In dit artikel tonen ze aan dat je veel slimmer kunt werken. Ze gebruiken een nieuwe techniek genaamd Neural Simulation-Based Inference (NSBI).

• De Analogie: In plaats van de markt in vakjes te verdelen, nemen ze elke individuele persoon op de foto apart. Ze kijken naar ieders kleding, snelheid en richting. Ze gebruiken een super-slim computerprogramma (een AI) dat duizenden keren heeft geoefend met simulaties van hoe de markt eruit zou moeten zien.
• De Kracht: Door naar elke individuele gebeurtenis te kijken (in plaats van gemiddelden per vakje), halen ze veel meer informatie uit dezelfde hoeveelheid data. Het is alsof je van een wazige foto van een menigte overgaat naar een 4K-video van elke persoon.

Wat hebben ze gedaan? (De Proef)

Om te bewijzen dat deze nieuwe methode werkt, hebben ze een proef gedaan met top-quarks (zware deeltjes die ontstaan bij botsingen).

1. De Simulatie: Ze lieten een computer botsingen simuleren alsof ze in de LHC plaatsvonden.
2. De Gluon: Ze wilden specifiek de "gluon" (de lijm die quarks bij elkaar houdt) beter begrijpen.
3. De Vergelijking: Ze draaiden de oude methode (vakjes) en de nieuwe methode (AI + individuele data) naast elkaar.

Het Resultaat: De nieuwe methode gaf een veel scherpere en nauwkeurigere foto van de gluon dan de oude methode. Het was alsof ze van een wazige tekening naar een HD-foto waren gegaan, zonder dat ze meer tijd of geld hadden besteed.

Waarom is dit belangrijk?

1. Meer precisie: De LHC gaat binnen nog krachtiger worden (High-Luminosity LHC). Om die enorme hoeveelheid data goed te gebruiken, hebben we deze slimme, ongebonden methoden nodig.
2. Minder afhankelijkheid: Vroeger moesten wetenschappers vaak externe gegevens combineren om hun theorieën te testen. Met deze nieuwe methode kunnen ze de eigenschappen van het proton intern kalibreren, puur op basis van hun eigen metingen.
3. De Toekomst: Het bewijst dat we de "zwarte doos" van het proton eindelijk kunnen openen met een veel scherpere lens. Dit helpt niet alleen bij het begrijpen van deeltjesfysica, maar ook bij het zoeken naar nieuwe, onbekende fenomenen die buiten het huidige model vallen.

Samenvattend in één zin:

Wetenschappers hebben een slimme AI-techniek ontwikkeld die de "ruis" van de oude vakjes-methode weghaalt en door naar elke individuele botsing te kijken, een veel duidelijker beeld krijgt van waaruit het proton precies bestaat.

Technische samenvatting

Probleemstelling

De nauwkeurige bepaling van de deeltjesverdelingsfuncties (PDFs) van de proton is essentieel voor analyses aan de Large Hadron Collider (LHC), inclusief de toekomstige High-Luminosity LHC (HL-LHC). Huidige methoden voor het bepalen van PDFs zijn gebaseerd op globale fits van gebinned (in bakjes verdeelde), laag-dimensionale data. Deze benadering kent echter fundamentele beperkingen:

1. Informatieverlies: Het binning-proces integreert relevante informatie weg die de PDFs verder zou kunnen beperken.
2. Aannames over onzekerheden: Experimentele data worden vaak gemodelleerd als een multivariate Gaussische verdeling, wat een ruwe benadering is, vooral nabij de randen van de kinematische fase-ruimte.
3. Schaalbaarheid: De correlaties tussen systematische onzekerheden worden vaak vereenvoudigd, wat de interpretatie van resultaten kan beïnvloeden.

De auteurs stellen dat de overgang naar ongebinned (unbinned), hoog-dimensionale data een oplossing biedt, maar dat dit traditioneel wordt gehinderd door de complexiteit van het modelleren van systematische onzekerheden en de ontbrekende analytische afhankelijkheid van de parameters.

Methodologie

Het artikel introduceert een nieuwe aanpak die Neural Simulation-Based Inference (NSBI) combineert met een lineair model voor de gluon-PDF. De kern van de methodologie bestaat uit de volgende stappen:

1. Lineair Model voor de Gluon-PDF:

   • In plaats van complexe functionele vormen te gebruiken, construeren de auteurs een lineair model voor de gluon-PDF ($f_g$) op een referentieschaal $Q_0$.
   • Dit model wordt opgebouwd via Proper Orthogonal Decomposition (POD) van een grote steekproef van PDF-kandidaten (gegenereerd door diepe neurale netwerken).
   • Het resultaat is een uitdrukking van de vorm $f_g(x, Q_0, c) = \phi^{(0)}_g + \sum c_a \phi^{(a)}_g$, waarbij $c_a$ de coëfficiënten zijn die uit de data moeten worden bepaald.
   • Dit model garandeert dat theoretische constraints (zoals de impuls-sum regel en positiviteit) worden gerespecteerd en dat de voorspellingen kwadratisch zijn in de parameters $c$.

2. NSBI en Machine Learning Surrogaten:

   • De auteurs gebruiken NSBI om de coëfficiënten $c$ te schatten op basis van ongebinned detector-level observables.
   • Omdat de afhankelijkeheid van de cross-section van de PDF-coëfficiënten kwadratisch is, kunnen Machine Learning (ML) surrogaten worden getraind om de verhouding van differentieel cross-sections te voorspellen: $R(x, c) = d\sigma(x|c)/d\sigma(x|0)$.
   • Hiervoor wordt een Boosted Information Tree (BIT) algoritme gebruikt. Dit leert de volledige kwadratische afhankelijkheid van $c$ direct uit de data, zonder expliciete modellering van de overdrachtsdichtheid (transfer density) van de detector.

3. Behandeling van Systematische Onzekerheden:

   • Een cruciale innovatie is de integratie van systematische onzekerheden (theoretisch, modelering, experimenteel) via nuisance parameters ($\nu$).
   • De auteurs trainen extra ML-surrogaten om de afhankelijkheid van deze systematische effecten te modelleren als een exponentiële functie van de nuisance parameters.
   • Hierdoor kan de likelihood-functie continu worden geëvalueerd in zowel de PDF-parameters als de systematische parameters, wat een robuuste profilering mogelijk maakt.

4. Data en Analyse:

   • Als proof-of-concept wordt top-quark paarproductie ($t\bar{t}$) in het dubbel-leptonische kanaal bij $\sqrt{s} = 13$ TeV gebruikt.
   • Er worden 16 kinematische observables gebruikt (bijv. invariant massa $m_{t\bar{t}}$, rapiditeit $y_{t\bar{t}}$, transverse momentum $p_T$ van top-quarks en leptonen).
   • De analyse gebruikt een geïntegreerde luminositeit van $137 \text{ fb}^{-1}$ (Run II van de LHC).

Belangrijkste Bijdragen

• Eerste toepassing van NSBI voor PDF-bepaling: Dit is het eerste werk dat NSBI succesvol toepast om de protonstructuur te beperken met behulp van hoog-dimensionale, ongebinde data.
• Integratie van Systematische Onzekerheden: De auteurs tonen aan dat het mogelijk is om een realistische behandeling van theoretische en experimentele systematische onzekerheden te implementeren binnen een NSBI-pijplijn, wat een langdurige beperking van ongebinde methoden was.
• Lineair Model met POD: De combinatie van een lineair PDF-model (gebaseerd op POD) met ML-surrogaten maakt het mogelijk om de analytische structuur van de kwadratische afhankelijkheid volledig te benutten, wat de training van de netwerken efficiënter en stabieler maakt.
• Principal Component Analysis (PCA): Er wordt een PCA toegepast op de Fisher-informatiematrix om "quasi-flat" richtingen in de parameter ruimte te identificeren en te verwijderen, wat de numerieke stabiliteit van de fit verbetert.

Resultaten

De resultaten, gebaseerd op gesimuleerde Asimov-data, tonen het volgende aan:

1. Verbeterde Precisie: De NSBI-onbinned analyse levert een aanzienlijke verbetering in precisie op voor de gluon-PDF ten opzichte van een referentie-analyse met gebinned data.

   • In het kinematische gebied waar de $t\bar{t}$-data gevoelig is ($0.01 \lesssim x \lesssim 0.35$), is de onzekerheid op de gluon-PDF vergelijkbaar met, of zelfs kleiner dan, die van recente globale PDF-fits (zoals NNPDF4.0, CT18, MSHT20).
   • De ongebinde methode is ongeveer 30% preciezer dan de gebinned methode voor dezelfde dataset.

2. Robuustheid: De resultaten zijn stabiel bij variaties in de dimensie van het lineaire model ($N=6$ tot $N=9$) en bij het reconstrueren van alternatieve gluon-PDF-hypothese.

3. Implicaties voor Higgs-productie:

   • De auteurs tonen aan dat de gluon-PDF, bepaald uitsluitend uit $t\bar{t}$-data via deze methode, leidt tot theoretische voorspellingen voor Higgs-productie via gluon-fusie met een precisie die vergelijkbaar is met of beter is dan die gebaseerd op globale fits.
   • Dit suggereert dat LHC-experimenten (ATLAS/CMS) de protonstructuur intern kunnen kalibreren zonder afhankelijk te zijn van externe datasets.

Betekenis en Toekomstperspectief

Dit werk markeert een paradigmaverschuiving in de analyse van LHC-data:

• Van Gebinned naar Ongebinde: Het demonstreert dat het gebruik van de volledige statistische kracht van ongebinde, hoog-dimensionale data haalbaar is en superieure resultaten oplevert.
• Interne Kalibratie: Het biedt de mogelijkheid om PDF-onzekerheden te reduceren door gebruik te maken van interne correlaties binnen één experiment, wat de afhankelijkheid van externe data (zoals HERA) vermindert.
• HL-LHC Voorbereiding: De methode is essentieel voor de HL-LHC-era, waar de enorme hoeveelheid data en de behoefte aan extreme precisie de traditionele gebinned benaderingen in de weg zitten.
• Uitbreiding: Hoewel dit werk zich richt op de gluon-PDF via $t\bar{t}$, is de methode uitbreidbaar naar quark-PDFs (via single-top en Drell-Yan) en gezamenlijke determinaties van PDFs en BSM-parameters (zoals in SMEFT).

Concluderend biedt dit artikel een bewezen, robuust kader voor de volgende generatie protonstructuur-analyses, waarbij machine learning en simulatie-based inference worden ingezet om de fundamentele beperkingen van traditionele statistische methoden te overwinnen.