Resumo Técnico: Unbinning de Análises Globais do LHC

Declaração do Problema

A extração de informação a partir de dados de eventos de alta dimensão no Grande Colisor de Hádrons (LHC) tornou-se um gargalo para a física de precisão. Os métodos de inferência tradicionais dependem da redução dos dados para histogramas de poucas dimensões, um processo que descarta uma quantidade significativa de informação cinemática através da redução de dimensionalidade e do agrupamento em bins (binagem). Embora a Inferência Baseada em Simulação Neural (SBI) tenha demonstrado um desempenho superior aos métodos baseados em histogramas para processos individuais, permanece incerto se essas vantagens persistem em análises globais onde múltiplos processos são combinados para restringir parâmetros da Teoria de Campos Eficazes do Modelo Padrão (SMEFT). Este artigo aborda a lacuna na compreensão de como a SBI performa quando aplicada a uma combinação global de processos de dibosons, investigando especificamente se a capacidade de desvendar parâmetros teóricos degenerados se estende além dos estudos de processo único.

Metodologia

Os autores empregam uma estrutura de inferência baseada em simulação neural para estimar razões de verossimilhança (likelihood ratios) sem o uso de bins, comparando esses resultados com limites baseados em histogramas tradicionais e restrições de taxa total.

Aprendizado de Verossimilhança via Aprendizado de Derivadas:
Em vez de aprender a razão de verossimilhança diretamente em pontos de referência específicos, os autores utilizam uma abordagem de aprendizado de derivada. Dada a estrutura do Lagrangiano SMEFT $L_{SMEFT} = L_{SM} + \sum_i \theta_i O_i$, onde $\theta_i$ são coeficientes de Wilson, a razão da seção de choque diferencial $R(x|\theta, \theta_0)$ é expandida para segunda ordem em $\theta$. A rede neural é treinada para aprender os coeficientes desta expansão ($R_i(x)$ e $R_{ij}(x)$) usando razões ao nível de partons como alvos. Isso permite que a razão de verossimilhança ao nível de reconstrução seja reconstruída para qualquer $\theta$ via:
$$r(x|\theta, \theta_0) \approx 1 + (\theta - \theta_0)_i R_{\phi,i}(x) + (\theta - \theta_0)_i (\theta - \theta_0)_j R_{\phi,ij}(x)$$
onde $R_{\phi}$ representa os estimadores da rede neural.

Tratamento de Background:
Para contabilizar os backgrounds, os autores dividem a seção de choque ao quadrado em componentes de sinal, background e interferência. Como a interferência é desprezível para os processos considerados, a verossimilhança é modelada como uma soma das probabilidades de sinal e background. Um classificador de sinal-background é treinado para estimar a razão $\omega(x) = p_{sig}(x)/p_{bkg}(x)$, que é então usada para construir a razão de verossimilhança completa. Para garantir que o mínimo da verossimilhança permaneça na hipótese de referência ($\theta_0$) apesar de imperfeições numéricas, os autores impõem analiticamente o desaparecimento da primeira derivada do log-verossimilhança em $\theta_0$ ajustando os termos de derivada da seção de choque do sinal.

Smearing Fracionário:
Para mitigar a instabilidade numérica causada por eventos discrepantes (outliers) com grandes derivadas, uma técnica de "smearing fracionário" é aplicada. Eventos com grandes derivadas passam pelo parton shower e pela simulação do detector múltiplas vezes ($n$), com cada evento resultante recebendo um peso de $1/n$. Esses pesos são incorporados à função de perda de Erro Quadrático Médio (MSE) durante o treinamento.

Configuração da Análise:
O estudo foca em quatro processos de dibosons: produção de $WW$, $WZ$, $WH$e$ZH$.

• Operadores: São considerados seis operadores de dimensão-6 da SMEFT: $O_{\Phi D}$, $O_{\Phi W}$, $O_{\Phi B}$, $O_{\Phi W B}$, $O^{(3)}_{\Phi q}$ e $O_{WWW}$.
• Dados: Os eventos são gerados a $\sqrt{s} = 13,6$ TeV usando MADGRAPH5_AMC@NLO, PYTHIA8 e DELPHES. Assume-se uma luminosidade integrada de $300 \text{ fb}^{-1}$.
• Comparação: Os resultados são comparados contra:
  1. Verossimilhanças ao nível de parton (limite teórico superior).
  2. Limites de taxa total (limite inferior de sensibilidade).
     [3.] Histogramas ao nível de reconstrução usando observáveis padrão e binagem (ex: STXS estágio 1.2).
  3. Limites de SBI ao nível de reconstrução.

Incertezas sistemáticas são negligenciadas para isolar o ganho de informação cinemática, embora os autores notem que a SBI deve lidar melhor com sistemáticas ao decorrelacionar efeitos cinemáticos de parâmetros teóricos.

Principais Contribuições e Resultados

1. Desempenho de Processo Único:
Para cada processo individual ($WW$, $WZ$, $WH$, $ZH$), a abordagem SBI fornece consistentemente restrições mais rigorosas sobre os coeficientes de Wilson em comparação com os métodos baseados em histogramas.

• Quebra de Degenerescência: A principal vantagem da SBI é sua capacidade de quebrar degenerescências entre operadores que afetam as taxas totais de forma semelhante, mas alteram as distribuições cinemáticas de forma distinta. Por exemplo, na produção de $WZ$, a abordagem de histograma tem dificuldade em distinguir $c_{\Phi W B}$ e $c_{\Phi D}$, enquanto a SBI aperta significativamente os limites neste plano.
• Sensibilidade de Polarização: Na produção de $ZH$, o observável do histograma ($p_T^Z$) é insensível à polarização do bóson $Z$, levando a uma degenerescência completa entre $c_{\Phi W}$, $c_{\Phi B}$, $c_{\Phi W B}$ e $c_{\Phi D}$ em limites de perfil unidimensional. A SBI, ao utilizar o espaço de fase completo, quebra essa degenerescência e restringe todos os quatro coeficientes individualmente.
• Robustez ao Background: Mesmo em canais com contribuições significativas de background (ex: $ZH$ com background $Zb\bar{b}$), a SBI supera os histogramas, fornecendo restrições onde os histogramas falham em extrair informação além da taxa total.

2. Análise Combinada Global:
O artigo demonstra que as vantagens da SBI persistem e são amplificadas quando se combinam todos os quatro processos.

• Complementaridade: Diferentes processos restringem diferentes direções no espaço de parâmetros (ex: $WZ$ restringe $c_{\Phi W B}$, $WH$ restringe $c_{\Phi W}$).
• Superioridade na Combinação: Os limites combinados da SBI são significativamente mais fortes que os limites combinados de histogramas. Para coeficientes como $c_{\Phi D}$, $c_{\Phi W}$, $c_{\Phi W B}$ e $c_{\Phi B}$, os limites da SBI são aproximadamente um fator 2 mais fortes que os limites de histograma.
• Equivalência de Luminosidade: Os autores estimam que, para atingir a mesma sensibilidade da abordagem SBI usando o método de histograma, seria necessário um fator de $\sim 4$ mais dados para os coeficientes mais degenerados (assumindo o escalonamento padrão com $\mathcal{L}^{-1/2}$). Mesmo para coeficientes onde os histogramas são mais sensíveis (ex: $c_{WWW}$), a SBI proporciona um ganho de sensibilidade de $\sim 30\%$.

3. Validação:
Os autores verificaram a cobertura empírica das verossimilhanças aprendidas. Para a maioria dos planos de parâmetros, a cobertura empírica coincide com o nível de confiança nominal. Em alguns casos (ex: $c_{WWW}$ na produção de $WW$), a verossimilhança foi ligeiramente subconfiante (conservadora), sugerindo que, com mais dados de treinamento, as restrições poderiam ser ainda mais apertadas.

Significância e Alegações

O artigo afirma demonstrar que a inferência baseada em simulação neural não é meramente uma melhoria para análises de processo único, mas é essencial para desbloquear todo o potencial das análises globais do LHC. Os autores argumentam que:

• Desvendar Global: A SBI é unicamente eficaz em desvendar múltiplos parâmetros teóricos em um contexto global onde os histogramas tradicionais falham devido à perda de informação e degenerescências.
• Escalabilidade: A abordagem de aprendizado de derivada permite a inclusão direta de múltiplos operadores e processos sem uma explosão combinatória de complexidade.
• Prontidão para o Futuro: À medida que os conjuntos de dados do LHC crescem, a perda de informação inerente à binagem se tornará cada vez mais problemática. A SBI oferece um caminho para utilizar toda a informação de eventos de alta dimensão, potencialmente equivalente ao dobro ou quadruplo da luminosidade efetiva para restrições específicas de SMEFT.

Os autores concluem que, embora sua análise simplifique certos aspectos (negligenciando sistemáticas e backgrounds secundários), a vantagem persistente da SBI sobre os métodos de histograma em um contexto global de SMEFT sugere que a SBI deve ser integrada às futuras análises globais para maximizar o alcance físico do LHC.