Parton Fragmentation Functions Extracted with a Physics-Informed Neural Network

Resumo Técnico: Funções de Fragmentação de Partons Extraídas com uma Rede Neural Informada pela Física

Enunciado do Problema
Previsões confiáveis para processos de interação forte de alta energia dependem criticamente de Funções de Fragmentação (FFs) de partons não perturbativas. Tradicionalmente, a extração de FFs a partir de dados experimentais requer a suposição de formas funcionais parametrizadas específicas em uma escala de entrada e a subsequente evolução dessas funções usando as equações de evolução de Dokshitzer-Gribov-Lipatov-Altarelli-Parisi (DGLAP). Esta abordagem convencional introduz um potencial viés de parametrização e depende de formas funcionais rígidas que podem não capturar totalmente a dinâmica não perturbativa. Além disso, a avaliação numérica iterativa da evolução DGLAP e das convoluções de seção de choque durante os ajustes globais é computacionalmente exigente, particularmente ao percorrer grandes espaços paramétricos.

Metodologia
Os autores propõem uma abordagem inovadora utilizando uma Rede Neural Informada pela Física (PINN) para determinar as FFs de partons sem suposições prévias de formas parametrizadas. A metodologia integra as equações de evolução DGLAP diretamente na arquitetura da rede neural.

• Arquitetura da Rede: O framework emprega um design em cascata com duas redes totalmente conectadas (NN1 e NN2). A NN1 codifica a dependência de $Q^2$ por meio da variável de evolução $\ln(Q^2)$, enquanto a NN2 processa a entrada combinada da variável cinemática $z$ e das características latentes da NN1 para gerar funções auxiliares. As FFs são construídas como $zD_i^{h\pm}(z, Q) = (1-z)^{\nu_i} \nu_i(z, Q)$ para impor a condição de contorno $D(z=1)=0$ e garantir a positividade.
• Restrições de Física: A rede é treinada usando uma função de perda composta que minimiza os desvios dos dados experimentais enquanto simultaneamente penaliza violações das equações de evolução DGLAP. Para melhorar a eficiência numérica, as restrições de evolução são impostas no espaço de Mellin, onde integrais de convolução se reduzem a produtos algébricos.
• Diferenciação: A diferenciação automática é utilizada dentro do loop de otimização para calcular as derivadas de escala necessárias para os resíduos DGLAP, garantindo precisão analítica sem a necessidade de diferenciação simbólica.
• Dados e Incerteza: A extração utiliza dados de aniquilação elétron-pósitron de inclusão única (SIA) das colaborações ALEPH, TASSO, TPC, OPAL, DELPHI e SLD. O conjunto de dados inclui medições de seção de choque inclusiva, com marcação de sabor (uds, c, b) e longitudinal para restringir a fragmentação de quarks leves, pesados e glúons. As incertezas experimentais são propagadas usando o método de réplicas de Monte Carlo, gerando um conjunto de 100 conjuntos de pseudodados.

Principais Contribuições

1. Extração Não Paramétrica: O estudo demonstra um método para extrair FFs que não depende de formas funcionais predefinidas, reduzindo assim o viés de parametrização e permitindo que os dados ditem a forma funcional.
2. Evolução Integrada: Ao incorporar as equações DGLAP diretamente na função de perda, as FFs extraídas satisfazem automaticamente as restrições de evolução QCD em todo o domínio $(z, \mu)$, eliminando a necessidade de etapas de evolução separadas durante o processo de ajuste.
3. Implementação no Espaço de Mellin: O trabalho implementa com sucesso a transformada inversa de Mellin e a evolução DGLAP dentro do framework da rede neural, aproveitando a eficiência dos momentos de Mellin para resolver as equações diferenciais-integrais acopladas.

Resultos

• Verificação DGLAP: As FFs extraídas foram verificadas contra a evolução DGLAP numérica padrão. Os resultados da PINN em escalas de 14 GeV e 1 TeV (esta última fora do intervalo de treinamento) concordaram com a evolução numérica direta com 5% de precisão, confirmando a capacidade da rede de satisfazer as equações de evolução.
• Comparação com Ajustes Existentes: As FFs extraídas foram comparadas com as parametrizações AKK08 e KRE. Enquanto as FFs de quarks singlet de mostraram concordância no intervalo $z \in [0.05, 0.8]$, discrepâncias foram observadas para as FFFs de glúons e quarks pesados, particularmente em $z$ grande. Os autores atribuem a discrepância do glúon ao uso exclusivo de dados de SIA neste estudo, enquanto o AKK08 e o KRE incorporaram dados de colisões próton-próton que fornecem restrições mais fortes sobre a fragmentação de glúons.
• Teste de Fechamento (Closure Test): Um teste de fechamento foi realizado onde as FFs extraídas foram usadas para gerar seções de choque teóricas, que foram então usadas para retreinar a rede. Os resultados retreinados permaneceram consistentes com a extração original (dentro de um desvio de 20% no intervalo $z \in [0.01, 0.8]$), demonstrando a estabilidade e reprodutibilidade do método.
• Aplicação Fenomenológica: As FFs extraídas foram aplicadas para calcular espectros de hádrons carregados de inclusão única em colisões próton-(antipróton) em energias de RHIC e LHC ($\sqrt{s} = 130$ a $7000$ GeV). Os cálculos de pQCD de Próxima Ordem (NLO) usando as FFs extraídas pela PINN alinharam-se bem com os dados experimentais em toda essa ampla faixa de energia, validando a universalidade das funções extraídas.

Significância
O artigo afirma que o método PINN representa um passo significativo à frente na extração de quantidades não perturbativas. Ao eliminar a necessidade de formas parametrizadas e desacoplar o processo de ajuste de etapas separadas de evolução DGLAP, a abordagem simplifica o procedimento de extração e aumenta a aplicabilidade universal das FFs em diferentes escalas de energia. Os autores postulam que este framework oferece uma estimativa mais robusta e imparcial das FFFs, potencialmente revelando características perdidas pelos métodos paramétricos tradicionais, e estabelece as bases para futuras aplicações envolvendo equações de evolução modificadas em colisões de íons pesados.