Reweighting Underlying Event and Colour Reconnection parameter variations in Sherpa

Resumo Técnico: Reponderação de Variações de Parâmetros de Eventos Subjacentes e Reconexão de Cor em SHERPA

Definição do Problema
A fenomenologia de precisão em física de altas energias depende de Geradores de Eventos de Monte Carlo (MCEGs) para simular a transição de espalhamentos partônicos perturbativos para estados finais hadrônicos não perturbativos. Enquanto as incertezas em regimes perturbativos (ex: variações de escala, PDFs) são tratadas eficientemente via reponderação de eventos on-the-fly, incertezas teóricas significativas surgem da modelagem não perturbativa (NP), especificamente das Interações Partônicas Múltiplas (MPI) e da Reconexão de Cor (CR). Esses modelos dependem de parâmetros empíricos que devem ser "ajustados" (tuned) a dados experimentais. Atualmente, avaliar a sensibilidade de observáveis a esses parâmetros ou quantificar suas incertezas requer a geração de execuções de simulação dedicadas para inúmeros pontos no espaço de parâmetros. Esse processo é computacionalmente proibitivo, muitas vezes limitando estudos de incerteza a comparações superficiais entre apenas algumas versões ou ajustes (tunes) do gerador.

Metodologia
Os autores introduzem e validam um novo método para a reponderação on-the-fly de parâmetros de MPI e CR dentro do gerador de eventos SHERPA. A abordagem permite a propagação de variações de parâmetros sem regenerar eventos, capturando os efeitos através de pesos relativos de eventos.

• Reponderação de MPI: O modelo de MPI no SHERPA baseia-se no formalismo de Sjöstrand–van-Zijl (SZ), utilizando uma sobreposição geométrica de distribuições de matéria hadrônica e um fator de forma Sudakov para regular a probabilidade de espalhamentos secundários. O fator de reponderação é decomposto em dois componentes:

  1. Peso Geométrico ($w_b$): Contabiliza mudanças na amostragem do parâmetro de impacto devido a variações nos parâmetros de distribuição de matéria (raios $R_{1,2}$ e pesos $\alpha_1$).
  2. Peso Sudakov ($w_{\text{Sudakov}}$): Contabiliza variações na probabilidade de aceitação de espalhamentos secundários. Este é construído comparando o integrando real do conjunto de parâmetros variado contra o conjunto original para cada espalhamento aceito e rejeitado na sequência de geração de eventos.
  • Restrição: Variações no corte de momento transversal ($p_{\perp,\min}$) são unidirecionais (apenas variações para cima são possíveis) porque eventos gerados com um corte inferior não povoam o espaço de fase excluído por um corte superior.

• Reponderação de CR: O modelo de Reconexão de Cor rearranja linhas de cor entre partões para minimizar uma medida de distância no espaço de momento antes da hadronização. O fator de reponderação é calculado multiplicativamente para cada tentativa de reconexão, comparando a probabilidade de aceitação $P_{\text{acc}}$ dos parâmetros variados contra os parâmetros nominais para ambos os casos de trocas aceitas e rejeitadas.

• Estrutura de Ajuste (Tuning Framework): O método é integrado ao framework Apprentice para construir modelos substitutos multivariados (aproximações polinomiais) da resposta do gerador. Isso permite um ajuste global de parâmetros de MPI e CR a dados do LHC (7 TeV) usando uma única amostra nominal reponderada para 500 configurações de parâmetros aleatórias.

Principais Contribuições

1. Primeira Implementação: Este trabalho apresenta a primeira implementação de reponderação on-the-fly para modelos de MPI e CR no SHERPA, estendendo as capacidades existentes de reponderação perturbativa para componentes não perturbativos fundamentais.
2. Eficiência Computacional: Ao gerar uma única amostra nominal e reponderá-la para cobrir um espaço de parâmetros de 4 dimensões (apenas MPI) ou 5 dimensões (MPI+CR), os autores reduzem o custo computacional de um ajuste em um fator de aproximadamente 250 em comparação com a geração de amostras dedicadas para cada ponto.
3. Validação: O método passa por testes de fechamento (closure tests) rigorosos. As previsões de amostras reponderadas são comparadas contra execuções dedicadas do gerador para pontos de parâmetros específicos. Os resultados mostram excelente concordância para variáveis intrínsecas do modelo (parâmetro de impacto, multiplicidade de MPI, multiplicidade de CR) e observáveis físicos (densidades de partículas carregadas, somas de momento transversal) em processos de Drell–Yan e produção de jatos.
4. Caracterização Estatística: O artigo quantifica a "diluição estatística" causada pela reponderação usando o tamanho de amostra efetivo de Kish ($N_{\text{eff}}$). Demonstra que, embora o $N_{\text{eff}}$ diminua para pontos de parâmetros distantes do conjunto nominal, ele permanece suficiente para o ajuste dentro dos intervalos estudados (ex: $N_{\text{eff}} \approx 0,5N$ a $0,7N$).

Resultados

• Ajuste a 7 TeV: Os autores realizaram ajustes combinados para os modelos de MPI e CR do SHERPA usando dados do ATLAS e CMS.
  • MPI-CRoff: Um ajuste com CR desativado produziu um conjunto de parâmetros de melhor ajuste.
  • MPI-CRon: Um ajuste com CR ativado forneceu uma descrição significativamente melhor dos dados, particularmente para processos de Drell–Yan, onde o $\chi^2/\text{ndf}$ foi efetivamente reduzido à metade em comparação ao cenário CR-off. Isso indica que os dados experimentais favorecem a inclusão de reconexões de cor.
• Extrapolação de Energia: Os autores calibraram a escala de energia de parâmetros de MPI de dimensão usando o expoente de escala $\eta$. Ao reponderar uma única amostra para cobrir $\eta \in [0,0; 0,08]$, determinaram um valor ótimo de $\eta^* = 0,026$. Este único parâmetro descreveu com sucesso os dados de evento subjacente (underlying-event) do Tevatron ($\sqrt{s} = 1,96$ TeV) e do LHC ($\sqrt{s} = 13$ TeV) simultaneamente.
• Desempenho: O tempo de execução da reponderação escala linearmente com o número de variações, mas permanece significativamente mais rápido do que gerar amostras dedicadas equivalentes. O tamanho de amostra efetivo permanece robusto o suficiente para suportar ajustes de alta precisão.

Significância e Alegações
O artigo afirma que este método de reponderação fecha uma lacuna significativa nas capacidades dos modernos MCEGs, permitindo a exploração eficiente de espaços de parâmetros não perturbativos. Os autores posicionam esta técnica como essencial para:

• Estudos de Sensibilidade de Parâmetros: Permitindo a quantificação robusta de incertezas paramétricas on-the-fly.
• Ajuste (Tuning): Reduzindo drasticamente o custo computacional do ajuste de geradores, facilitando o uso de métodos avançados como History Matching (HM), que requerem amostragem densa do espaço de parâmetros.
• Simulações Futuras: Fornecendo uma base para a era do LHC de alta luminosidade, onde o controle preciso sobre as incertezas não perturbativas é crítico.

Os autores afirmam explicitamente que, embora o método tenha sido demonstrado para MPI e CR, ele foi projetado para ser adaptável a outros geradores de eventos e outros modelos não perturbativos (como hadronização), com trabalhos futuros planejados para estender isso à fragmentação de cluster e simulações de minimum-bias do SHERPA. O método é apresentado não como um substituto para execuções dedicadas em todos os casos, mas como uma ferramenta poderosa para aliviar a carga computacional de estudos de sensibilidade de parâmetros e quantificação de incertezas.