Modeling Falling Backgrounds with Exponential Mixtures

Resumo Técnico: Modelagem de Fundos Decrescentes com Misturas Exponenciais

Enunciado do Problema
Buscas por nova física no Large Hadron Collider (LHC), particularmente "caçadas de calos" (bump hunts) para sinais ressonantes, dependem da distinção de excessos localizados de distribuições de fundo do Modelo Padrão (SM) que decaem suavemente. As estratégias atuais de modelagem de fundo enfrentam uma dicotomia:

1. Modelos Paramétricos Flexíveis: Aproximadores universais como polinômios são atraentes, mas frequentemente requerem muitos parâmetros, são difíceis de otimizar e correm o risco de sobreajuste (overfitting) de sinais ou de gerar comportamentos não físicos nas caudas das distribuições.
2. Modelos Rígidos Específicos de Análise: Funções como a "função dijet" são motivadas pela Cromodinâmica Quântica (QCD) de ordem líder e pelas funções de distribuição de partons. No entanto, elas dependem de aproximações específicas e correções ad hoc que podem exigir revisão à medida que os conjuntos de dados crescem em tamanho e complexidade. Além disso, essas formas rígidas têm dificuldade em extremos de distribuição (caudas) onde restrições de bandas laterais (sidebands) não estão disponíveis.

Existe uma necessidade significativa de soluções de ajuste genéricas e reutilizáveis que equilibrem flexibilidade com restrições físicas para evitar o desenvolvimento extensivo e específico de cada análise.

Metodologia
Os autores propõem a mistura exponencial finita como uma classe de funções semiparamétricas para modelar fundos decrescentes. A abordagem é fundamentada na Teoria de Valores Extremos (EVT), especificamente o teorema de Pickands–Balkema–de Haan, que estabelece que distribuições de cauda convergem para uma Distribuição de Pareto Generalizada (GPD).

• Base Teórica: A GPD com um parâmetro de forma positivo ($\xi > 0$) é matematicamente equivalente a uma mistura exponencial-gamma (distribuição Lomax). Os autores generalizam isso para uma mistura finita de distribuições exponenciais para acomodar comportamentos pré-assintóticos e regimes mistos onde as suposições padrão de GPD falham.
• Formulação Matemática: A densidade é definida como uma combinação linear de $k$ componentes exponenciais:
  $$f_k(x|\vec{\beta}, \vec{w}) = \sum_{i=1}^k w_i \beta_i e^{-\beta_i x}$$
  onde $\vec{\beta}$ são parâmetros de taxa e $\vec{w}$ são pesos restritos a somar 1 (via uma transformação softmax).
• Propriedades: Esta classe pode aproximar qualquer função completamente monótona arbitrariamente próximo. Embora nem todas as distribuições físicas sejam estritamente completamente monótonas (ex: perto de efeitos de surgimento de limiar ou cortes de energia finitos), a classe é suficientemente flexível para aproximar caudas decrescentes, permanecendo suficientemente restrita para evitar picos espúrios ou estruturas não monótonas.
• Implementação:
  • Os modelos são ajustados usando estimativa de máxima verossimilhança (MLE) com o algoritmo MINUIT/MIGRAD.
  • A seleção de modelo (determinar o número de componentes $k$) é realizada usando o Critério de Informação de Akaike (AIC) e o Critério de Informação Bayesiano (BIC).
  • Para dados agrupados (binned) (ATLAS), a integral da mistura exponencial é resolvida analiticamente para garantir estabilidade numérica.
  • Para conjuntos de dados pequenos (CMS), são utilizadas verossimilhanças não agrupadas (unbinned).

Principais Contribuições e Resultados
O artigo valida a mistura exponencial contra dois conjuntos de dados distintos publicados e através de estudos de simulação:

1. Espectro de Dijet ATLAS ($n \approx 28,6$ milhões):

   • A mistura exponencial foi comparada à função dijet padrão.
   • Resultado: A mistura exponencial (selecionada com 4 componentes via AIC) alcançou um $\chi^2$ ligeiramente melhor (90 vs. 96) e resíduos comparáveis em toda a faixa de massa, apesar de usar mais parâmetros. Os critérios AIC e BIC concordaram sobre a complexidade ideal.

2. Espectro de Fotão de Alta Massa CMS ($n = 5.036$):

   • A mistura foi comparada contra quatro funções de fundo existentes ($f_1$–$f_4$) usadas na análise oficial.
   • Resultado: A mistura exponencial de 2 componentes alcançou um $\chi^2$ (50,6) comparável ou melhor que as funções originais. Embora o BIC tenha preferido modelos mais simples, a mistura selecionada pelo AIC forneceu características de viés superiores em testes subsequentes.

3. Estudos de Simulação (Pseudo-conjuntos de dados):

   • Pseudo-conjuntos de dados foram gerados a partir das quatro funções de fundo da CMS para testar viés, cobertura e rendimentos de sinal espúrio.
   • Viés: A mistura exponencial selecionada pelo AIC exibiu baixo viés, cruzando frequentemente o valor da densidade real e permanecendo dentro da banda de $\pm 1$ desvio padrão do modelo real. Superou a mistura selecionada pelo BIC.
   • Cobertura: O modelo selecionado pelo AIC manteve a cobertura nominal para massas $m_{\gamma\gamma} < 2000$ GeV. Nas caudas, mostrou uma leve subcobertura, mas permaneceu entre os modelos de melhor desempenho.
   • Sinal Espúrio: Ao ajustar modelos de sinal mais fundo, a mistura exponencial produziu baixos rendimentos de sinal espúrio (consistentes com zero dentro da incerteza), indicando que não gera artificialmente "calos".

Significância e Alegações
Os autores alegam que a mistura exponencial finita oferece uma alternativa flexível, assintoticamente motivada e reutilizável para a modelagem de fundo tradicional.

• Generalidade: Desempenha-se comparavelmente a métodos existentes através de conjuntos de dados que variam em ordens de magnitude em tamanho e complexidade de fundo.
• Restrição: Diferente dos polinômios, a mistura exponencial é suficientemente rígida para evitar o sobreajuste e a geração de estruturas não físicas, mas flexível o suficiente para aproximar uma ampla variedade de espectros decrescentes.
• Limitações: O artigo admite modestamente que o método assume comportamento completamente monótono. Ele não pode inerentemente modelar efeitos de surgimento de limiar ou cortes de energia finitos (que quebram a monotonicidade completa) sem modificação ou modelagem separada. Além disso, o desempenho depende de heurísticas para seleção de modelo (AIC vs. BIC) e otimização (reinícios aleatórios), e a escolha da faixa de ajuste (limiar superior) impacta a normalização.

O artigo conclui que, embora a mistura exponencial seja uma base promissora para buscas ressonantes, trabalhos adicionais são necessários para otimizar a seleção de complexidade, melhorar métodos de otimização global e integrar estruturas específicas motivadas pela física para efeitos não monótonos.