Higher-order effects in amplitude-assisted polarisation extraction with machine-learning techniques

Resumo Técnico: Efeitos de ordem superior na extração de polarização assistida por amplitude com técnicas de aprendizado de máquina

Enunciado do Problema
A extração das frações de polarização dos bósons de gauge eletrofracos (EW) a partir de dados de colisores é uma sonda crítica do mecanismo de Quebra de Simetria Eletrofraca (EWSB). Embora análises recentes do LHC (Run-2 e Run-3) tenham medido com sucesso essas frações usando ajustes de templates baseados em simulações de Ordem Leptônica (LO), a crescente precisão experimental exige previsões teóricas de ordens superiores. Abordagens anteriores de aprendizado de máquina (ML) para a identificação de polarização (polarisation tagging), como o método assistido por amplitude proposto na Ref. [36], eram restritas à precisão LO. Existe uma lacuna significativa na compreensão de como as correções de QCD de Próxima Ordem Leptônica (NLO) e os efeitos de chuva de partons (parton-shower - PS) impactam o treinamento e o desempenho de modelos de ML projetados para extrair frações de polarização. Especificamente, não estava claro se modelos de ML treinados em dados LO poderiam regredir com precisão as razões de polarização quando aplicados a dados NLO+PS, ou se o próprio treinamento exigiria precisão de ordem superior para contabilizar os deslocamentos cinemáticos induzidos pela radiação QCD.

Metodologia
Os autores abordam essa lacuna estendendo o framework de extração de polarização assistida por amplitude para a precisão de QCD NLO combinada com chuvas de partons (NLO+PS). A metodologia consiste em três componentes principais:

1. Framework Teórico e Reponderação:

   • O estudo foca no processo dibóson $pp \to ZZ \to e^+e^-\mu^+\mu^-$ em $\sqrt{s} = 13$ TeV.
   • Para gerar amostras polarizadas a partir de eventos de Monte Carlo (MC) não polarizados, os autores definem uma razão de reponderação $r_{LL} = |\mathcal{M}_{LL}|^2 / |\mathcal{M}|^2$, representando a amplitude ao quadrado para bósons duplamente longitudinais sobre a amplitude não polarizada.
   • Em NLO, esta razão é construída usando a função $\bar{B}$ do método Powheg, que incorpora contribuições de Born, virtuais e de radiação real integrada. A reponderação é aplicada evento por evento em amostras NLO+PS não polarizadas geradas com o framework Powheg-Box-Res e o pacote VV_pol.
   • A validade desta abordagem de reponderação é verificada através de "testes de fechamento" (closure tests), comparando distribuições reponderadas contra simulações diretas de sinais polarizados.

2. Arquiteturas de Aprendizado de Máquina:
   O artigo faz o benchmarking de quatro abordagens distintas de regressão para prever a razão $r_{LL}$ (ou seu substituto $\tilde{r}_{LL}$) usando apenas observáveis experimentalmente acessíveis (momentos de léptons do estado final):

   • Rede Neural Feed-Forward (FFNN): Uma rede profunda com 10 camadas ocultas e uma razão largura-profundidade reduzida para lidar com a maior complexidade cinemática do processo ZZ em comparação com estudos anteriores de Z+j.
   • Rede Neural tipo Autoencoder (AE): Uma rede com uma estrutura de gargalo (bottleneck) projetada para comprimir os 16 atributos de entrada (quatro-momentos dos léptons) em uma representação latente antes de reconstruir o alvo.
   • Rede Informada pela Física (PN): Um modelo baseado em ParticleNet, utilizando camadas EdgeConv e uma camada de pré-processamento inspirada em Lorentz para garantir invariância de Lorentz e reduzir o número de parâmetros treináveis.
   • Regressor Random Forest (RFR): Um método de conjunto baseado em árvores usando um subconjunto específico de atributos cinemáticos (momentos transversos dos bósons, rapididades e ângulos de decaimento no referencial de repouso).

3. Estratégia de Treinamento:

   • Os modelos são treinados em conjuntos de dados gerados com precisões LO, LO+Sudakov e NLO+PS.
   • Uma transformação logarítmica da variável alvo é aplicada para estabilizar os gradientes e evitar que a rede colapse para uma previsão de média constante.
   • Hiperparâmetros (taxa de aprendizado, tamanho do lote) são otimizados usando o framework Optuna.

Contribuições Principais

• Extensão para NLO+PS: Este trabalho apresenta a primeira implementação da extração de polarização assistida por amplitude com precisão de QCD NLO combinada com chuvas de partons. Demonstra que a técnica de reponderação, embora aproximada no contexto de correspondência de ordem fixa, reproduz simulações diretas de sinais polarizados com alta fidelidade (dentro de $\sim 1\%$ para seções de choque integradas).
• Impacto das Correções de Ordem Superior no ML: O estudo avalia sistematicamente a necessidade da precisão dos dados de treinamento. Conclui-se que treinar modelos de ML em dados LO e testá-los em NLO+PS leva a degradações significativas (desvios de 2–6% nas seções de choque), enquanto o treinamento e teste na precisão de correspondência NLO+PS resulta em precisão sub-per-mille.
• Benchmarking de Arquitetura: Os autores comparam quatro arquiteturas distintas de ML. Eles descobrem que, embora todos os modelos performem bem no volume principal do espaço de fase, a Rede Informada pela Física (PN) e o Regressor Random Forest (RFR) exibem robustez superior em todo o intervalo cinemático, particularmente nas caudas das distribuições. O modelo PN é destacado por alcançar alta precisão com um número significativamente menor de parâmetros treináveis ($\sim 60$k) em comparação com o FFNN ($\sim 4$M) e o AE ($\sim 1.4$M).

Resultados

• Testes de Fechamento: O procedimento de reponderação reproduz simulações diretas de NLO+PS para estados longitudinal-longitudinal ($LL$) e transverso-transverso ($TT$) com desvios de $-0.9\%$ e $+0.3\%$, respectivamente. Estados mistos mostram uma subestimação de $\sim 7\%$, atribuída a incompatibilidades no exponencial de Sudakov para radiação dura.
• Distribuições Diferenciais:
  • Para o ângulo de decaimento do pósitron ($\cos \theta^*_{e^+}$), todos os modelos concordam com a verdade dentro de alguns por cento na região central. Nas caudas, os modelos RFR e PN performam melhor.
  • Para o momento transversal do pósitron ($p_{T, e^+}$), modelos treinados em LO falham em descrever as caudas de NLO+PS com precisão. Modelos treinados em NLO+PS mostram boa concordância até $\sim 200$ GeV.
  • O modelo RFR, quando utiliza um conjunto específico de atributos de entrada incluindo ângulos de decaimento no referencial de repouso, fornece a descrição mais consistente através de todo o intervalo da distribuição $r_{LL}$.
• Extração de Seção de Choque: Quando treinados e testados na precisão NLO+PS, os modelos PN e RFR preveem a seção de choque fiducial para a produção de $Z_L Z_L$ com desvios menores que $0.2\%$ em relação à verdade.

Significância e Alegações
O artigo afirma que o framework proposto preenche com sucesso a lacuna entre as previsões teóricas de alta precisão e a extração de polarização experimental. Ao generalizar o método assistido por amplitude para NLO+PS, os autores demonstram que:

1. Correções de ordem superior são não negligenciáveis: Treinar modelos de ML em dados LO é insuficiente para a física de precisão no LHC; dados de treinamento NLO+PS são necessários para capturar os deslocamentos cinemáticos induzidos pela radiação QCD.
2. Eficiência e Robustez: A Rede Informada pela Física (PN) oferece um equilíbrio convincente entre desempenho e custo computacional, tornando-se uma escolha preferencial para estudos fenomenológicos.
3. Aplicabilidade Geral: Embora o estudo foque em decaimentos leptônicos de $ZZ$, a metodologia é aplicável a outros processos dibósons e decaimentos hadrônicos, desde que um gerador de eventos adequado esteja disponível.

Os autores concluem que seus resultados capturam a maior parte dos efeitos relevantes para a identificação de polarização em NLO, permitos extensões futuras para ordens perturbativas superiores sem gargalos conceituais. A implementação do procedimento de reponderação é disponibilizada publicamente via pacote VV_pol, e todas as previsões de ML estão disponíveis em um repositório público para garantir a reprodutibilidade.