技术摘要：非分箱全球 LHC 分析

问题陈述

从高维事件数据中提取信息已成为大型强子对撞机（LHC）精密物理研究的瓶颈。传统的推断方法依赖于将数据简化为低维直方图，这一过程通过降维和分箱丢弃了大量的运动学信息。虽然神经模拟基于推断（SBI）已在单个过程中展示出优于直方图方法的性能，但目前尚不清楚这种优势在结合多个过程以约束标准模型有效场论（SMEFT）参数的全球分析中是否依然存在。本文旨在填补理解空白，研究 SBI 在应用于双玻色子过程的全球组合分析时表现如何，特别是调查其在单过程研究之外是否仍具备解耦退化理论参数的能力。

方法论

作者采用了一种神经模拟基于推断框架来估计似然比而不进行分箱，并将结果与传统的基于直方图的限制以及总速率约束进行了对比。

通过导数学习实现的似然学习：
作者并未直接在特定的基准点学习似然比，而是利用了一种导数学习方法。给定 SMEFT 拉格朗日量结构 $L_{SMEFT} = L_{SM} + \sum_i \theta_i O_i$，其中 $\theta_i$ 为威尔逊系数，微分截面比 $R(x|\theta, \theta_0)$ 被展开为关于 $\theta$ 的二阶项。神经网络被训练用于学习该展开式的系数（$R_i(x)$ 和 $R_{ij}(x)$），并以部分层级（parton-level）的比率为目标。这使得重建层级的似然比可以通过以下方式重建，对于任何 $\theta$：
$$r(x|\theta, \theta_0) \approx 1 + (\theta - \theta_0)_i R_{\phi,i}(x) + (\theta - \theta_0)_i (\theta - \theta_0)_j R_{\phi,ij}(x)$$
其中 $R_{\phi}$ 代表神经网络估计器。

背景处理：
为了考虑背景，作者将平方矩阵元拆分为信号、背景和干涉项。由于干涉项在所考虑的过程中可以忽略不计，因此似然被建模为信号概率与背景概率之和。作者训练了一个信号-背景分类器来估计比率 $\omega(x) = p_{sig}(x)/p_{bkg}(x)$，随后将其用于构建完整的似然比。为确保尽管存在数值缺陷，似然最小值仍保持在参考假设（$\theta_0$）处，作者通过调整信号截面导数项，从解析上强制要求对数似然的一阶导数在 $\theta_0$ 处为零。

分数平滑（Fractional Smearing）：
为了减轻由具有大导数的离群事件引起的数值不稳定问题，应用了一种“分数平滑”技术。具有大导数的事件会被多次通过部分簇流（parton shower）和探测器模拟（$n$ 次），每个生成的事件被分配权重 $1/n$。这些权重在训练期间被纳入均方误差（MSE）损失函数中。

分析设置：
本研究聚焦于四种双玻色子过程：$WW$、$WZ$、$WH$和$ZH$ 产生。

• 算符： 考虑了六个六维 SMEFT 算符：$O_{\Phi D}$、$O_{\Phi W}$、$O_{\Phi B}$、$O_{\Phi W B}$、$O^{(3)}_{\Phi q}$ 和 $O_{WWW}$。
• 数据： 事件生成于 $\sqrt{s} = 13.6$ TeV，使用 MADGRAPH5_AMC@NLO、PYTHIA8 和 DELPHES。假设积分亮度为 $300 \text{ fb}^{-1}$。
• 对比： 结果与以下内容进行对比：
  1. 部分层级似然（理论上限）。
  2. 总速率限制（下限灵敏度）。
  3. 使用标准观测量和分箱（如 STXS stage 1.2）的重建层级直方图。
  4. 重建层级 SBI 限制。
     系统不确定性被忽略，以隔离运动学信息的增益，尽管作者指出 SBI 预计能通过将运动学效应与理论参数解耦来更好地处理系统不确定性。

关键贡献与结果

1. 单过程性能：
对于每个单独的过程（$WW$、$WZ$、$WH$、$ZH$），SBI 方法在威尔逊系数的约束上始终优于基于直方图的方法。

• 退化破缺： SBI 的主要优势在于其能够打破在影响总速率方面相似但在运动学分布上不同的算符之间的退化。例如，在 $WZ$产生过程中，直方图方法难以区分$c_{\Phi W B}$和$c_{\Phi D}$，而 SBI 显著收紧了该平面内的限制。
• 极化敏感度： 在 $ZH$产生过程中，直方图观测量（$p_T^Z$）对$Z$玻色子极化不敏感，导致在一维剖面限制中，$c_{\Phi W}$、$c_{\Phi B}$、$c_{\Phi W B}$和$c_{\Phi D}$ 之间存在完全退化。SBI 通过利用全相空间，打破了这种退化，并单独约束了所有四个系数。
• 背景鲁棒性： 即使在具有显著背景贡献的通道中（例如带有 $Zb\bar{b}$ 背景的 $ZH$），SBI 仍优于直方图，在直方图无法提取超出总速率之外的信息时，SBI 仍能提供约束。

2. 全球组合分析：
论文证明，当结合所有四个过程时，SBI 的优势得以延续并放大。

• 互补性： 不同的过程约束参数空间中的不同方向（例如，$WZ$约束$c_{\Phi W B}$，$WH$约束$c_{\Phi W}$）。
• 组合优越性： 组合 SBI 限制明显强于组合直方图限制。对于系数 $c_{\Phi D}$、$c_{\Phi W}$、$c_{\Phi W B}$ 和 $c_{\Phi B}$，SBI 限制大约比直方图限制强 2 倍。
• 亮度等效性： 作者估计，若要使用直方图方法达到与 SBI 方法相同的灵敏度，对于最退化的系数（假设遵循标准缩放 $\mathcal{L}^{-1/2}$），则需要多出约 $\sim 4$ 倍的数据。即使对于直方图更敏感的系数（如 $c_{WWW}$），SBI 也提供了 $\sim 30\%$ 的灵敏度提升。

3. 验证：
作者验证了所学似然函数的经验覆盖率。对于大多数参数平面，经验覆盖率与标称置信水平相符。在少数案例中（例如 $WW$产生中的$c_{WWW}$），似然表现出轻微的欠置信（保守），这表明通过更多的训练数据，约束可以进一步收紧。

重要性与主张

本文声称，证明了神经模拟基于推断不仅是单过程分析的一种改进，对于释放全球 LHC 分析的全部潜力也是必不可少的。作者认为：

• 全局解耦： SBI 在处理全球背景下多个理论参数的解耦方面具有独特优势，而在这种背景下，传统的有分箱直方图会因为信息丢失和退化而失效。
• 可扩展性： 导数学习方法允许直接引入多个算符和过程，而不会导致复杂性的组合爆炸。
• 未来准备： 随着 LHC 数据集的增长，分箱带来的信息丢失将变得日益严重。SBI 提供了一条利用全高维事件信息的路径，其效果可能相当于使特定 SMEFT 约束的有效亮度增加两倍或四倍。

作者总结道，尽管其分析简化了某些方面（忽略了系统误差和次要背景），但 SBI 在全球 SMEFT 背景下相对于直方图方法的持续优势表明，SBI 应被整合到未来的全球拟合中，以最大化 LHC 的物理研究范围。