Muon $g$$-$$2$: correlation-induced uncertainties in precision data combinations

本文引入一个系统框架以量化数据组合中因不完全已知的系统相关性而产生的不确定性，并将其应用于$e^+e^- \rightarrow \mathrm{hadrons}$截面数据，以证明尽管这些由相关性引起的不确定性在μ子$g-2$强子真空极化测定中通常处于次要地位，但它们不可忽略，并将被纳入即将进行的KNTW数据组合中。

要点

想象一下，你试图烤出一个完美的蛋糕，但必须依赖三位不同厨师的食谱。每位厨师对糖、面粉和鸡蛋的用量测量都略有不同。为了获得最佳结果，你需要将他们的测量值合并成一份“超级食谱”。

然而，这里有个陷阱：这些厨师并非在孤立环境中工作。他们可能使用了同一台秤、同一个烤箱，或同一批食材。这意味着他们的误差是相关的。如果厨师 A 的秤偏差了 1%，厨师 B 的秤也可能偏差 1%。如果你忽略这种关联，你最终的蛋糕可能会彻底失败。

本文介绍了一种新的、更聪明的方法，用于在合并科学数据时处理这些“共享误差”，特别是针对一个著名的物理学谜题——涉及μ子（电子的一个微小且更重的“表亲”）的谜题。

问题：“信任”因素

在物理学中，科学家经常合并来自不同实验的数据以获得精确答案。为此，他们使用一种称为协方差矩阵的数学工具。可以将这个矩阵想象成一张“信任地图”。它告诉计算机：“如果这个数据点是错的，那么那个其他数据点很可能以同样的方式出错。”

问题在于，科学家并不总是确切知道这些关联有多“可靠”。

• 旧方法：科学家不得不猜测。他们可能会说：“让我们假设这两个测量值 100% 关联”，或者“让我们假设它们完全独立”。
• 风险：如果你对数据如何关联的猜测错误，你的最终结果可能会产生偏差。这就像假设两个朋友在联手撒谎，而实际上他们说的是真话，反之亦然。

解决方案：“假设”模拟器

本文的作者建立了一个系统框架（一套新规则），用于测试如果他们改变对这些关联的假设，最终答案会发生多大变化。

这就像数据的飞行模拟器：

1. 基准：他们从关于数据如何关联的最佳猜测开始（即“标准飞行路径”）。
2. 压力测试：随后，他们在模拟器中故意“破坏”这些关联。他们会问：“如果这两个点实际上完全无关怎么办？”或者“如果关联强度只有我们想象的一半怎么办？”
3. 测量：他们使用一把特殊的尺子（称为“偏差度量”）来观察当改变这些关联时，最终结果会波动多少。
4. 结果：他们计算出一个新的“安全边际”（不确定性），以考虑到我们对关联并非 100% 确定的事实。

μ子谜题（“为什么”）

为什么这很重要？因为μ子 g-2实验。

• 科学家测量了μ子在磁场中“摇摆”（即其磁矩）的程度。
• 他们还拥有基于物理学标准模型的理论预测，即这种摇摆“应该”是什么样子。
• 张力：测量值与预测值并不完全匹配。这种不匹配可能意味着我们发现了新物理（一种新粒子或新力），也可能仅仅意味着我们的计算略有偏差。

为了计算理论预测，科学家需要合并来自许多不同实验的数据，这些实验测量电子和正电子如何碰撞产生强子（由夸克组成的粒子）。这些数据杂乱无章且充满关联。

他们的发现

作者将新的“飞行模拟器”应用于用于预测μ子行为的现有数据组合。

1. “关联”不确定性是真实的，但很小：他们发现，不确切知道数据点如何关联，确实会给最终答案增加一点点额外的不确定性。这就像因为不确定秤是否完美，而在蛋糕里多加了一小撮盐。
2. 这不是全部故事：这种新的不确定性不足以解释科学家在合并数据时存在的巨大差异。
   • 类比：想象两位厨师在争论蛋糕。一位说：“我们需要更多的糖！”另一位说：“少放点糖！”你可能会认为争论仅仅是因为他们使用了不同的秤（关联）。但本文表明，即使你完美地校准了秤，他们仍然会争论。分歧源于更深层的问题——比如厨师们实际上测量了不同的食材，或者使用了不同的方法。
3. "BaBar 与 KLOE"之谜：长期以来，两个主要实验（BaBar 和 KLOE）在计算中最关键的部分给出了截然不同的结果。人们曾认为这种差异仅仅是因为他们处理“信任地图”（关联）的方式不同。本文证明，仅改变信任地图无法解释这种差异。分歧是由更复杂的问题引起的，包括数据处理方式以及实验本身的统计特性。

结论

本文并没有解决μ子谜题，但它为科学家提供了一把更好、更诚实的尺子来衡量他们的不确定性。

• 以前：“我们不确定数据如何关联，所以我们就猜一个，然后希望最好。”
• 现在：“我们不确定数据如何关联，所以我们运行了模拟，看看这种猜测会造成多大混乱，并在最终数值中增加了一个特定的‘安全边际’。”

这使得μ子行为的最终计算更加稳健和透明，帮助物理学家更接近真相，即我们是否正处于发现宇宙新定律的边缘。

技术摘要

以下是论文《Muon g−2：精度数据组合中由相关性引起的不确定性》（Keshavarzi 等人著）的详细技术总结。

1. 问题陈述

缪子反常磁矩 ($a_\mu$) 的标准模型 (SM) 预测值的确定，高度依赖于强子真空极化 (HVP) 贡献 ($a_\mu^{\text{HVP}}$) 的色散计算。这些计算需要对 $e^+e^- \to \text{强子}$ ($\sigma_{\text{had}}$) 的实验截面数据进行精确组合。

本文解决的核心挑战是量化这些数据组合中因数据点之间系统性相关性认知不完善而产生的不确定性。

• 问题所在： 系统误差是估算值而非直接可测量的量。因此，相关性结构（一个区间的误差如何影响另一个区间）通常基于假设（例如，假设归一化误差具有 100% 的相关性）。
• 后果： 不同小组（例如 KNTW 与 DHMZ）对这些相关性做出不同的假设，导致组合后的截面不同，进而导致 $a_\mu^{\text{HVP}}$ 的数值不同。
• 差距： 先前的方法（如缪子 g-2 理论倡议 2020 年白皮书）引入了“特设”系统误差，以解释数据集之间的张力（例如 $\pi^+\pi^-$ 通道中 BaBar 与 KLOE 之间的差异），这是基于积分结果的差异。这种方法缺乏一个系统框架来量化多少差异实际上源于相关性假设，而非数据本身的内在张力。

2. 方法论

作者提出了一种通用且系统的框架，直接在组合谱的层面上量化“相关性引起的不确定性”，而不是从最终可观测量中推断。

A. 偏差度量 ($M$)

为了量化改变相关性假设的影响，作者定义了一个偏差度量 $M$，用于衡量基准组合谱 ($O_i$) 与在修改后的相关性假设下生成的谱 ($\tilde{O}_i$) 之间的差异：
$$M = \sum_{i,j} \left[ (\tilde{O}_i - O_i) (\tilde{C}_{ij} + C_{ij})^{-1} (\tilde{O}_j - O_j) \right]$$

• 该度量通过协方差矩阵进行归一化，使其成为无量纲量。
• 它依赖于偏差的绝对值，并且是对称的。
• 目标是通过改变相关性结构来最大化 $M$，从而找到“最坏情况”下的偏差。

B. 去相关程序

由于扫描完整的协方差矩阵参数空间不切实际，作者引入了去相关函数 $F_{ij}(\alpha)$ 来修改假设的协方差矩阵 $C_{ij}$：
$$\tilde{C}_{ij} = F_{ij}(\alpha) C_{ij}$$
测试了两种具体程序：

1. 全局去相关 ($\alpha_G$)： 通过常数因子 $\alpha_G$ 减少所有非对角线相关系数。$\alpha_G=1$ 为默认值；$\alpha_G=0$ 意味着完全去相关。
2. 局部去相关 ($\alpha_L$)： 根据数据点（能量区间）之间的距离减少相关性。这模拟了相关性仅存在于有限能量范围内的场景（例如，由于实验条件的变化）。

C. 应用于 KNT19 数据

该框架应用于 KNT19 的 $\sigma_{\text{had}}$ 数据组合。作者：

1. 将全局和局部去相关模型应用于输入数据的系统协方差矩阵。
2. 重新组合数据以生成修改后的谱 ($\tilde{\sigma}$)。
3. 计算最大偏差 ($M$) 以推导出新的系统误差分量，记为 $d\rho$。
4. 将这些新的协方差矩阵传播到导出的可观测量：$a_\mu^{\text{HVP}}$、$a_e^{\text{HVP}}$、$a_\tau^{\text{HVP}}$、$\Delta\alpha_{\text{had}}^{(5)}(M_Z^2)$ 以及缪子超精细分裂。

3. 主要贡献

• 系统框架： 引入了一种严格的、非特设的方法，专门用于量化由关于系统相关性的假设引起的不确定性。
• 谱级分析： 与以往从积分值（如 $a_\mu$）的差异中估算不确定性的方法不同，该方法在组合截面谱的层面上运作。这保留了局部变化和张力，确保了一致地传播到任何导出的可观测量。
• 效应解耦： 该框架允许研究人员将源于相关性建模的不确定性与数据集之间的内在差异区分开来。
• 历史差异的解决： 本文调查了 KNTW 和 DHMZ 组合之间长期存在的差异。它表明，仅改变系统相关性无法解释这些小组之间差异的全部幅度。

4. 主要结果

• 不确定性的幅度： 新的相关性强度不确定性 ($d\rho$) 通常是次要的但不可忽略的。
  • 对于 $a_\mu^{\text{HVP}}$，新不确定性对总误差预算的贡献约为 16.6%。
  • 对于 $\Delta\alpha_{\text{had}}^{(5)}(M_Z^2)$，贡献更高 (34.9%)，因为该可观测量对高能包容性通道更敏感，而这些通道的相关性约束较少。
• "BaBar-KLOE"张力：
  • 作者测试了改变系统相关性是否能复现 2020 年白皮书中引入的"BaBar-KLOE"系统误差 ($2.8 \times 10^{-10}$)。
  • 结果： 由相关性变化计算出的不确定性 ($0.45 \times 10^{-10}$) 约为特设不确定性的 1/6。
  • 结论： KNTW 和 DHMZ 之间的差异并非主要由对系统相关性的不同处理所驱动。
• 统计相关性的作用（附录 A）：
  • 论文揭示，KNTW 和 DHMZ 之间的差异主要由统计相关性的处理（特别是 BaBar 数据中）所驱动，这些相关性源于展开程序和光度归一化。
  • DHMZ 方法有效地减少或消除了这些统计相关性，而 KNTW 则保留了它们。由于统计相关性源于数据属性（而非假设），作者认为，为了模仿 DHMZ 的结果而减少它们以进行不确定性估计在物理上是不合理的。

5. 意义与影响

• 未来分析的稳健性： 该框架将成为即将发布的 KNTW 数据组合（KNT19 的继任者）的核心组成部分。它提供了一种透明、可重复的方式来处理相关性不确定性。
• 阐明缪子 g-2 反常： 通过表明仅靠相关性假设无法解释 $a_\mu^{\text{HVP}}$ 值的离散度，该论文强化了以下观点：色散结果与格点 QCD 结果（以及实验测量）之间的张力，很可能是由数据内在张力（例如 CMD-3 与 BaBar/KLOE 之间的差异）驱动的，而不仅仅是方法选择的问题。
• 通用适用性： 虽然该方法是在 $e^+e^- \to \text{强子}$ 上展示的，但它广泛适用于任何涉及相关数据组合的精密测量，为高能物理中系统不确定性的量化提供了新标准。

总之，该论文为精密物理提供了一项关键工具，超越了用于处理数据张力的“修补因子”，转而严格量化相关性建模选择如何影响最终结果，从而最终澄清了缪子 $g-2$ 计算中不确定性的来源。