Unbinned extraction of $\gamma$ from $B\to DK$ with normalizing flows

本文介绍并验证了一种利用归一化流从$B^\pm \to (D \to K_S \pi^+ \pi^-) K^\pm$衰变中提取CKM角$\gamma$的非分箱方法，展示了该方法在通过集成训练传播统计不确定性的同时，能够从蒙特卡洛数据中准确恢复$\gamma$及其他参数的能力。

要点

想象你正在试图解开一个复杂的谜题，以寻找一个隐藏的数字，我们称之为 $\gamma$（伽马）。这个数字是宇宙法则手册中的一个基本要素，具体关系到为什么宇宙由物质构成，而非反物质。

物理学家通常通过观测特定粒子（称为 B 介子）衰变（分解）为其他粒子来寻找这个数字。这个过程就像观看魔术师的戏法：一个 B 介子分裂，其“子代”之一是一个 D 介子，该 D 介子随即再次分裂，形成π介子和 K 介子的混合体。

旧方法：透过网格观察

几十年来，科学家们一直使用一种称为 BPGGSZ 方法 的技术来分析这些粒子衰变。想象一下，D 介子衰变的可能结果被映射到一张方格纸上（称为达利兹图）。

在传统方法中，科学家在这张纸上画出一个网格，将其划分为 8 个大方格。他们统计落入每个方格的粒子数量，并计算该方格的“平均值”。

• 问题所在： 这就像试图透过粗糙的窗纱来观察一幅细节丰富的画作。你只能得到大致印象，却丢失了方格内部所有的精细细节和锐利边缘。这种“模糊化”使得精确确定 $\gamma$ 的数值变得更加困难。

新方法：“归一化流”相机

本文介绍了一种利用一种名为 归一化流（Normalizing Flows, NFs） 的人工智能（AI）来更清晰地观察数据的新方法。

将归一化流想象成不是网格，而是一台 高清、灵活的相机，它学习如何完美地拍摄粒子数据。

1. 学习形状： AI 被输入数百万个 D 介子衰变方式的示例。AI 不再统计方格，而是学习粒子分布的 精确、连续的形状。它捕捉数据中的每一个微小涟漪、峰值和谷底，就像高分辨率照片捕捉每一笔笔触一样。
2. 棘手部分（约束条件）： 物理学中有一条数学规则，规定这些粒子模式必须完美契合，就像三块拼图必须组成一个圆形。如果你猜对了其中一块的形状，其他块的位置也就被锁定。
   • 挑战： 如果你使用两个独立的 AI 模型来猜测形状，它们可能会无意中违背这一规则（就像两块无法完全契合的拼图）。
   • 解决方案： 作者构建了两种版本的 AI：
     • 版本 A（"H-网络”）： 该 AI 将规则 硬编码 进其“大脑”。它在物理上不可能犯错；它总是生成完美契合拼图形状的结果。
     • 版本 B（"3-Flow"）： 该 AI 使用三个独立学习的模型。有时它们会产生微小错误，导致拼图块无法契合。作者通过平滑这些误差来解决这个问题，就像轻轻打磨粗糙的拼图块直到其契合为止。

结果：完美的测试

作者使用计算机模拟（“闭合测试”）测试了这种新方法。他们创建了具有已知 $\gamma$ 值的伪造数据，并让 AI 找出该数值。

• 结果： 两个版本的 AI 都以高精度成功找到了隐藏的数字 $\gamma$。
• 获胜者： "H-网络”（规则被硬编码的那个）略微更稳定和精确，这可能是因为它无需浪费时间修正自身的错误。

为何这很重要

该论文声称，这种方法使物理学家能够利用数据中的 所有 信息，而不是通过将精细细节平均化到方格中而将其丢弃。

• 益处： 随着从实验（如 CERN 或 Belle II 的实验）中收集到更多数据，这种 AI 方法会变得越来越好，系统性地提高测量的精度。
• 注意事项： 这目前是使用模拟数据的“概念验证”。作者指出，在将此方法应用于真实世界数据之前，他们需要考虑到现实世界的混乱因素（如探测器误差），并确保 AI 不会产生任何微妙的偏差。他们还建议，未来使用此类 AI 的“贝叶斯”版本，可以自动计算结果的不确定性，而无需运行数百次模拟。

简而言之： 作者用一种锐利的、由 AI 驱动的方法取代了模糊的、基于网格的测量宇宙基本常数的方法，该方法学习数据的精确形状，并证明其能在模拟中准确找到答案。

技术摘要

技术摘要：基于归一化流的 $B \to DK$ 衰变中 $\gamma$ 角的无分档提取

问题陈述
从 $B^\pm \to DK^\pm$ 衰变（其中 $D \to K_S \pi^+ \pi^-$）中测定 CKM 幺正三角形角 $\gamma$（或 $\phi_3$）在理论上非常干净，但在实验上受限于统计精度。当前最先进的模型无关方法是 BPGGSZ 方法，该方法将 $D$ 衰变的 Dalitz 图划分为若干分档。虽然这避免了对 $D$ 衰变振幅的模型依赖假设，但引入了相空间的“粗粒化”。有限分档内强相位差的平均化抹去了局部的干涉效应，导致对 $\gamma$ 的灵敏度降低。此前提出的无分档替代方案（傅里叶展开、勒让德多项式、非参数检验）往往缺乏捕捉 Dalitz 图中固有的复杂多峰结构的灵活性，且会引入不可约减的建模误差。

方法论
作者提出了一种利用**归一化流（Normalizing Flows, NFs）**的无分档提取方法，以学习整个方形 Dalitz 图上 $D$ 衰变振幅和强相位变化的连续、数据驱动表示。该方法用直接从 $D$ 衰变数据中学习到的连续函数（$K, C, S$）取代了 BPGGSZ 方法中的分档平均可观测量（$K_i, c_i, s_i$）。

解决的核心技术挑战是连接所学函数的三角约束：$C^2 + S^2 = K \bar{K}$。本文探讨了两种不同的架构来处理这一约束：

1. 约束感知架构（$h$-网络）：

   • 训练一个味标记（flavor-tagged）的 NF 来学习密度 $K(m', \theta')$。
   • 训练一个独立的神经网络 $h(m', \theta')$，基于 CP 标记数据学习 $\cos \Delta \delta$。
   • 通过 $\tanh$ 激活函数将网络 $h$ 约束在 $[-1, 1]$ 范围内。
   • 干涉可观测量构建为 $C = \sqrt{K\bar{K}}h$ 和 $|S| = \sqrt{K\bar{K}}\sqrt{1-h^2}$。这种构建方式从定义上保证了三角约束在每一点都得到满足。
   • 为了捕捉共振附近快速振荡的特征，$h$-网络采用了SIREN（正弦表示网络）架构，该架构比标准的基于 ReLU 的多层感知机（MLP）更适合处理高频特征。

2. 延迟约束执行（3-流）：

   • 训练三个独立的 NF：一个基于味标记数据（学习 $K$），另外两个分别基于 CP 偶和 CP 奇标记数据（学习密度 $p_+$ 和 $p_-$）。
   • 可观测量 $C$ 从 CP 密度中代数提取。
   • 由于流是独立的，统计涨落可能导致 $C^2 > K\bar{K}$ 的非物理区域（导致 $S^2$ 为负）。
   • 应用涉及局部邻域平均的后处理步骤来强制执行约束 $C^2 \leq K\bar{K}$。

提取的连续函数随后用于对 $B^\pm \to DK^\pm$ 数据进行无分档最大似然拟合，以确定 $r_B$、$\delta_B$ 和 $\gamma$。

主要贡献

• 无分档密度估计： 本文首次将归一化流应用于 $\gamma$ 的提取，提供了一种灵活的、非参数的 Dalitz 图表示，并随着 $D$ 衰变数据集的增大而系统性地改进。
• 约束处理： 展示了两种将振幅与相位可观测量之间的非线性三角约束融入机器学习架构的策略，比较了“硬”约束（通过架构设计）与“软”约束（通过后处理）。
• SIREN 用于高频物理： 强调了 SIREN 架构在建模 Dalitz 图中快速相位变化方面的效用，而标准神经网络往往难以解析这些变化。
• 偏差与不确定性分析： 研究利用模拟数据集的集合进行了严格的闭合测试，以量化统计不确定性并搜寻由 NF 近似引入的系统性偏差。

结果
该方法在蒙特卡洛生成的数据上进行了测试，使用了基准参数（$r_B=0.1, \delta_B=130^\circ, \gamma=70^\circ$）。

• 保真度： NF 成功复现了输入的等旋模型（isobar model）密度，包括窄共振结构。所学密度的集合均值与真实模型高度吻合（味流逐点 $1\sigma$ 覆盖率约为 95%，CP 流约为 96-97%）。
• 参数提取： 两种方法均在统计不确定性范围内成功恢复了注入的 $\gamma$ 值。
• 方法比较：
  • 与 3-流方法相比，$h$-网络方法在不同数据集上提取的参数方差更小。这归因于内置约束防止了非物理值的出现，而 3-流方法则需要数值修复。
  • 3-流方法在不确定性方面表现出稍大的变异性，特别是在共振峰附近需要邻域平均来修正非物理 $S^2$ 值时。
• 偏差： 未发现具有统计显著性的系统性偏差。潜在偏差的估计上限很小（$\gamma$ 和 $\delta_B$ 约为 $1^\circ$，$r_B$ 约为 0.002），与模拟数据集的统计不确定性相当或更小。

意义与主张
本文将此工作作为 $\gamma$ 无分档提取的原理验证。作者声称：

1. 随着 $D$ 衰变样本量的增加，基于 NF 的方法相比分档方法具有系统性的改进，这类似于分档方法中 $c_i$ 和 $s_i$ 参数精度的提升。
2. 该方法避免了与等旋模型相关的不可约减建模误差，同时比分档方法保留了更多的相空间信息。
3. 所提出的架构未引入显著偏差，使其成为未来在 LHCb 和 Belle II 进行实验实施的可行候选方案。

作者明确指出，当前的实现通过独立训练的流集合来传播统计不确定性，尚未捕捉系统性实验误差（如探测器分辨率、本底）。他们建议未来的工作应探索贝叶斯归一化流，以便在不依赖外部集合的情况下直接提供所学密度的不确定性估计，并且该方法必须扩展以包含探测器效应，从而适用于真实数据。文章主张并行推进传统的分档方法和提出的无分档 NF 方法，以交叉验证结果并识别潜在的系统性效应。