Numerical Study of MRW-Type Unintegrated Double Parton Distribution Functions from Non-Factorized DPDFs

本文对基于非因子化 GS09 共线双部分子分布函数构建的 MRW 型非积分双部分子分布函数进行了数值研究，比较了双重修正 KMRW、双重虚度排序 MRW 及其归一化匹配变体的性能与特征，以分析其横向动量依赖性、归一化性质以及对纵向关联的敏感性。

要点

想象一下，不要把质子看作一颗实心的弹珠，而将其视为一个拥挤不堪、熙熙攘攘的舞池，里面挤满了被称为部分子（夸克和胶子）的微小、充满活力的舞者。通常情况下，当两个质子在粒子对撞机中相互撞击时，我们假设只有来自每一侧的一对舞者相互碰撞。这被称为“单部分子散射”。

然而，在极高能量下，有可能两对独立的舞者在同一次撞击中同时发生碰撞。这就是双部分子散射（DPS）。为了理解这种混乱的舞蹈，物理学家需要一张地图，不仅要显示舞者在哪里，还要显示他们横向移动的速度（横向动量）以及他们彼此之间的关联。

本文是CHROMA 合作组进行的一项数值研究，旨在创建并测试三种不同的绘制此类地图的方法。以下是用通俗语言进行的分解：

1. 问题所在：“口袋公式”过于简单

长期以来，物理学家使用一种“口袋公式”来估算这些双重碰撞。这就像假设舞池是空的，且舞者彼此完全独立。你只需要将一个舞者出现在某处的概率乘以另一个舞者出现的概率。

• 缺陷：在现实中，舞池是拥挤的。如果一个舞者位于特定位置，就会改变另一个舞者可能出现位置的概率。此外，“口袋公式”忽略了舞者横向移动的速度。本文认为，我们需要一张更详细的地图，以考虑这些关联和横向运动。

2. 原料："GS09"地图

作者们从一张现有的、高质量的质子地图GS09开始。这张地图已经知晓了舞者的“拥挤程度”（关联）。然而，这张地图是“共线”的，意味着它只告诉你舞者向前移动的方向，而没有显示他们横向“晃动”了多少。

• 任务：他们需要将这张向前移动的地图与“晃动”（横向动量）结合起来，创造出他们所称的非积分双部分子分布函数（UDPDFs）。

3. 三种方法：添加“晃动”的三种方式

本文测试了三种不同的“配方”（方案），用于将这种横向运动添加到地图中。不妨将其想象为三位不同的厨师试图为炖菜添加香料：

• 配方 A：“虚度排序”厨师（DVO-MRW）

  • 工作原理：这位厨师根据一条严格规则添加香料：“晃动越大，配方改变越多。”它观察舞者的历史来决定他们晃动的程度。
  • 陷阱：这位厨师有点混乱。有时，在添加香料后，炖菜的总量（总概率）与原始配方不完全匹配。这造成了“归一化不匹配”。
  • 修正：作者们创建了一个匹配版本（MDVO-MRW）。这是同一位厨师，但他们增加了一个最终的“品尝测试”步骤，以调整炖菜的量，使总体积完美，而不改变风味特征（晃动的形状）。

• 配方 B：“归一化核”厨师（DMKMRW）

  • 工作原理：这位厨师非常精确。他们取原始地图，并为每个舞者贴上预先制作好的、测量完美的“晃动贴纸”。
  • 优势：由于贴纸是预先测量好的，炖菜的总量从一开始就保证是正确的。不需要进行混乱的调整。
  • 区别：与第一位厨师不同，这位厨师不让晃动改变舞者的底层地图；它只是在上面添加晃动。

• 配方 C：“老派”厨师（Direct LO-MRW）

  • 未使用的原因：本文提到了一种旧方法，需要将地图像拼图一样切割成碎片，以处理不同的速度。作者发现这对于他们的需求来说过于复杂和笨重，因此他们坚持使用上述两种更新、更干净的配方。

4. 发现：地图显示了什么

作者们运行了模拟，以比较这三种配方的效果。以下是他们的发现：

• “晃动”很重要：添加横向运动的方式会显著改变最终图像，特别是当舞者移动速度很快或靠近舞池边缘（高能）时。
• 关联是真实的：舞池的“拥挤程度”很重要。
  • 如果你寻找同类型的两个舞者（例如，两个“上”夸克），地图显示他们在一起被发现的可能性低于简单“口袋公式”的预测。这就像两个体型相同的人试图挤进一个小角落；他们会互相推开。
  • 如果你寻找一对相反的舞者（例如，一个夸克和一个反夸克），他们在一起被发现的可能性更高。这就像一对磁铁粘在一起。
• 配方选择会改变结果：
  • 归一化核（DMKMRW） 配方将“晃动”与“拥挤”分开。无论舞者在哪里，横向运动看起来都是一样的。
  • 虚度排序（DVO-MRW） 配方将它们混合在一起。“晃动”会根据该区域的拥挤程度而变化。
  • 关键的是：即使在修复了“混乱厨师”的体积问题（匹配版本）之后，这两种配方仍然产生了不同形状的横向运动。这意味着配方选择是预测这些碰撞时的主要不确定性来源。

5. 结论

本文得出结论，为了准确预测质子在极高能量下相互撞击时会发生什么，我们不能使用简单的“口袋公式”。我们必须使用这些详细的地图，以考虑部分子之间的关联。

然而，有一个陷阱：你使用哪种配方来添加横向运动至关重要。“归一化核”和“虚度排序”方法给出的结果不同，特别是在高速碰撞中。作者建议，未来的实验需要谨慎选择所使用的数学“配方”，因为它可能会改变最终答案。

简而言之：他们构建了一个更好、更详细的质子内部地图，测试了三种不同的在该地图上绘制“横向运动”的方法，并发现绘图方法的选择会显著改变图像，特别是在碰撞中能量最高的部分。

技术摘要

技术摘要：基于非因子化双部分子分布函数的 MRW 型未积分双部分子分布函数的数值研究

问题陈述
双部分子散射（DPS）是探测强子内部多部分子关联的关键探针。虽然标准的唯象方法依赖于“口袋公式”，该公式假设双部分子分布函数（DPDFs）具有因子化形式并积分掉横向动量，但这一近似无法满足双 DGLAP 演化方程以及相关的动量和数求和规则。此外，在高能下，初态 QCD 辐射会产生显著的横向动量（$k_t$），这要求在 $k_t$-因子化框架内使用未积分双部分子分布函数（UDPDFs）。

从非因子化的共线 DPDFs 构建 UDPDFs 时存在一个特定挑战。传统的领头阶（LO）MRW（Martin-Ryskin-Watt）方案需要分段处理：DPDF 的齐次（独立演化）和非齐次（微扰分裂）分量必须分开处理，特别是在横向动量低于输入尺度（$k_t < \mu_0$）的区域。这种分离对于唯象应用来说十分繁琐，尤其是在利用完整的、非因子化的 DPDF 输入（如 GS09 集合）时，因为这些分量并未单独存储。此外，现有模型通常难以解决归一化歧义问题，并会在硬尺度以上产生非物理的拖尾。

方法论
作者提出了一项数值研究，直接从非因子化的共线 DPDFs 构建 UDPDFs，使用了三种 MRW 启发的方案，这些方案避免了齐次项和非齐次项的分段分离：

1. 输入与演化：研究利用 GS09 DPDFs 作为输入，使用名为ChromaPDFEvolver的自定义数值双 DGLAP 演化框架演化至不等尺度（$\mu_1 \neq \mu_2$）。该框架在 $x$ 空间中使用变量 $u = \ln(x/(1-x))$ 的网格和 Runge-Kutta-Fehlberg 算法求解双 DGLAP 方程（包括非齐次“馈送”项）。不等尺度演化的有效性已通过动量求和规则得到验证。
2. 方案 1：双虚度排序 MRW（DVO-MRW）：该模型对完整的共线 DPDF 应用虚度排序的最后一步演化。虚度尺度 $K^2 = k_t^2/(1-z)$ 用于 Sudakov 形状因子和耦合常数，确保分布仅在运动学允许的虚度区域内非零。它动态地生成横向动量依赖性，无需单独的低温 $k_t$ 外推。
3. 方案 2：归一化匹配 DVO-MRW（MDVO-MRW）：为了解决 DVO-MRW 模型中固有的归一化偏差，引入了一个乘法匹配因子。这在保持虚度排序的横向动量形状的同时，强制对 $k_t$ 的积分精确重现输入的共线 DPDF。
4. 方案 3：双修正 KMRW（DMKMRW）：基于修正的 KMRW（MKMRW）方法，该模型为每个外部部分子腿分配归一化的横向核。横向依赖性从共线 DPDF 中因子化出来，该模型在设计上即保证精确保持归一化。

该研究在各种部分子通道（$gg, ug, uu, u\bar{u}$）中比较了这些模型，并分析了非因子化分布与因子化分布的比率，以隔离纵向关联的影响。

关键结果

• 验证：ChromaPDFEvolver 成功地将不等尺度 DPDFs 的动量求和规则保持到极高的数值精度，证实了用于构建 UDPDF 的输入的有效性。
• 归一化：DMKMRW 模型本质上保持归一化。DVO-MRW 模型表现出显著的归一化偏差，特别是在胶子 - 胶子通道中，这些偏差在 MDVO-MRW 变体中得到了成功修正。
• 横向动量依赖性：
  • 在DMKMRW模型中，非因子化分布与因子化分布的比率与 $k_t$ 无关。非因子化效应纯粹表现为纵向关联因子（$D_{ij}/f_i f_j$），它修正归一化和味依赖性，但不改变 $k_t$ 形状。
  • 在DVO-MRW/MDVO-MRW模型中，非因子化效应与横向动量耦合。随着 $k_t$ 增加，虚度排序约束限制了积分区域，使得采样更接近运动学边界（$x_1+x_2=1$）处的 DPDF。这导致在大 $x$ 和大 $k_t$ 处，非因子化分布受到 $k_t$ 依赖的抑制。
• 通道依赖性：
  • $uu$ 通道显示非因子化分布相对于因子化近似受到强烈抑制，这是由价数求和规则驱动的（寻找第二个价夸克受到限制）。
  • $u\bar{u}$ 通道可能显示增强，反映了输入 GS09 DPDFs 中存在的夸克 - 反夸克关联。
• 模型比较：即使两个模型都进行了归一化匹配（DMKMRW 与 MDVO-MRW），它们产生的横向动量形状也不同。MDVO-MRW 分布在大 $k_t$ 处受到抑制，这是由虚度排序约束（$K^2 < \mu^2$）导致的，而 DMKMRW 分布则保留了由归一化核决定的拖尾。

意义与主张
本文主张，从非因子化 DPDFs 构建 UDPDFs 对于 DPS 的一致 $k_t$-因子化描述至关重要。作者证明了：

1. 非因子化关联并非普适的：它们不能由一个与运动学无关的简单乘法因子来表示；它们依赖于味、纵向动量分数以及生成横向动量所使用的具体方案。
2. 方案依赖性是不确定性的来源：在归一化核方法（DMKMRW）与虚度排序卷积方法（DVO/MDVO-MRW）之间的选择，会导致预测的 $k_t$ 形状出现显著差异，特别是在大横向动量和接近运动学边界时。
3. 实用价值：所提出的方案（特别是 MDVO-MRW 和 DMKMRW）提供了紧凑的单一表达式模型，可直接应用于完整的非因子化 DPDFs，避免了传统 LO-MRW 构建中繁琐的分段处理。

作者得出结论，虽然因子化近似可能足以处理小 $x$ 和中等 $k_t$ 的情况，但对于对大 $x$、大 $k_t$ 或特定的价夸克/夸克 - 反夸克关联敏感的过程，使用非因子化 UDPDFs 至关重要。他们指出，全面评估其唯象影响需要在过程级 DPS 计算中实现这些分布，这留待未来工作完成。