[논문 리뷰] The Path to Proton Structure at One-Percent Accuracy

Richard D. Ball, Stefano Carrazza외 15명|arXiv (Cornell University)|2021. 09. 06.

Particle physics theoretical and experimental studies참고 문헌 143인용 수 37

한 줄 요약

본 논문은 44개의 새로운 데이터 세트를 사용한 글로벌 PDF 세트인 NNPDF4.0을 제시하며, 기계학습 기반 하이퍼파라미터 최적화 및 엄격한 검증(closure 및 future tests)을 통해 EW 보정이 포함된 NNLO에서 퍼센트 수준의 PDF 정밀도에 도달한다.

ABSTRACT

We present a new set of parton distribution functions (PDFs) based on a fully global dataset and machine learning techniques: NNPDF4.0. We expand the NNPDF3.1 determination with 44 new datasets, mostly from the LHC. We derive a novel methodology through hyperparameter optimisation, leading to an efficient fitting algorithm built upon stochastic gradient descent. We use NNLO QCD calculations and account for NLO electroweak corrections and nuclear uncertainties. Theoretical improvements in the PDF description include a systematic implementation of positivity constraints and integrability of sum rules. We validate our methodology by means of closure tests and "future tests" (i.e. tests of backward and forward data compatibility), and assess its stability, specifically upon changes of PDF parametrization basis. We study the internal compatibility of our dataset, and investigate the dependence of results both upon the choice of input dataset and of fitting methodology. We perform a first study of the phenomenological implications of NNPDF4.0 on representative LHC processes. The software framework used to produce NNPDF4.0 is made available as an open-source package together with documentation and examples.

연구 동기 및 목표

• 대부분 LHC 기반의 대규모 글로벌 데이터 세트로 NNPDF3.1 결정안을 확장하여 PDF 불확실성 및 편향을 줄인다.
• 신경망 매개변수화 및 피팅 방법론을 선택하기 위한 완전 자동화된 하이퍼파라미터 최적화 워크플로를 도입한다.
• 이론적 및 방법론적 측면(양수성, 적분가능성, EW 보정, 핵 불확실성)을 개선하고 강건성을 검증한다.
• 정밀 LHC 현상학에 적합한 오픈소스 소프트웨어와 검증된 PDF를 제공한다.

제안 방법

• PDF를 신경망으로 매개변수화하고 하이퍼파라미터 최적화를 통해 매개변수화 기반을 자동으로 최적화한다.
• 피팅을 가속하기 위해 확률적 그래디언트 하강법으로 학습하고(TensorFlow 기반), 가능할 때 NNLO 교차섹션 평가를 빠르게 구현한다.
• 충실한 불확실성 추정 및 데이터 호환성을 보장하기 위해 closure 테스트와 future 테스트를 포함한 이중 계층 검증을 사용한다.
• PDF의 물리적 동작을 강제하기 위해 양수성 제약과 비-싱글릿 합 규칙의 적분가능성을 부과한다.
• 피팅에 NNLO QCD와 NLO EW 보정을 포함하고 핵 불확실성 및 heavy-flavor 처리를 반영한다.
• Monte Carlo 리플리카, Hessian, 압축 리플리카 등 여러 형식으로 PDF 세트를 제공하고 전체 오픈소스 프레임워크를 공개한다.

실험 결과

연구 질문

• RQ1 44개의 새로운 LHC 데이터 세트와 새로운 프로세스의 포함으로 PDF 불확실성을 퍼센트 수준의 정확도로 줄일 수 있는가?
• RQ2 자동화된 하이퍼파라미터 최적화가 이전의 수동 방법론에 비해 PDF 결정의 안정성, 편향 및 강건성에 어떤 영향을 미치는가?
• RQ3 다양한 데이터 세트 및 섭동 차수에 걸친 closure 및 future 테스트로 평가할 때 PDF와 그 불확실성은 신뢰할 만한가?
• RQ4 양수성 제약, 비-싱글릿 적분가능성 및 핵 보정이 결과 PDF와 현상학에 미치는 영향은 무엇인가?
• RQ5 주요 LHC 관측값들에 대해 NNPDF4.0 PDFs가 이전 세트 및 다른 PDF 결정들과 어떻게 비교되는가?

주요 결과

• NNPDF4.0은 44개의 새로운 데이터 세트를 포함하며, PDF는 DIS 만이 아니라 주로 LHC 데이터에 의해 크게 제어된다.
• 본 방법론은 자동 하이퍼파라미터 최적화와 확률적 그래디언트 하강법을 사용하여 복제본당 피팅 속도를 약 20배 향상시킨다.
• PDF 불확실성은 광범위한 closure 테스트와 future 테스트를 통해 검증되어 데이터 세트 및 매개변수화 변화에 대한 강건성을 보여준다.
• 분석은 양수성 제약과 합 규칙의 적분 가능성을 구현하고, 피팅에 핵 보정 및 EW 효과를 반영한다.
• 제공물에는 alpha_s 변동이 있는 NNLO PDF(및 LO/NLO 변형)이 포함되고, 재현 가능한 분석을 위한 오픈소스 코드 및 문서가 함께 제공된다.
• NNPDF3.1과 비교하여 NNPDF4.0은 불확실성이 감소하고 대표적인 LHC 프로세스에 대한 현상학적 시사점이 향상된다.