[논문 리뷰] To Profile or To Marginalize -- A SMEFT Case Study

Ilaria Brivio, Sebastian Bruggisser외 4명|arXiv (Cornell University)|2022. 08. 17.

Particle physics theoretical and experimental studies참고 문헌 100인용 수 7

한 줄 요약

이 논문은 LHC 런 2 데이터에 대한 글로벌 SMEFT 분석에서 프로파일 likelihood와 베이지안 마진화 기법을 비교하며, 힉스-전자약 차원-6 연산자에 대해서는 두 방법이 일치함을 보여주지만, 새로운 운동량 측정값을 포함할 경우 월별로 제약 조건에 상당한 차이가 발생함을 밝혀냈다. 연구는 마진화가 프로파일링에 비해 계산적으로 효율적인 대안임을 검증하며, 포괄적인 불확실성 처리와 새로운 물리 상호작용 촉매의 개선된 제약 조건을 가능하게 한다.

ABSTRACT

Global SMEFT analyses have become a key interpretation framework for LHC physics, quantifying how well a large set of kinematic measurements agrees with the Standard Model. This agreement is encoded in measured Wilson coefficients and their uncertainties. A technical challenge of global analyses are correlations. We compare, for the first time, results from a profile likelihood and a Bayesian marginalization for a given data set with a comprehensive uncertainty treatment. Using the validated Bayesian framework we analyse a series of new kinematic measurements. For the updated dataset we find and explain differences between the marginalization and profile likelihood treatments.

연구 동기 및 목표

• LHC 데이터에 대한 글로벌 SMEFT 분석에서 프로파일 likelihood와 베이지안 마진화의 일관성과 차이를 평가하는 것.
• 최근 런 2 힉스 및 공명 탐색 측정값을 포함할 경우 월리 계수 제약 조건에 미치는 영향을 평가하는 것.
• 불확실성 처리를 유지하면서도 계산적으로 효율적인 대안으로서 베이지안 마진화의 사용을 검증하는 것.
• 향상된 체계적 및 이론적 불확실성의 영향을 SMEFT 월리 계수 제약 조건에 대해 정량화하는 것.
• 특히 약하게 제약받는 연산자에 대해 프로파일링과 마진화가 다를 수 있는 경우를 특정하는 것.

제안 방법

• LHC 런 2 측정값의 통합 데이터셋을 바탕으로 SFitter 프레임워크를 사용해 프로파일 likelihood와 베이지안 마진화 분석을 수행한다.
• 상관 측정값을 고려한 실험적, 이론적, 체계적 오차를 포함한 종합적인 불확실성 처리를 적용한다.
• SMEFT 라그랑지안에서 59개의 바리온 수 보존 차원-6 연산자를 기저로 사용하며, LHC에서 강하게 제약받거나 관측 불가능한 항목은 제외한다.
• 동일한 데이터셋을 사용해 두 가지 가능도 처리 방식으로 글로벌 피팅을 수행하여 결과를 직접 비교한다.
• 특정 힉스-전자약 연산자에 대해 프로파일 likelihood와 비교함으로써 베이지안 마진화 접근의 타당성을 검증한다.
• 보팅된 힉스 생성, top 쿼크 분석, WW, WH, ZH 공명 탐색의 새로운 측정값을 통합하여 제약 조건을 업데이트한다.

실험 결과

연구 질문

• RQ1 동일한 LHC 데이터셋에 대해 프로파일 likelihood와 베이지안 마진화는 SMEFT 월리 계수 제약 조건에서 어떻게 비교되는가?
• RQ2 새로운 운동량 측정값과 향상된 불확실성 처리를 포함할 경우 두 방법 간의 차이가 어느 정도 발생하는가?
• RQ3 베이지안 마진화가 글로벌 SMEFT 피팅에서 계산적으로 효율적인 대안으로 신뢰성 있게 사용될 수 있는가?
• RQ4 프로파일링과 마진화 간에 가장 큰 격차를 보이는 월리 계수는 무엇이며, 그 원인은 무엇인가?
• RQ5 향상된 체계적 및 이론적 불확실성이 특히 약하게 제약받는 연산자에 대해 SMEFT 연산자 제약 조건에 어떻게 영향을 미치는가?

주요 결과

• 히iggs-전자약 차원-6 연산자에 대해서는 프로파일 likelihood와 베이지안 마진화가 일치하는 결과를 도출하며, 후자의 효율성 사용을 검증한다.
• 새로운 런 2 측정값을 포함할 경우, 마진화와 프로파일링이 서로 다른 제약 조건을 도출하며, 특히 $f_{\text{inv}}$, $f_{\tau}$, $f_{\text{+}}$와 같은 연산자에서 비정규 분포 가능성과 비대칭 불확실성으로 인해 차이가 발생한다.
• 향상된 체계적 및 이론적 불확실성은 $f_{\text{μ}}$와 $f_{-}$와 같은 몇몇 월리 계수의 제약 조건을 크게 강화하며, 후자는 불확실성 처리에 매우 민감한 3.0σ 신호를 보인다.
• 마진화를 통해 $f_{\text{inv}}$ (비가시 힉스 붕괴 비율) 는 68% 신뢰수준에서 [0, 4.64], 95% 신뢰수준에서 [0, 9.44]로 제약되며, 불확실성이 반으로 줄어들면 더 좁은 구간이 된다.
• $f_{\text{tG}}$의 경우 마진화로 68% 신뢰수준에서 [3.53, 7.12], 95%에서 [-0.36, 8.02]를 기록하지만, 프로파일링은 [2.05, 6.82]와 [-0.93, 7.72]를 제공하여 중심값과 구간 너비에 변화가 있다.
• $f_{\text{ϕQ}}^{(3)}$ 계수는 마진화에서 95% 신뢰수준에서 [-13.19, 34.80]의 넓은 범위를 보이며, 사전 가정과 데이터 상관관계에 매우 민감한 것으로 나타났다.