[논문 리뷰] Towards a Neural Network Determination of Charged Pion Fragmentation Functions

Emanuele R. Nocera|arXiv (Cornell University)|2017. 01. 31.

Particle physics theoretical and experimental studies인용 수 3

한 줄 요약

이 논문은 QCD에서 다음다음최고순서(NNLO)까지의 전자-양전자 결합 데이터를 포괄적으로 분석한 결과, 신경망 기반의 파라미터화를 사용하여 처음으로 양성 편자 분열함수를 결정하였다. 결과적으로 도출된 NNFF1.0 세트는 뛰어난 데이터 기술 능력, 고차수 보정에 대한 안정성, 기존 파라미터화와 비교해 뚜렷한 차이(특히 글루온 분열함수에서)를 보이며, 민감도가 높은 신경망 접근법을 통해 제작 과정에서의 편향을 감소시켰다.

ABSTRACT

I present a first determination of a set of collinear fragmentation functions of charged pions using the NNPDF methodology. The analysis is based on a wide set of single-inclusive electron-positron annihilation data, including recent measurements from $B$-factory experiments, and is performed up to next-to-next-to-leading order accuracy in perturbative quantum chromodynamics. I discuss the results of the fits, highlighting their quality in the description of the data, their stability upon the inclusion of higher-order corrections, and their comparison to other sets of fragmentation functions.

연구 동기 및 목표

• NNPDF 방법론을 활용하여 새로운, 편향 제어가 가능한 양성 편자 분열함수를 도출하고자 한다.
• 탄력적인 신경망 기반 파라미터화를 활용하여 분열함수 추출 과정에서의 제도적 불확실성을 줄이고자 한다.
• 단일 포함형 e+e− 결합 데이터에 기반한 강력하고 불확실성 양자화가 가능한 분열함수 세트를 제공하고자 한다.
• 향후 SIDIS 및 pp 충돌 데이터를 포함한 글로벌 피팅의 기초를 마련하고, 색상에 따라 다른 분열함수 및 선호/비선호 분열함수를 접근하고자 한다.

제안 방법

• 분열함수는 모델 편향을 줄이기 위해 여분의 파rameter를 포함한 신경망을 사용하여 파라미터화한다.
• 중앙값과 표준편차로 직접 계산할 수 있도록, 분열함수를 표현하기 위해 몬테카를로 샘플링 기법을 사용한다.
• 19개의 SIA 데이터 세트(서클, DESY, KEK, SLAC 실험에서 확보)를 포함한 글로벌 분석을 통해 피팅을 수행한다. 이는 √s ≈ 10 GeV에서의 B-팩토리 데이터 및 MZ에서의 LEP/SLC 데이터 포함.
• 분석은 양자 양성역학(QCD)의 다음다음최고순서(이하 NNLO)에서 수행되며, 스케일 의존성은 시계열 진화 방정식으로 기술된다.
• 플라버 태깅 측정값(예: DELPHI, SLD)의 데이터를 포함하여 쿼크 플라버 분리 능력을 향상시킨다.
• 체계적 불확실성은 몬테카를로 샘플링을 통해 평가되며, DSS14와 같은 다른 세트의 헤시안 기반 불확실성과 비교된다.

실험 결과

연구 질문

• RQ1 분열함수의 파라미터화에 신경망 기반 접근법을 사용할 경우, 전통적인 다항식 피팅에 비해 데이터 기술 능력과 불확실성 제어 능력에서 어떤 차이가 있는가?
• RQ2 NNFF1.0 세트의 결과가 DSS14 및 JAM16 세트와 비교해 얼마나 다를 수 있는가? 특히 글루온 분열함수에서의 차이를 중심으로 분석하고자 한다.
• RQ3 기존의 파라미터화 방법에 비해 NNPDF 방법론이 분열함수 결정 과정에서 제도적 편향을 얼마나 줄일 수 있는가?
• RQ4 고차수 QCD 보정을 포함할 경우 분열함수 결과의 안정성은 어떻게 유지되는가?
• RQ5 고정밀도 B-팩토리 데이터를 포함할 경우, 저에너지 스케일에서의 분열함수 결정에 어떤 영향을 미치는가?

주요 결과

• NNFF1.0 분열함수는 SIA 데이터 세트를 매우 우수하게 기술하며, χ²/d.o.f. 값이 높은 적합도를 나타낸다.
• NNFF1.0에서 글루온 분열함수는 DSS14 및 JAM16에 비해 z가 큰 영역에서 상당히 억제되지 않으며, DSS14와 유사한 기울기를 보이지만 JAM16와는 뚜렷이 다름.
• z ≳ 0.7 영역에서 싱글릿 및 총 카이로닉 및 바텀 분열함수에 대해 NNFF1.0과 DSS14/JAM16 간의 차이가 관찰되며, DSS14는 NNFF1.0을 1σ 이상 초과하여 기록한다.
• JAM16 분석은 모든 z 범위에서 NNFF1.0과 뛰어난 일치를 보이며, 모든 차이가 1σ 불확실성 내에 포함된다.
• NNFF1.0의 불확실성 밴드는 일반적으로 DSS14 및 JAM16와 비슷하거나 약간 더 넓지만, 민감한 파라미터화에도 불구하고 유사한 정밀도를 유지함을 시사한다.
• 고차수 보정을 포함할 경우에도 분석 결과가 안정됨을 입증하며, 이는 NNPDF 방법론이 분열함수 결정에 있어 강건함을 입증한다.