[논문 리뷰] Unbiased determination of polarized parton distributions and their uncertainties

The NNPDF Collaboration, Richard D. Ball외 5명|Edinburgh Research Explorer|2013. 03. 28.

Particle physics theoretical and experimental studies참고 문헌 1인용 수 13

한 줄 요약

이 논문은 몬테카를로 신경망 방법론을 사용하여 편극된 구조함수 분포를 다음 차수 정렬 수준에서 결정하는 NNPDFpol1.0을 제시한다. 이 방법은 편향 없고 통계적으로 신뢰할 수 있는 불확실성 추정을 가능하게 한다. 연구 결과, 이전의 Hessian 방법론이 희박한 데이터 영역에서의 한계로 인해, 특히 작은 x에서 편극된 글루온 및 스트랭전 쿼크 분포의 불확실성을 크게 과소평가하고 있음을 밝혀냈다.

ABSTRACT

We present a determination of a set of polarized parton distributions (PDFs) of the nucleon, at next-to-leading order, from a global set of longitudinally polarized deep-inelastic scattering data: NNPDFpol1.0. The determination is based on the NNPDF methodology: a Monte Carlo approach, with neural networks used as unbiased interpolants, previously applied to the determination of unpolarized parton distributions, and designed to provide a faithful and statistically sound representation of PDF uncertainties. We present our dataset, its statistical features, and its Monte Carlo representation. We summarize the technique used to solve the polarized evolution equations and its benchmarking, and the method used to compute physical observables. We review the NNPDF methodology for parametrization and fitting of neural networks, the algorithm used to determine the optimal fit, and its adaptation to the polarized case. We finally present our set of polarized parton distributions. We discuss its statistical properties, test for its stability upon various modifications of the fitting procedure, and compare it to other recent polarized parton sets, and in particular obtain predictions for polarized first moments of PDFs based on it. We find that the uncertainties on the gluon, and to a lesser extent the strange PDF, were substantially underestimated in previous determinations.

연구 동기 및 목표

• 현대적인 데이터 기반 기법을 사용하여 통계적으로 신뢰할 수 있고 편향 없는 편극된 구조함수 분포(PDF) 결정을 개발하기 위해.
• 희박하고 노이즈가 많은 편극된 깊은 비탄성 산란 데이터를 다룰 때 Hessian 방법론의 알려진 한계를 해결하기 위해.
• 이전에 과소평가되었던 편극된 글루온 및 스트랭전 쿼크 분포의 불확실성을 정량화하기 위해.
• LHC 및 테바트론 현상학에 적합한 편극된 PDF 전체 세트와 그에 대한 신뢰할 수 있는 불확실성 표현을 제공하기 위해.
• 다양한 피팅 수정 사항에 대한 결과의 안정성을 시험하고 기존의 편극된 PDF 세트와 비교하기 위해.

제안 방법

• 편극된 PDF 결정을 위해 몬테카를로 샘플링과 신경망을 비모수적 보간법으로 사용하는 NNPDF 방법론을 응용한다.
• 이론적 예측과 실험 데이터 간의 χ²를 최소화하기 위해, 대규모 신경망 복제체의 집합에서 유전 알고리즘을 활용한다.
• NLO 정확도로 0질량 변형-플레버러 스킴(ZM-VFNS)에서 편극된 DGLAP 진화 방정식을 구현한다.
• 편극된 진화 코드의 정확도를 ∼10⁻⁵ 상대 오차 이내로 확보하기 위해, Les Houches 표와의 비교를 통해 검증한다.
• 물리적 일관성을 확보하기 위해 피팅 과정 중에 양성도 및 합규칙과 같은 이론적 제약 조건을 적용한다.
• 실험적 불확실성을 PDF 불확실성으로 전파하기 위해 몬테카를로 가짜 데이터 샘플을 생성한다.

실험 결과

연구 질문

• RQ1 NNPDFpol1.0 방법론과 이전의 Hessian 기반 PDF 세트 사이에서, 편극된 글루온 및 스트랭전 쿼크 분포의 불확실성은 어떻게 비교되는가?
• RQ2 타겟 질량 보정과 g₂ 구조함수의 포함 여부가 편극된 PDF의 안정성에 어느 정도의 영향을 미치는가?
• RQ3 추출된 PDF가 비요르켄 합규칙 및 기타 합규칙을 얼마나 잘 만족하는가, 그리고 이는 양성자 스핀 구조에 대해 어떤 함의를 갖는가?
• RQ4 작은 x 행동과 사전 처리의 영향이 PDF 결정의 안정성과 신뢰성에 어떤 영향을 미치는가?
• RQ5 NNPDF 접근법은 깊은 비탄성 산란 데이터와 반편향적 데이터 간의 스트랭전에 대한 갈등을 해결할 수 있는가?

주요 결과

• NNPDFpol1.0에서 편극된 글루온 분포의 불확실성은 이전의 Hessian 기반 결정보다 상당히 크며, 이는 이전 추정치가 지나치게 낙관적이었다는 것을 시사한다.
• 이전 분석에서 스트랭전 쿼크 분포의 불확실성은 크게 과소평가되었으며, NNPDFpol1.0은 더 크고 더 신뢰할 수 있는 오차 구간을 보여준다.
• 글루온 분포의 첫 번째 순간은 0과 일치하지만, 큰 불확실성을 지닌다. 이는 글루온이 양성자 스핀에 기여하는 바가 아직 잘 제약되지 않았음을 의미한다.
• 작은 x 영역이 비요르켄 합규칙에 상당한 기여를 하므로, αs를 추출하기 위해서는 작은 x 행동에 대한 강력한 이론적 가정이 필요하다.
• 피팅 전략의 변화, 타겟 질량 보정 및 사전 처리의 변화에 대한 결과의 양호한 안정성은 NNPDF 접근법의 강건성을 확인한다.
• Les Houches 표와의 비교를 통해, 편극된 진화 코드가 ∼10⁻⁵의 상대 정확도를 달성함을 확인하였으며, 정밀 현상학에 적합하다.