[论文解读] NLO+NLL' accurate predictions for three-jet event shapes in hadronic Higgs decays
本文针对胶子(H→gg)和底夸克(H→b̄b)衰变中的三喷胶事件形状,给出了NLO+NLL′精度的理论预测,包括软删剪枝后的喷胶能量流。基于SHERPA框架中CAESAR形式体系的固定阶与重整化计算相结合,结果表明H→gg衰变产生的事件形状谱明显比H→b̄b更硬,尽管软删剪枝会因剪枝参数不同而改变这一差异。
We present resummed predictions at next-to-leading logarithmic accuracy matched to the exact next-to-leading order results for a set of classical event-shape observables in hadronic Higgs decays, i.e., for the channels $H o gg$ and $H o b\bar{b}$. We furthermore consider soft-drop grooming of the hadronic final states and derive corresponding $ ext{NLO}+ ext{NLL}^\prime$ predictions for the groomed thrust observable. Differences in the QCD radiation pattern of gluon- and quark-initiated final states are imprinted in the event-shape distributions, offering separation power for the two decay channels. In particular, we show that ungroomed event shapes in $H o gg$ decays develop a considerably harder spectrum than in $H o b\bar b$ decays. We highlight that soft-drop grooming can substantially alter this behaviour, unless rather inclusive grooming parameters are chosen.
研究动机与目标
- 为未来轻子对撞机上胶子与底夸克衰变的事件形状提供高精度理论预测。
- 通过事件形状分布中的QCD辐射模式,区分胶子与夸克初态末态。
- 将固定阶NLO结果扩展至NLL′精度的对数项重整化。
- 研究软删剪枝对H→gg与H→b̄b衰变之间事件形状区分能力的影响。
- 为部分子喷射算法与喷胶味识别研究提供基准计算。
提出的方法
- 采用EERAD3程序中的下一阶微扰QCD计算,处理H→gg与H→b̄b衰变。
- 在SHERPA事件生成器中,通过CAESAR形式体系对下一阶对数(NLL′)项进行全阶次重整化。
- 采用乘法匹配方案,将NLO固定阶结果与NLL′重整化预测相结合。
- 考虑六种经典三喷胶事件形状:喷胶能量流、C参数、重半球质量、总喷胶展宽与宽喷胶展宽,以及杜伦yD23参数。
- 推导出β = 0, 1, 2时软删剪枝喷胶能量流的新NLO+NLL′预测。
- 通过软极限与共线极限验证结果,将O(αs)与O(α²s)展开与固定阶计算进行比较。
实验结果
研究问题
- RQ1由于QCD辐射模式的差异,H→gg与H→b̄b衰变中的事件形状分布有何不同?
- RQ2软删剪枝在多大程度上改变了胶子与夸克初态喷胶在Higgs衰变中的区分能力?
- RQ3NLO修正如何影响不同事件形状的NLL′重整化预测?
- RQ4剪枝参数(β)对H→gg与H→b̄b中软删剪枝喷胶能量流峰值位置的影响是什么?
- RQ5匹配的NLO+NLL′框架能否可靠地描述三喷胶事件形状的完整对数区域与硬相空间区域?
主要发现
- H→gg衰变产生的事件形状谱明显比H→b̄b更硬,分布峰值出现在更大的可观测量值处。
- C参数与重半球质量的NLO修正最大,主要由Sudakov肩部效应驱动。
- 在所有β值下,软删剪枝喷胶能量流的NLO修正最小,表明对高阶修正的敏感性较低。
- 软删剪枝使H→b̄b分布的峰值向更大的可观测量值移动(β = 0与1时),从而削弱了H→gg与H→b̄b之间的差异。
- 匹配的NLO+NLL′预测与软极限和共线极限具有良好一致性,验证了该框架的自洽性。
- 该框架可扩展至其他红外安全可观测量,包括能量-能量关联函数的分数阶矩。
更好的研究,从现在开始
从论文设计到论文写作,大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成,并经人工编辑审核。