Skip to main content
QUICK REVIEW

[论文解读] Progress in CTEQ-TEA PDF analysis

Pavel Nadolsky, Jun Gao|arXiv (Cornell University)|Jun 14, 2012
Particle physics theoretical and experimental studies参考文献 4被引用 7
一句话总结

本文介绍了CT10 NNLO部分子分布函数(PDFs),这是基于对撞前实验数据的全局量子色动力学(QCD)分析,精度达到下一阶下一阶(NNLO)。CT10 NNLO PDFs 提高了理论精度,相比NLO略微减小了不确定性,并且与ATLAS实验在W/Z玻色子和喷注产生过程中的数据高度一致,截面值相比CT10 NLO提高了2–4%,且与MSTW’08 NNLO预测结果一致。

ABSTRACT

Recent developments in the CTEQ-TEA global QCD analysis are presented. The parton distribution functions CT10-NNLO are described, constructed by comparing data from many experiments to NNLO approximations of QCD.

研究动机与目标

  • 使用对撞前实验数据,开发一种在NNLO精度下的新型全局QCD分析。
  • 通过引入QCD耦合常数、PDF演化和矩阵元的NNLO近似,提高强子截面计算的理论精度。
  • 通过改进误差处理和数据选择,特别是针对W玻色子和喷注产生过程,减小PDF驱动的不确定性。
  • 提供一个与CT10 NLO和CT10W NLO兼容的PDF集合,以便对NLO与NNLO结果进行一致比较。
  • 为即将发布的CT12 PDF版本奠定基础,该版本将包含LHC数据。

提出的方法

  • 通过将2700个来自不同短程距离过程(包括深度非弹性散射、Drell-Yan过程和喷注产生)的数据点进行全局拟合,构建CT10 NNLO PDFs。
  • 分析采用S-ACOT-χ因子化方案,对重夸克质量效应实现两圈(NNLO)精度。
  • 使用NNLO QCD近似计算理论预测,包括$\alpha_s(Q)$、PDF演化和深度非弹性散射及矢量玻色子产生过程中的矩阵元。
  • 通过误差PDF集合评估系统性不确定性,并采用改进的统计方法处理相关实验误差。
  • 将PDF集合与CT10 NLO和CT10W NLO匹配,以实现NLO/NNLO结果的一致比较。
  • 利用ResBos和NLO矩阵元结合NNLO PDFs,通过ATLAS实验的$W/Z$快度分布和包容性喷注$p_T$谱对结果进行验证。

实验结果

研究问题

  • RQ1与NLO相比,NNLO QCD修正如何影响部分子分布函数的全局拟合?
  • RQ2与CT10 NLO相比,CT10 NNLO PDFs在多大程度上减小了理论不确定性?
  • RQ3CT10 NNLO PDFs对LHC中W/Z玻色子和包容性喷注产生的ATLAS数据描述得如何?
  • RQ4与CT10 NLO和CT10W NLO相比,部分包含D0 Run-2 $A_\ell$ 数据对CT10 NNLO PDFs的影响是什么?
  • RQ5在胶子和重夸克分布方面,CT10 NNLO PDFs与MSTW’08 NNLO在形状和归一化上相比如何?

主要发现

  • CT10 NNLO PDFs在2700个数据点上的$\chi^2/N_{pt} \approx 1.1$,与CT10 NLO拟合结果相当,表明全局拟合质量良好。
  • 与CT10 NLO相比,CT10 NNLO PDFs的中心值在LHC能量下使W^+、W^-、Z和希格斯玻色子产生总截面增加了2–4%。
  • 在$\sqrt{s} = 14$ TeV下,W^+产生时CT10 NNLO预测值为$12.7 \pm 0.5$ nb,接近MSTW’08 NNLO的$12.4 \pm 0.2$ nb。
  • 与MSTW’08 NNLO相比,CT10 NNLO的胶子PDF在$x < 10^{-3}$和$x = 0.1-0.5$区间略显“更硬”,而在$x > 0.5$区间则更“软”。
  • CT10 NNLO PDFs在$x < 10^{-2}$区间表现出胶子抑制和海夸克增强,且粲夸克和底夸克分布与CT10W NLO相比有显著差异。
  • 使用CT10 NNLO PDFs的理论预测与ATLAS实验在$Z$和$W^\pm$轻子快度分布上的数据高度一致,经过系统性修正后,$R = 0.4$和$R = 0.6$喷注的$\chi^2$值分别降低至0.78和0.76。

更好的研究,从现在开始

从阅读论文到最终审阅,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。