[论文解读] Towards a Neural Network Determination of Charged Pion Fragmentation Functions

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

Particle physics theoretical and experimental studies被引用 3

一句话总结

本论文首次采用NNPDF方法确定了带电π介子的碎片化函数，利用神经网络参数化形式，基于涵盖量子色动力学（QCD）下一阶修正（NNLO）的电子-posit电子湮灭数据集进行拟合。所得的NNFF1.0数据集在数据描述方面表现良好，对高阶修正具有稳定性，且与现有参数化相比，尤其在胶子碎片化函数方面表现出显著差异，凸显了通过灵活的神经网络方法实现的程序偏差降低。

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.

研究动机与目标

• 采用NNPDF方法开发一种新的、偏差受控的带电π介子碎片化函数确定方法。
• 通过利用灵活的神经网络参数化形式，降低碎片化函数提取中的程序不确定性。
• 基于单一的e+e−湮灭数据，提供一个稳健且包含不确定性量化的碎片化函数集合。
• 为未来包含SIDIS和pp碰撞数据的全球拟合奠定基础，以获取味依赖的及 favored/unfavored 碎片化函数。

提出的方法

• 使用带有冗余参数的神经网络对碎片化函数进行参数化，以确保灵活性并减少模型偏差。
• 采用蒙特卡洛采样方法表示碎片化函数，从而可直接计算中心值和不确定度（均值与标准差）。
• 通过全球分析19个来自CERN、DESY、KEK和SLAC实验的SIA数据集进行拟合，包括√s ≈ 10 GeV的B工厂数据和MZ能量下的LEP/SLC数据。
• 分析在微扰QCD的下一阶修正（NNLO）下进行，时间演化方程控制尺度依赖性。
• 包含来自味标记测量（如DELPHI、SLD）的数据，以改善夸克味的分离。
• 通过蒙特卡洛采样评估系统性不确定度，并与其它集合（如DSS14）的Hessian方法不确定度进行比较。

实验结果

研究问题

• RQ1 与传统的多项式拟合相比，基于神经网络的碎片化函数参数化在数据描述和不确定度控制方面表现如何？
• RQ2 NNFF1.0集合的结果与现有碎片化函数集合（如DSS14和JAM16）相比，在多大程度上存在差异，特别是在胶子碎片化函数方面？
• RQ3 与传统参数化方案相比，NNPDF方法是否能有效降低碎片化函数确定中的程序偏差？
• RQ4 在引入更高阶QCD修正时，碎片化函数结果的稳定性如何？
• RQ5 包含高精度B工厂数据对低能标下碎片化函数确定的影响是什么？

主要发现

• NNFF1.0碎片化函数对SIA数据集具有极佳的描述能力，χ²/d.o.f.值表明拟合优度很高。
• 在大z区域，NNFF1.0中的胶子碎片化函数相比DSS14和JAM16显著不被抑制，其斜率更接近DSS14，但与JAM16明显不同。
• 在z ≳ 0.7区域，NNFF1.0与DSS14/JAM16在单态及底夸克和粲夸克的总碎片化函数上存在偏差，DSS14的值超过NNFF1.0超过一个标准差。
• JAM16分析在所有z范围内与NNFF1.0具有更好的一致性，所有差异均在1-σ不确定度范围内。
• NNFF1.0的不确定度带通常仅略宽于DSS14和JAM16，表明尽管采用灵活参数化，其精度仍相当。
• 该分析表明，即使在引入更高阶修正时，结果仍保持稳定，支持NNPDF方法在碎片化函数确定中的稳健性。