[论文解读] Unbiased determination of polarized parton distributions and their uncertainties

The NNPDF Collaboration, Richard D. Ball+5 more|Edinburgh Research Explorer|Mar 28, 2013

Particle physics theoretical and experimental studies参考文献 1被引用 13

一句话总结

本论文提出了NNPDFpol1.0，这是使用蒙特卡罗神经网络方法进行极化部分子分布（PDFs）的下一阶精度确定，能够提供无偏、统计稳健的不确定性。结果表明，以往的确定方法在稀疏数据区域中由于Hessian方法的局限性，显著低估了极化胶子和奇异夸克分布的不确定性，尤其是在小x区域。

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.

研究动机与目标

• 开发一种基于现代数据驱动技术的、统计稳健且无偏的极化部分子分布（PDFs）确定方法。
• 解决Hessian方法在处理稀疏且含噪的极化深度非弹性散射数据时的已知局限性。
• 量化极化胶子和奇异夸克分布的不确定性，这些不确定性此前被低估。
• 为LHC和Tevatron现象学提供一套完整的极化PDF，其不确定性得到忠实反映。
• 在各种拟合修改下测试结果的稳定性，并与现有的极化PDF集合进行比较。

提出的方法

• 将NNPDF方法——使用蒙特卡罗采样和神经网络作为非参数插值器——应用于极化PDF的确定。
• 采用遗传算法，最小化理论预测与实验数据之间在大规模神经网络副本集合中的χ²。
• 在零质量变味方案（ZM-VFNS）中实现极化DGLAP演化方程，精度达到下一阶（NLO）水平。
• 通过与Les Houches表进行基准测试，验证极化演化代码的精度达到约10⁻⁵的相对误差。
• 在拟合过程中施加理论约束（如正定性与求和规则），以确保物理一致性。
• 生成蒙特卡罗伪数据样本，以将实验不确定性传播到PDF不确定性中。

实验结果

研究问题

• RQ1 与以往基于Hessian方法的PDF集合相比，NNPDFpol1.0方法在极化胶子和奇异夸克分布的不确定性方面有何差异？
• RQ2 针对质量修正项和g₂结构函数的引入，在多大程度上影响了极化PDF的稳定性？
• RQ3 所提取的PDF在多大程度上满足Bjorken求和规则及其他求和规则？这对质子自旋结构意味着什么？
• RQ4 小x行为和预处理对PDF确定的稳定性和可靠性有何影响？
• RQ5 NNPDF方法能否解决深度非弹性散射与半包容数据在奇异夸克性质上的张力？

主要发现

• NNPDFpol1.0中极化胶子分布的不确定性显著大于以往基于Hessian方法的确定，表明早期估计过于乐观。
• 以往分析中奇异夸克分布的不确定性也显著被低估，NNPDFpol1.0显示了更大且更可靠的误差带。
• 胶子分布的一阶矩与零兼容，但不确定性较大，意味着胶子对质子自旋的贡献仍难以约束。
• 小x区域对Bjorken求和规则有显著贡献，因此除非施加关于小x行为的强理论假设，否则该规则无法可靠用于提取αs。
• 结果在拟合策略变化下表现出良好的稳定性，包括对质量修正项和预处理方式的调整，证实了NNPDF方法的稳健性。
• 与Les Houches表的基准测试表明，极化演化代码的相对精度达到约10⁻⁵，适用于高精度现象学。