[论文解读] Unbiased Polarised Parton Distribution Functions and their Uncertainties

Emanuele R. Nocera, Stefano Forte+2 more|arXiv (Cornell University)|Jun 1, 2012

Particle physics theoretical and experimental studies参考文献 10被引用 5

一句话总结

本论文提出基于新型无偏神经网络拟合方法的极化部分子分布函数（PDFs）集合NNPDFpol1.0，该方法避免了固定函数形式带来的偏差。与标准Hessian方法分析相比，其不确定性显著更大——尤其是胶子PDF，表明以往估计的不确定性因错误传播和参数化偏差而被严重低估。

ABSTRACT

We present preliminary results on the determination of spin-dependent, or polarised, Parton Distribution Functions (PDFs) from all relevant inclusive polarised DIS data. The analysis is performed within the NNPDF approach, which provides a faithful and statistically sound representation of PDFs and their uncertainties. We describe how the NNPDF methodology has been extended to the polarised case, and compare our results with other recent polarised parton sets. We show that polarised PDF uncertainties can be sizeably underestimated in standard determinations, most notably for the gluon.

研究动机与目标

• 利用现代拟合技术，发展一种统计上稳健且无偏的极化部分子分布函数（PDFs）确定方法。
• 解决标准Hessian方法已知的不足，特别是因固定函数形式导致的不确定性低估和参数化偏差。
• 通过使用蒙特卡洛副本和神经网络替代线性高斯近似，改进误差传播。
• 通过将极化PDF的一阶矩与实验数据和理论约束进行比较，验证拟合过程的可靠性。
• 评估动量空间截断和理论假设对最终PDF集合及其不确定性的影 响。

提出的方法

• 采用NNPDF方法，通过实验数据的蒙特卡洛采样生成一组PDF副本，使其重现输入数据的均值、方差和相关性。
• 在初始尺度 $Q_0^2 = 1~{\rm GeV}^2$ 处使用神经网络参数化极化PDF，每种PDF组合约有200个参数，以实现高灵活性并减少模型偏差。
• 利用QCD演化方程和FastKernel方法演化PDF，与HOPPET代码相比精度达到 $\mathcal{O}(10^{-5})$。
• 施加理论约束：$g_1(x,Q^2) \leq F_1(x,Q^2)$ 的正定性，以及利用SU(3)对称性将非singlet组合的一阶矩与强子衰变常数关联。
• 通过副本集合上的蒙特卡洛积分计算68%置信水平的不确定性，确保统计误差传播的准确性。
• 排除 $Q^2 < 1~{\rm GeV}^2$ 和 $W^2 < 6.25~{\rm GeV}^2$ 的数据，以保证微扰QCD的有效性并减少高阶 twist 效应。

实验结果

研究问题

• RQ1 NNPDF方法与标准Hessian方法相比，极化PDF的不确定性（尤其是胶子分布）有何差异？
• RQ2 PDF参数化中函数形式的选择在多大程度上引入了极化PDF确定中的偏差？
• RQ3 基于神经网络和副本的拟合方法能否提供更可靠、更无偏的极化PDF及其不确定性的表征？
• RQ4 NNPDFpol1.0集合中极化PDF的一阶矩与实验测量值和理论预期相比如何？
• RQ5 动量空间截断和理论约束对最终PDF集合及其不确定性的影 响如何？

主要发现

• NNPDFpol1.0胶子PDF在 $Q^2 = 4~{\rm GeV}^2$ 处的不确定性为 $-0.2 \pm 1.4$，比DSSV08的 $-0.10 \pm 0.16$ 和BB10的 $0.46 \pm 0.43$ 大近一个数量级。
• 极化singlet PDF的一阶矩 $\Delta\Sigma(Q^2=4~{\rm GeV}^2)$ 为 $0.31 \pm 0.10$，其统计不确定性比其他近期集合大两到四倍。
• 当将 $a_3$ 视为拟合参数时，拟合过程得到 $a_3 = 1.21 \pm 0.08$，与实验值 $g_A = 1.2701 \pm 0.0025$ 在10%精度内一致，验证了Bjorken求和规则。
• NNPDFpol1.0 PDF的误差带比以往集合更大，尤其在数据稀疏的小 $x$ 和大 $x$ 区域，表明早期估计的不确定性被低估。
• NNPDFpol1.0集合在非singlet三重态分布上与DSSV08的符合度优于BB10，暗示参数化或数据处理方式存在差异。
• 结果表明，未来极化PDF确定的改进需要超出包括深度非弹性散射的数据，例如来自固定靶或对撞机实验的喷注或开放粲夸克产生数据。