部分子分布全局分析中对数似然函数的机器学习
高能物理 - 唯象学
2022-08-24 v3 高能物理 - 实验
摘要
现代部分子分布函数（PDFs）分析需要计算来自数千实验数据点的对数似然函数，并对具有数十自由度的多维参数空间进行扫描。在传统分析中，黑塞近似被广泛用于估计PDF不确定性。拉格朗日乘子（LM）扫描虽是更忠实的方法，但因计算限制而较少使用，且是本研究的主要焦点。我们提出使用神经网络（NNs）和机器学习技术对多维参数空间中的对数似然函数或截面的剖面进行建模，以克服这些限制，其工作超越二次近似，同时确保对全参数空间的高效扫描。我们在CT18 PDF全局分析框架中通过为各种目标函数构造NN并执行对撞机上的PDF和截面LM扫描，证明了新方法的效率。我们进一步用新方法研究了NOMAD双μ子数据对约束PDF的影响，发现奇异夸克分布增强且PDF不确定性减小。此外，我们展示了如何通过PDF与标准模型有效场论中算符的威尔逊系数的联合拟合，用该方法约束标准模型之外的新物理（BSM）。
引用
@article{arxiv.2201.06586,
title = {Machine learning of log-likelihood functions in global analysis of parton distributions},
author = {DianYu Liu and ChuanLe Sun and Jun Gao},
journal= {arXiv preprint arXiv:2201.06586},
year = {2022}
}
备注
49 pages, 26 figures