从 $B\to DK$ 脱 bin 提取 $\gamma$：基于归一化流

我们提出一种从衰变链 $B^\pm \to (D \to K_S \pi^+ \pi^-) K^\pm$ 中提取 CKM 角 $\gamma$ 的无 bin 方法，采用归一化流（NFs）。这些 NFs 在训练 $D$ 衰变数据后学习 $D\to K_S\pi^+\pi^-$ 达利克谱上振幅和强相位变化的连续表示，其精度随数据样本量的增加而提升。有了这一输入，可用于从 $B$ 衰变数据中提取参数 $r_B$、$\delta_B$ 和 $\gamma$。我们在蒙特卡洛生成数据上测试该方法，其中成功在不确定性范围内恢复注入的 $\gamma$ 值。当前实现通过独立训练的流组成的 ensemble 传播有限训练数据中的统计不确定性，尚未尝试捕获系统实验误差的影响。我们探讨了两种方法版本，差别在于如何编码相位变化的三角约束，并就可能的贝叶斯 NFs 扩展进行了讨论，这种扩展无需 ensemble 训练即可直接提供所学习密度的不确定性估计。