Phenomenology of generalised parton distributions from deeply virtual Compton scattering

Phénoménologie des distributions de partons généralisées grâce à la diffusion Compton profondément virtuelle

• Auteur / Autrice : Hervé Dutrieux
• Direction : Hervé Moutarde
• Type : Thèse de doctorat
• Discipline(s) : Physique hadronique
• Date : Soutenance le 21/10/2022
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Particules, Hadrons, Énergie et Noyau : Instrumentation, Imagerie, Cosmos et Simulat
• Partenaire(s) de recherche : Laboratoire : Département de physique nucléaire (Gif-sur-Yvette, Essonne)
• Partenaire(s) de recherche : référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Physique (2020-....)
• Jury : Président / Présidente : Samuel Wallon
• Jury : Examinateurs / Examinatrices : Lech Szymanowski, Krešimir Kumerički, Emilie Maurice, Kornelija Passek-Kumerički
• Jury : Rapporteurs / Rapporteuses : Lech Szymanowski, Krešimir Kumerički

Mots clés

Mots clés contrôlés

Partons

Chromodynamique quantique

Diffusion lepton-nucléon

Mots clés libres

Structure du nucléon

Distributions de partons généralisées

Problème de déconvolution

Modélisation par réseau de neurones

QCD

Nucleon structure

Generalised parton distributions

Deconvolution problem

Neural network modelling

QCD

Résumé

Les distributions de partons généralisées (GPD) contiennent une riche information sur la structure des hadrons. Elles décrivent notamment des distributions de quarks et de gluons tri-dimensionnelles ainsi que les distributions en énergie et en pression dans le milieu hadronique. Ces propriétés motivent un effort théorique et expérimental important, qui se concrétise notamment par la construction de nouvelles installations expérimentales à grande échelle comme le collisionneur électron-ion (EIC).Les GPD sont étudiées expérimentalement aux travers de processus exclusifs, dont notamment la diffusion Compton profondément virtuelle (DVCS) qui est considérée comme l'un des processus les mieux établis théoriquement pour accéder aux GPD. La relation entre les GPD et les données expérimentales DVCS est cependant complexe, et nécessite notamment de résoudre un problème de déconvolution. Nous présentons dans ce document la première étude systématique des caractéristiques de ce problème à l'ordre sous-dominant en perturbation. Nous introduisons la notion de "shadow distributions" comme un outil quantitatif pour mesurer la difficulté de la procédure de déconvolution, ainsi qu'un outil de modélisation intéressant pour effectuer des extractions de GPD tout en garantissant leurs propriétés théoriques correctes. Afin de réduire la dépendence de modèle, nous utiliserons des techniques de modélisation par réseaux de neurones. Nous étudions en détail la possibilité d'extraire les propriétés mécaniques d'une manière moins dépendante de modèle que les études actuelles, et nous quantifions l'effet des futures installations envisagées à la fois sur l'incertitude expérimentale du DVCS et sur l'extraction des GPD par la procédure de déconvolution.

Generalized parton distributions (GPDs) contain a wealth of information about the structure of hadrons. In particular, they describe three-dimensional distributions of quarks and gluons as well as the energy and pressure distributions in the hadronic medium. These properties motivate a major theoretical and experimental effort, which is reflected in the construction of new large-scale experimental facilities such as the electron-ion collider (EIC).GPDs are studied experimentally through exclusive processes, including in particular deeply virtual Compton scattering (DVCS) which is considered as one of the best theoretically established processes to access GPDs. The relationship between GPDs and experimental DVCS data is however complex, requiring in particular the solution of a deconvolution problem. In this paper we present the first systematic study of the characteristics of this problem at 1-loop in perturbation. We introduce the notion of shadow distributions as a quantitative tool to measure the difficulty of the deconvolution procedure, as well as an interesting modelling tool to perform GPD extractions while guaranteeing their theoretically correct properties. To achieve lesser model dependence, we will make use of neural networks modelling techniques. We investigate in detail the possibility of extracting mechanical properties in a less model-dependent way than current studies, and quantify the effect of the possible future facilities on both the experimental uncertainty of the DVCS and on the extraction of GPDs by the deconvolution procedure.