Seven-dimensional Trajectory Reconstruction for VAMOS++

Resumen Técnico: Reconstrucción de Trayectorias de Siete Dimensiones para VAMOS++

Planteamiento del Problema
El espectrómetro magnético VAMOS++ es una herramienta crítica para la identificación isotópica en la investigación de la estructura nuclear y los mecanismos de reacción cerca de la barrera de Coulomb. Su funcionamiento se basa en la medición de la rigidez magnética ($B\rho$) y la longitud de la trayectoria ($l$) de los iones. Los métodos estándar de reconstrucción de trayectorias, como la técnica establecida de mapeo de cuatro dimensiones (4D), asumen un volumen de interacción del haz de tipo punto. Esta suposición es válida para experimentos con blancos delgados y puntos de impacto de haz estrechos. Sin embargo, este enfoque se convierte en una limitación significativa para experimentos que involucran tamaños de punto de haz grandes o volúmenes de blanco gaseosos extendidos, como los planeados para el estudio de la dinámica de la fisión. En estos escenarios, la posición tridimensional del punto de interacción del haz dentro del blanco no puede despreciarse, ya que las variaciones en las coordenadas de interacción (particularmente la posición horizontal $x_i$) inducen aberraciones ópticas sustanciales y cambios en la longitud de la trayectoria que el método 4D no puede resolver adecuadamente. La extensión del método basado en matrices 4D para incluir estas dimensiones adicionales es computacionalmente inviable debido al tamaño excesivo de las matrices requeridas.

Metodología
Para abordar la naturaleza de alta dimensión y no lineal de la óptica de iones en VAMOS++, los autores desarrollaron un método de reconstrucción de trayectoria de siete dimensiones (7D) utilizando redes neuronales profundas artificiales (DNN).

• Entrada y Salida: La DNN toma siete coordenadas de entrada: la posición de interacción del haz dentro del volumen del blanco ($x_i, y_i, z_i$), los ángulos horizontal y vertical de los productos de reacción salientes ($\theta_i, \phi_i$), y la posición horizontal y el ángulo finales en el plano focal ($x_f, \theta_f$). La red produce la rigidez magnética relativa ($\delta = B\rho/B\rho_0$) y la longitud de trayectoria relativa ($\epsilon = l_f/l_0$).
• Conjunto de Datos de Entrenamiento: La red fue entrenada con un conjunto de datos teóricos de $2 \times 10^8$ trayectorias de iones generadas mediante el código estándar de trazado de rayos magnéticos ZGOUBI. El conjunto de datos cubrió el rango operativo completo del espectrómetro, incluyendo rigididades relativas $\delta \in [0.7, 1.4]$ y volúmenes de interacción definidos por $x_b \in [-3, 3]$ mm, $y_b \in [-6, 6]$ mm, y $z_b \in [-70, 50]$ mm.
• Arquitectura de la Red: Se seleccionó una arquitectura de red neuronal profunda de alimentación hacia adelante (feed-forward) densa. A través de una evaluación de complejidad versus rendimiento, se determinó que la arquitectura óptima era $N_l \times N_u = 6 \times 32$ (6 capas con 32 neuronas cada una), lo que resulta en aproximadamente 5,569 parámetros entrenables. Esta arquitectura fue elegida para equilibrar la resolución con la eficiencia computacional.
• Flujo de Trabajo de Entrenamiento: El proceso de entrenamiento implicó el monitoreo de la desviación de la raíz cuadrada media (RMSD) para $\delta$ y $\epsilon$. La red fue validada contra datos experimentales de blancos delgados para asegurar que la anchura a media altura (FWHM) del número de masa atómica ($A$) reconstruido fuera optimizada. El entrenamiento se detuvo cuando una mayor convergencia no producía mejoras experimentales, evitando el sobreajuste (overfitting).

Contribuciones Clave

1. Desarrollo de la Reconstrucción 7D: El artículo presenta un nuevo método capaz de manejar el problema no lineal de siete dimensiones de la reconstrucción de trayectorias de iones, incorporando explícitamente las coordenadas de interacción del haz en 3D.
2. Implementación de Aprendizaje Profundo: Demuestra la eficacia de las redes neuronales profundas para modelar la compleja óptica de iones no lineal donde los métodos tradicionales basados en matrices fallan debido a las restricciones de dimensionalidad.
3. Eficiencia: El método propuesto 7DNN logra una velocidad de procesamiento de $1.4 \times 10^6$ eventos por segundo con una huella de memoria de aproximadamente 22 kB, lo que lo hace adecuado tanto para el análisis en línea como fuera de línea. Esta es una reducción significativa en el uso de memoria comparado con el método 4D, que requiere aproximadamente 1 GB para sus matrices comprimidas.

Resultados

• Precisión Intrínseca: Al aplicarse al conjunto de datos teóricos completo generado por ZGOUBI, el método logró una precisión de reconstrucción intrínseca de FWHM($\delta_c - \delta_r$) = 0.65‰ y FWHM($\epsilon_c - \epsilon_r$) = 0.18‰. La precisión se mantuvo constante a través de diversas coordenadas de interacción ($x_i, z_i$) y parámetros del plano focal ($x_f, \theta_f$).
• Validación Experimental: El método fue validado utilizando datos experimentales del experimento E826 GANIL (reacciones de fusión-fisión con blanco delgado). La resolución del número de masa atómica reconstruido, FWHM($A$)/$A$, osciló entre 4‰ para fragmentos de fisión pesados y 7‰ para fragmentos ligeros.
• Comparación con el Método 4D: En la validación experimental, el método 7DNN demostró un rendimiento comparable al método 4D estándar para fragmentos de fisión ligeros y una ligera ventaja para fragmentos de fisión pesados.
• Impacto de la Resolución del Detector: Las simulaciones indicaron que, si bien la resolución intrínseca de la DNN es alta, la resolución de masa final está dominada por las resoluciones de los detectores, particularmente el tiempo de vuelo ($t$) y los ángulos horizontales ($\theta_i, \theta_f$). Cuando se incluyeron todas las resoluciones de los detectores en la simulación, los valores predichos de FWHM($A$)/$A$ (6.32‰ para $A=80$ y 4.17‰ para $A=160$) coincidieron estrechamente con los resultados experimentales.

Significancia y Perspectiva Futura
El artículo afirma que el método 7DNN representa un avance significativo para VAMOS++, ofreciendo una resolución comparable o superior a los métodos empleados anteriormente, al tiempo que permite el análisis de experimentos con volúmenes de interacción extendidos. Los autores destacan que esta capacidad es esencial para los próximos programas que utilizan voluminosos blancos gaseosos, donde el eje óptico del espectrómetro estará rotado respecto al eje del haz, lo que requiere la inclusión explícita de las coordenadas de interacción en 3D. Además, la velocidad y eficiencia del modelo sugieren su utilidad en simulaciones rápidas de transmisión de iones, facilitando potencialmente el desarrollo de un "gemelo digital" del espectrómetro para ayudar en las determinaciones de secciones eficaces absolutas y mediciones de rendimientos de fisión. Los autores enfatizan que el método está diseñado específicamente para superar las limitaciones de las suposiciones de haces puntuales en espectrómetros de gran aceptación.