=== RESUMEN ===

Resumen Técnico: Límites del Problema de Dispersión Inversa

1. Planteamiento del Problema

El artículo aborda el problema de la dispersión inversa para partículas newtonianas que se mueven a través de un medio con un campo de potencial desconocido $U(x)$. A diferencia de la tomografía clásica (por ejemplo, transformadas de rayos X o de Radon) donde las partículas viajan en líneas rectas a velocidad infinita, este estudio considera partículas con una velocidad inicial finita $v$. El objetivo es reconstruir el campo de fuerza $F(x) = -\nabla U(x)$ basándose en mediciones en los límites: las coordenadas y velocidad de lanzamiento inicial, y las coordenadas, velocidad y tiempo de trayectoria de salida final.

La cuestión central es determinar el límite inferior de la velocidad de la partícula (o, de forma inversa, el límite superior de la intensidad del potencial) por debajo del cual el potencial no puede ser restaurado de manera fiable. Los autores postulan que cuando la energía cinética inicial es comparable a la variación característica del potencial entre el límite del dominio y su interior, el mapa de dispersión se vuelve fuertemente no lineal, lo que hace que las técnicas de inversión lineal estándar (como la transformada de Radon) sean insuficientes.

2. Metodología

Marco Teórico

Los autores desarrollan una expansión perturbativa sistemática de los datos de dispersión en potencias inversas de la velocidad ($v^{-1}$).

• Límite de Velocidad Infinita: A medida que $v \to \infty$, la trayectoria se aproxima a una cuerda recta, y el cambio de momento corresponde a la transformada de Radon vectorial del campo de fuerza, $J_\infty(L) = \int_L F(x) ds$. Esto permite una reconstrucción exacta mediante la transformada inversa de Radon.
• Correcciones de Velocidad Finita: Para una $v$ finita, la trayectoria se desvía de una línea recta. Los autores derivan una expansión en serie para la integral de rayo vectorial medida $J_v(L)$:
  $$J_v(L) = J_\infty(L) + \frac{\delta U}{mv^2} Q[F](L) + \left(\frac{\delta U}{mv^2}\right)^2 P[F](L) + O(v^{-6})$$
  donde $\delta U$ es una dispersión característica de la energía potencial, y $Q[F]$ y $P[F]$ son funcionales del campo de fuerza y sus derivadas.
• Reconstrucción Iterativa: Basándose en esta expansión, los autores proponen dos métodos para recuperar $F$ a partir de datos de velocidad finita:
  1. Iteración de velocidad única: Partiendo de una reconstrucción de Radon básica, se restan iterativamente los términos de corrección derivados de la expansión.
  2. Extrapolación de velocidad múltiple: Utilizando mediciones a múltiples velocidades para eliminar algebraicamente los términos de corrección y extrapolar al límite $v \to \infty$ (análogo al flujo del grupo de renormalización).

Ejemplos Analíticos

Se analizan dos casos exactamente solubles para verificar el marco perturbativo:

1. Potencial Armónico ($U \propto r^2$): Los autores derivan una relación exacta entre la integral de velocidad finita $J_v$ y el límite de velocidad infinita $J_\infty$. Demuestran que la primera corrección de orden uno se anula ($Q[F]=0$) y la serie converge solo cuando la energía cinética supera un umbral crítico ($E > \Delta U$).
2. Fuerza Constante ($F = \text{const}$): Se deriva una solución cerrada exacta y se verifica que la expansión en serie coincide con las fórmulas perturbativas generales.

Enfoque de Aprendizaje Automático (Machine Learning)

Para abordar el régimen no lineal general donde la inversión analítica es difícil, los autores emplean un flujo de trabajo de aprendizaje profundo:

• Modelo de Propagación (Forward Model): Un solver basado en CUDA integra las ecuaciones de movimiento de Newton para partículas en un disco unitario utilizando el método de Runge-Kutta.
• Conjunto de Datos: Se generan conjuntos de datos sintéticos utilizando diversas familias de campos de potencial (RBF Gaussiano, Matérn, series de Fourier truncadas, ruido de Perlin, etc.) para asegurar la robustez contra el sobreajuste a topologías específicas.
• Arquitectura: Un "Modelo de Predicción de Campo de Fuerza" (FFPM) basado en un generador estilo Johnson (codificador $\to$ cuello de botella residual $\to$ decodificador) es entrenado. La entrada es un tensor de 6 canales que comprende las mediciones de contorno (dirección de la velocidad final, cambio de magnitud, tiempo de residencia) y una reconstrucción de Radon gruesa. La salida es el campo de fuerza reconstruido.
• Entrenamiento: El modelo utiliza una combinación de pérdida de reconstrucción $L_1$, una pérdida GAN de dos escalas y un término de pérdida contrastiva (PatchNCE) para alinear las características locales con el prior de Radon.

3. Resultados Clave

Límites Teóricos

El análisis de los ejemplos de fuerza constante y armónica revela un punto de transición crítico. La calidad de la reconstrucción se degrada significamente cuando el parámetro adimensional $\epsilon = \delta U / (mv^2)$ se aproxima a $1/2$. Esto corresponde a la condición donde la energía cinética inicial $E_{kin}$ es comparable a la diferencia de energía potencial entre el límite y el interior:
$$E_{kin} \approx |U_{in} - U_{out}|$$
Por debajo de este umbral de energía, el mapa de dispersión pierde la inyectividad (por ejemplo, múltiples ángulos de inyección mapean al mismo punto de salida) y la serie perturbativa diverge.

Hallazgos Numéricos

• Escalamiento del Error: El error de reconstrucción (medido por el Error Absoluto Medio relativo) se mantiene bajo para relaciones de energía altas ($E_{kin}/E_{pot} \gg 1$), pero aumenta bruscamente cuando la relación cae en el rango $[1, 3]$.
• Generalización: El modelo FFPM, entrenado en una distribución específica de campos aleatorios, se generaliza con éxito a un potencial de paraboloide centrado (un caso de prueba fuera de la distribución). La degradación del rendimiento para el paraboloide ocurre en el mismo umbral de energía que para la distribución de entrenamiento, lo que sugiere que el límite es físico y no un fallo de la generalización del modelo.
• Modos de Fallo:
  • Aproximación de Radon: En campos fuertes, la reconstrucción de Radon preserva la forma gruesa (simetría) pero pierde amplitud, aplanando efectivamente el potencial.
  • FFPM: La red neuronal retiene la ubicación de los extremos del potencial (pozos) pero introduce ruido, deformaciones anisotrópicas y ruptura de simetría en campos fuertes.
• Informatividad de la Entrada: El análisis de correlación muestra que el tiempo de residencia de la partícula (tiempo de trayectoria) es el canal más informativo para estimar la amplitud del potencial, mucho más que la dirección o la magnitud de la velocidad final.

4. Significación y Reivindicaciones

El artículo afirma establecer un "límite de aplicabilidad" cuantitativo para los problemas de dispersión inversa que involucran partículas de velocidad finita. La contribución principal es la identificación de la relación de energía $E_{kin}/E_{pot}$ como el parámetro gobernante para la reconstruibilidad.

• Perspectiva Física: El trabajo demuestra que la transición de un régimen lineal resoluble (transformada de Radon) a un régimen altamente no lineal o irresoluble está gobernada por la accesibilidad del paisaje de potencial. Si la energía de la partícula es insuficiente para superar las barreras de potencial locales respecto al límite, la información sobre el interior se pierde.
• Contribución Metodológica: El artículo proporciona una expansión perturbativa sistemática para las correcciones de velocidad finita y valida un flujo de trabajo de aprendizaje automático que puede operar cerca de estos límites teóricos, superando la inversión lineal en el régimen no lineal.
• Modestia: Los autores declaran explícitamente que, para potenciales generales, la fórmula de corrección no lineal propuesta (Ec. 6.1) es una conjetura y no una identidad exacta, sirviendo en su lugar como una valiosa primera aproximación. Reconocen que el estudio actual utiliza datos sintéticos y que se requiere trabajo futuro para abordar el ruido, las trayectorias faltantes y los campos de fuerza no conservativos.

El artículo concluye que, si bien el problema inverso es teóricamente resoluble para velocidades finitas, el límite práctico de la reconstrucción está estrictamente limitado por la relación entre las escalas de energía cinética y potencial.