Global Analysis of Nuclear Parton Distribution Functions using Markov Chain Monte Carlo

En lo más profundo de cada átomo, los protones y neutrones no son esferas sólidas e indivisibles, sino más bien ciudades bulliciosas de partículas más pequeñas llamadas quarks y gluones. Estos constituyentes, conocidos colectivamente como partones, se desplazan a casi la velocidad de la luz, mantenidos unidos por la fuerza nuclear fuerte. Para comprender cómo se comporta la materia en los entornos más extremos, desde el corazón de una estrella hasta las colisiones dentro del Gran Colisionador de Hadrones, los físicos deben mapear exactamente cómo estos partones comparten el momento de su partícula progenitora. Este mapa se denomina función de distribución de partones. Cuando los protones y neutrones están trabados dentro de un núcleo atómico pesado, las reglas cambian. El congestionado entorno nuclear distorsiona los mapas de partones, creando un paisaje complejo y modificado que los científicos llaman funciones de distribución de partones nucleares. Determinar estos mapas es crucial para predecir los resultados de los experimentos de alta energía, pero es notoriamente difícil porque los datos son escasos y el paisaje matemático utilizado para encontrar el mejor ajuste es a menudo accidentado y lleno de valles ocultos.

Durante décadas, los investigadores han dependido de un atajo matemático estándar para navegar este terreno. Este método, conocido como el enfoque Hessiano, asume que el paisaje alrededor de la mejor solución es un cuenco suave y simétrico, como una parábola perfecta. Al medir la inclinación de los lados del cuenco, los científicos pueden estimar qué tan incierta es su representación. Sin embargo, esta suposición funciona mejor solo cuando los datos son abundantes y las relaciones entre variables son simples. En el caso de los núcleos pesados, donde los datos experimentales son limitados y las conexiones entre diferentes tipos de partículas están enredadas, esta suposición de cuenco suave a menudo falla. El verdadero paisaje podría ser irregular, inclinado o incluso contener múltiples valles separados donde la solución podría esconderse. Si los científicos asumen que el paisaje es suave cuando en realidad es accidentado, sus estimaciones de incertidumbre pueden ser engañosas, ocultando potencialmente la verdadera complejidad del núcleo atómico.

Para abordar esto, un investigador liderado por Nasim Derakhshanian desarrolló una nueva forma de explorar estos mapas nucleares utilizando una técnica llamada Monte Carlo por Cadenas de Markov. En lugar de asumir que el paisaje es un cuenco suave, este método trata la búsqueda como una caminata guiada a través de un vasto territorio desconocido. El investigador construyó un programa de computadora que da millones de pasos aleatorios, comprobando constantemente qué tan bien encaja cada paso con los datos experimentales disponibles. Con el tiempo, el programa aprende la verdadera forma del paisaje, pasando más tiempo en los vjes profundos donde las soluciones son mejores y menos tiempo en los picos altos donde los datos no encajan. Esto les permite muestrear toda la distribución de probabilidad directamente, capturando asimetrías, múltiples soluciones y correlaciones complejas que el método antiguo pasaría por alto.

El investigador aplicó este nuevo enfoque al núcleo del plomo, uno de los átomos más pesados y complejos utilizados en experimentos. Realizó dos tipos distintos de análisis para probar la robustez de sus hallazgos. Primero, examinó exclusivamente datos de núcleos de plomo, creando un mapa de "solo plomo" para ver la estructura intrínseca del ajuste sin influencias externas. Este análisis reveló una estructura altamente compleja y no trivial. El muestreo por computadora descubrió que los parámetros que describen a los quarks de valencia —las partículas centrales que le dan al protón su identidad— no estaban situados en un solo valle suave. En cambio, el paisaje contenía mínimos locales, o valles secundarios, donde el ajuste también podría ser muy bueno. La distribución de estas soluciones estaba sesgada y era asimétrica, lo que significa que la incertidumbre no era la misma en todas las direcciones. El método Hessiano estándar, que asume un solo valle simétrico, no logró capturar esta realidad de múltiples picos, suavizando efectivamente la estructura compleja y proporcionando una imagen incompleta de la incertidumbre.

Para ver cómo cambiaba este panorama complejo cuando se añadía más información, el investigador realizó un segundo análisis que incluía datos de una amplia gama de núcleos más ligeros, no solo de plomo. Al conectar los datos de diferentes masas atómicas a través de una relación matemática estándar, introdujo nuevas restricciones que vinculaban el comportamiento del plomo con el de elementos más ligeros. Este análisis de "múltiples núcleos" alteró significamente el paisaje. Los valles secundarios que eran prominentes en el análisis de solo plomo fueron suprimidos en gran medida, y el espacio de parámetros se volvió más regular y cercano a un único valle dominante. La inclusión de núcleos más ligeros actuó como un poderoso ancla, estrechando las restricciones sobre las distribuciones de quarks y reduciendo la incertidumbre en el mapa de plomo. Sin embargo, incluso con estas restricciones adicionales, el investigador encontró que el paisaje no era perfectamente simétrico. Persistían rasgos no gaussianos sutiles y colas asimétricas, particularmente en las distribuciones de quarks de valencia, que el método Hessiano estándar habría pasado por alto.

Una comparación directa entre los dos enfoques resaltó una diferencia crítica en cómo manejaron los datos. En el análisis de solo plomo, el nuevo método mostró que las bandas de incertidumbre para las distribuciones de quarks eran mucho más anchas y asimétricas de lo que el método antiguo sugería. El método antiguo, basado en la suposición del cuenco suave, subestimaba el verdadero rango de posibilidades. Cuando se añadieron los datos de múltiples núcleos, las incertididades se redujeron, pero el nuevo método aún revelaba una incertidumbre más realista y restringida que daba cuenta de las asimetrías persistentes. Curiosamente, la distribución de los gluones —las partículas que transportan la fuerza fuerte— se mantuvo relativamente estable en ambos análisis. Debido a que la distribución de gluones ya está bien restringida por datos directos de colisiones de plomo en el Gran Colisionador de Hadrones, añadir datos de núcleos más ligeros no cambió significativamente el panorama para los gluones, a diferencia de las distribuciones de quarks que fueron más sensibles a las nuevas restricciones.

El estudio también demostró una forma práctica de hacer que estos resultados complejos sean utilizables para otros científicos. El nuevo método genera miles de muestras individuales para representar la distribución de probabilidad completa, la cual es demasiado grande para compartir directamente. El investigador probó diferentes formas de comprimir este conjunto de datos masivo en un conjunto de réplicas más pequeño y manejable sin perder la información estadística esencial. Encontró que, si bien elegir simplemente un número menor de muestras a intervalos regulares funcionaba bien para los valores centrales, podía distorsionar las bandas de incertidumbre si el tamaño de la muestra se volvía demasiado pequeño. Un algoritmo de compresión más sofisticado, que seleccionaba cuidadosamente las muestras para preservar la forma y las correlaciones del conjunto de datos completo, funcionó mejor para retener las características complejas de la distribución, siempre que el conjunto final no se redujera drásticamente.

En última instancia, este trabajo establece que el paisaje estadístico de las funciones de distribución de partones nucleares es mucho más intrincado de lo que se suponía anteriormente. El método estándar de aproximar el espacio de soluciones como un cuenco suave y simétrico es insuficiente para capturar toda la complejidad de los datos nucleares, especialmente cuando se trata de núcleos pesados como el plomo. Al utilizar un método que muestrea directamente todo el paisaje, el investigador reveló estructuras ocultas, como múltiples soluciones en competencia e incertidumbres asimétricas, que antes eran invisibles. Este enfoque ofrece una forma más confiable y transparente de cuantificar lo desconocido en nuestra comprensión del núcleo atómico, asegurando que las futuras predicciones para experimentos de física de alta energía se construyan sobre una base que refleje verdaderamente la complejidad de los datos.