Exterior complex scaling enables physics-informed neural networks for quantum scattering

Ce travail démontre que la mise à l'échelle complexe extérieure transforme les fonctions d'onde de diffusion non décroissantes en formes à décroissance exponentielle, permettant aux réseaux de neurones informés par la physique de résoudre avec précision des problèmes de diffusion nucléaire pour la première fois et ouvrant la voie à des problèmes inverses efficaces et à la modélisation de réactions complexes.

L'essentiel

Le Gros Problème : L'« Écho Sans Fin »

Imaginez que vous essayiez de prédire comment une balle rebondit contre un mur. Dans le monde des atomes et des noyaux, cette « balle » est une particule, et le « mur » est un autre noyau. Lorsqu'ils entrent en collision, ils ne s'arrêtent pas simplement ; ils diffusent.

En physique, les mathématiques décrivant cette diffusion sont comme une onde qui ne s'arrête jamais de bouger. Elle continue indéfiniment, oscillant d'avant en arrière comme une onde sonore dans un canyon sans fin.

Pendant des décennies, les scientifiques ont utilisé des programmes informatiques standards pour résoudre ces équations. Ces programmes fonctionnent comme une grille ou une échelle : ils progressent d'un point à l'autre. Mais comme l'onde ne s'arrête jamais, l'ordinateur doit continuer à grimper l'échelle éternellement pour obtenir la bonne réponse. Si vous arrêtez l'échelle trop tôt, vous obtenez une mauvaise réponse (comme un écho rebondissant sur un mur qui ne devrait pas être là).

Récemment, un nouveau type de programme informatique appelé Réseau de Neurones Informé par la Physique (PINN) est devenu populaire. Voyez le PINN comme un étudiant super intelligent qui apprend en observant les règles du jeu (les équations de la physique) plutôt qu'en progressant à travers une grille. Les PINN sont excellents pour résoudre des problèmes où les choses se stabilisent et s'arrêtent (comme la chaleur qui refroidit). Mais ils échouent lamentablement face à la diffusion nucléaire car l'« onde » ne se stabilise jamais ; elle continue d'osciller éternellement. L'étudiant est confus et ne parvient pas à trouver la réponse.

La Solution : Le « Miroir Complexe »

L'auteur de ce papier, Jin Lei, a trouvé une astuce ingénieuse pour faire comprendre le problème au réseau de neurones étudiant. Il a utilisé une technique mathématique appelée Échelle de Complexité Extérieure (ECS).

Imaginez que la collision nucléaire se déroule dans une pièce.

1. La Pièce Réelle : À l'intérieur de la pièce (proche du noyau), la physique est normale. La particule rebondit partout, et les murs sont réels.
2. Le Miroir Complexe : Une fois que la particule sort de la pièce et entre dans l'« extérieur », l'auteur transforme le sol en un miroir qui fait basculer le monde dans une autre dimension (le plan complexe).

Dans ce monde « complexe » et incliné, l'onde oscillante infinie se transforme soudainement. Au lieu de rebondir d'avant en arrière pour toujours, elle commence à s'estomper comme un son qui meurt dans un brouillard épais. Elle devient une « onde à décroissance exponentielle ».

Maintenant, l'étudiant réseau de neurones est heureux ! Il voit une onde qui s'estompe et s'arrête. Il peut facilement apprendre les règles car le problème ressemble aux problèmes de « stabilisation » pour lesquels il est doué.

L'Astuce du « Pilotage » : Séparer le Bruit

Pour que cela fonctionne parfaitement, l'auteur a également modifié la manière dont le problème est posé.

Au lieu de demander au réseau de neurones de comprendre l'onde entière à partir de zéro, il l'a divisée en deux parties :

1. La Partie Connue : Une onde de « fond » que l'ordinateur sait déjà calculer (comme une onde sonore standard).
2. La Partie « Pilotée » : La partie désordonnée et intéressante causée par la collision.

L'auteur a configuré les mathématiques de sorte que la partie « désordonnée » n'existe que là où les noyaux se touchent réellement (la pièce réelle). Une fois que la particule quitte cette pièce, la partie « désordonnée » est forcée d'être nulle. Cela signifie que le réseau de neurones n'a qu'à apprendre la partie désordonnée dans la pièce réelle, puis la regarder s'estomper dans le miroir complexe. Il n'a pas besoin de deviner ce qui se passe à une distance infinie ; les mathématiques le forcent à s'estomper.

Les Résultats : Tester la Nouvelle Méthode

L'auteur a testé cette nouvelle méthode sur deux scénarios différents pour prouver qu'elle fonctionne :

1. Le Test Léger (Neutron + Calcium) : Il a simulé un neutron frappant un noyau de Calcium. Les résultats étaient incroyablement précis, correspondant presque parfaitement aux meilleures méthodes informatiques traditionnelles. La différence était si petite qu'elle était à peine perceptible (moins d'un dixième de degré dans l'angle du rebond).
2. Le Test Lourd (Lithium + Plomb) : Il a simulé une collision plus lourde entre le Lithium et le Plomb. C'est plus difficile car la répulsion électrique entre eux est énorme. La méthode a quand même fonctionné, prédisant avec précision comment les particules se diffusent, même dans la « zone grise » délicate où les particules se frôlent à peine.

Pourquoi cela Importe (Selon le Papier)

Le papier affirme qu'il s'agit d'une avancée majeure car :

• Il fonctionne là où les autres ont échoué : C'est la première fois que des réseaux de neurones résolvent avec succès ces problèmes spécifiques de diffusion nucléaire.
• Il est « de bout en bout » (End-to-End) : Comme tout le processus est construit sur un réseau de neurones, vous pouvez modifier l'entrée (comme la force de la force nucléaire) et l'ordinateur sait instantanément comment la sortie change. C'est excellent pour les « problèmes inverses » — déterminer à quoi ressemble le noyau en observant comment les particules rebondissent dessus.
• Il gère les cas « Difficiles » : Il peut traiter des formes complexes et des particules multiples sans avoir besoin de construire une grille rigide, ce qui fait généralement planter les ordinateurs lorsque les choses deviennent trop compliquées.

En bref : L'auteur a construit un « entonnoir » mathématique (l'échelle de complexité) qui transforme un problème d'onde infinie et impossible en un problème d'onde simple et s'estompant qu'une IA moderne peut résoudre facilement et avec précision.

Résumé technique

Résumé technique : Le passage à l'échelle par complexification extérieure permet l'application des réseaux de neurones informés par la physique aux réactions nucléaires

Énoncé du problème
Les réseaux de neurones informés par la physique (PINNs) sont apparus comme un outil puissant pour la résolution d'équations différentielles dans divers domaines. Cependant, leur application à la diffusion nucléaire a été fondamentalement entravée par la nature des fonctions d'onde de diffusion. Contrairement aux problèmes d'états liés où les fonctions d'onde décroissent exponentiellement, les fonctions d'onde de diffusion restent oscillatoires à tous les rayons, satisfaisant les conditions limites de rayonnement (conditions de Sommerfeld) à l'infini. Les PINNs traditionnels opèrent sur des domaines de calcul finis et nécessitent des conditions aux limites qui peuvent être spécifiées indépendamment de la solution. La nature oscillatoire et non décroissante des ondes de diffusion empêche l'imposition de conditions de Dirichlet ou de Neumann simples à des frontières finies ; le troncage du domaine introduit des réflexions parasites qui contaminent la solution. Cette incompatibilité entre les conditions de rayonnement oscillatoires et le calcul sur un domaine fini a précédemment bloqué l'application des PINNs aux problèmes de réactions nucléaires.

Méthodologie
Ce travail introduit un cadre combinant la complexification extérieure (ECS - Exterior Complex Scaling) avec les PINNs pour surmonter l'obstacle des conditions aux limites. La méthodologie se compose de trois composantes principales :

1. Complexification extérieure (ECS) : La coordonnée radiale $r$ est prolongée analytiquement dans le plan complexe au-delà d'un rayon d'échelle $R_0$. Pour $r > R_0$, la coordonnée est pivotée d'un angle $\theta$. Cette transformation convertit les ondes oscillatoires sortantes ($e^{ikr}$) en fonctions à décroissance exponentielle ($e^{ikr \cos \theta} e^{-kr \sin \theta}$). Par conséquent, le problème de diffusion est transformé en un problème doté de conditions aux limites carrément intégrables ($L^2$), permettant de fixer la fonction d'onde à zéro à une frontière extérieure finie sans réflexions parasites. Crucialement, la transformation ECS maintient la région d'interaction nucléaire sur l'axe réel, évitant ainsi la nécessité de prolonger analytiquement le potentiel nucléaire dans le plan complexe.

2. Formulation par équation pilotée : Pour simplifier davantage la tâche d'apprentissage, la fonction d'onde totale $u(r)$ est décomposée en une onde de Coulomb incidente connue $u_{in}(r)$ et une onde diffusée $u_{sc}(r)$. L'onde diffusée satisfait une équation pilotée inhomogène où le terme source est entièrement confiné sur l'axe réel (à l'intérieur de la portée nucléaire). Dans la région ECS ($r > R_0$), le terme source s'annule, et l'onde diffusée satisfait une équation homogène avec des conditions aux limites à décroissance exponentielle. Cette formulation permet au réseau de neurones d'apprendre une fonction qui décroît vers zéro, plutôt qu'une fonction oscillatoire.

3. Architecture et entraînement du réseau de neurones :

   • Architecture : Un réseau de neurones de type feedforward entièrement connecté avec des fonctions d'activation sinusoïdales ($\sin(z)$) est utilisé pour représenter les parties réelle et imaginaire de l'onde diffusée.
   • Conditions aux limites : Des facteurs multiplicatifs codés en dur imposent $u_{sc}(0)=0$ et $u_{sc}(R_{max})=0$. Un facteur de condition aux limites à cap de sigmoïde est introduit pour prévenir le dépassement numérique pour les canaux à moment angulaire élevé ($\ell$), où le comportement standard en $r^{\ell+1}$ exigerait que le réseau produise des valeurs extrêmement faibles.
   • Fonction de perte : La perte combine le résidu de l'équation pilotée avec un terme d'ancrage pour éviter la solution triviale ($u_{sc}=0$).
   • Réduction progressive de l'ancrage auto-adaptative (Auto-Adaptive Anchor Warm-Down) : Pour les canaux présentant des termes sources faibles (haut $\ell$ ou forte suppression de Coulomb), un ancrage fixe peut biaiser la solution. Les auteurs implémentent un mécanisme auto-adaptatif où le poids de l'ancrage est « réduit progressivement » (warm-down) linéairement vers zéro pour les canaux où la magnitude de la source tombe sous un certain seuil. Cela garantit que la solution finale est pilotée uniquement par la perte de résidu, éliminant les biais d'absorption artificiels dans les canaux quasi-transparents.
   • Stratégie d'entraînement : Un processus d'entraînement en deux étapes (optimiseur Adam suivi de L-BFGS) est employé. Pour les systèmes d'ions lourds, une stratégie d'entraînement causale est utilisée, étendant progressivement la région d'entraînement de l'intérieur nucléaire vers l'extérieur pour assurer une convergence stable.

Contributions clés

• Première application des PINNs aux réactions nucléaires : Ce travail démontre la première application réussie des PINNs aux problèmes de diffusion nucléaire en résolvant l'incompatibilité des conditions aux limites via l'ECS.
• Formulation par équation pilotée : Le développement d'une équation pilotée à source confinée qui évite la prolongation analytique des potentiels nucléaires.
• Innovations techniques : Introduction du facteur de limite à cap de sigmoïde pour la stabilité des $\ell$ élevés et de la réduction progressive de l'ancrage auto-adaptative pour un traitement impartial des canaux à source faible.
• Différentiabilité de bout en bout : Le cadre établit un pipeline où l'ensemble du calcul est différentiable, permettant l'optimisation directe par gradient des paramètres du potentiel optique (problèmes inverses).

Résultats
La méthode a été validée sur deux systèmes de référence par rapport au code COLOSS établi (qui utilise la discrétisation par maillage de Lagrange avec complexification d'échelle) :

1. Diffusion neutron-noyau ($n + ^{40}\text{Ca}$ à 20 MeV) :

   • Calcul de 21 ondes partielles (incluant les partenaires spin-orbite jusqu'à $\ell=10$) en utilisant le potentiel optique global de Koning-Delaroche.
   • Précision : Les erreurs de déphasage ($\Delta\delta$) étaient $\lesssim 0,1^\circ$ pour les canaux fortement absorbés ($\ell \le 4$) et $\le 0,60^\circ$ pour tous les canaux jusqu'à $\ell=10$. L'erreur moyenne sur tous les canaux était de $0,09^\circ$.
   • Fonction d'onde : La différence RMS relative entre les solutions PINN et de référence était inférieure à $0,15\%$ pour les canaux à bas $\ell$ et inférieure à $2\%$ même pour le pire cas.

2. Diffusion d'ions lourds ($^6\text{Li} + ^{208}\text{Pb}$ à 40 MeV) :

   • Calcul de 41 ondes partielles avec de forts effets de Coulomb ($\eta \approx 15$).
   • Précision : La précision moyenne de la matrice S sur toutes les ondes partielles était $|\Delta|S_\ell|| \approx 3 \times 10^{-3}$. Dans la zone de transition absorption-transparence particulièrement difficile ($\ell \approx 25\text{--}30$), l'erreur est restée inférieure à $0,007$.
   • Observables : Le rapport de Rutherford calculé a reproduit la solution de référence sur trois ordres de grandeur, capturant le motif caractéristique d'interférence Coulomb-nucléaire.

Signification et Revendications
L'article affirme que ce travail établit les fondations pour étendre les PINNs à la physique des réactions nucléaires. La principale importance réside dans l'enablement de la différentiabilité de bout en bout, ce qui permet l'ajustement direct des paramètres du potentiel optique aux données expérimentales, une tâche qui nécessite traditionnellement des optimisations de boucle externe coûteuses. De plus, la nature sans maillage (mesh-free) de la méthode offre une voie potentielle pour résoudre les réactions à canaux couplés et les problèmes de diffusion à corps multiples (par exemple, les équations de Faddeev) où les méthodes traditionnelles basées sur des grilles font face à des coûts d'échelle exponentiels.

Les auteurs notent que la méthode est actuellement limitée aux réactions où la physique est confinée à des rayons inférieurs au rayon d'échelle ECS (réactions élastiques, inélastiques et de transfert). Les processus dominés par des transitions électromagnétiques à longue portée (par exemple, l'excitation de Coulomb sous la barrière) ne peuvent pas être traités directement dans ce cadre. Le coût computationnel est actuellement plus élevé que les méthodes d'intégration conventionnelles (quelques minutes par canal contre quelques secondes), mais les auteurs soutiennent que cela est acceptable pour des applications de recherche nécessitant la différentiabilité ou des formulations sans maillage.