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

Au plus profond de chaque atome, les protons et les neutrons ne sont pas des sphères solides et indivisibles, mais plutôt des cités bouillonnantes de particules plus petites appelées quarks et gluons. Ces constituants, connus collectivement sous le nom de partons, filent à des vitesses proches de celle de la lumière, maintenus ensemble par la force nucléaire forte. Pour comprendre comment la matière se comporte dans les environnements les plus extrêmes, du cœur d'une étoile aux collisions à l'intérieur du Grand Collisionneur de Hadrons, les physiciens doivent cartographier précisément la manière dont ces partons partagent la quantité de mouvement de leur particule parente. Cette carte est appelée fonction de distribution de partons. Lorsque les protons et les neutrons sont verrouillés ensemble à l'intérieur d'un noyau atomique lourd, les règles changent. L'environnement nucléaire encombré déforme les cartes de partons, créant un paysage complexe et modifié que les scientifiques appellent fonctions de distribution de partons nucléaires. Déterminer ces cartes est crucial pour prédire les résultats des expériences à haute énergie, mais c'est une tâche notoirement difficile car les données sont rares et le paysage mathématique utilisé pour trouver le meilleur ajustement est souvent accidenté et rempli de vallées cachées.

Pendant des décennies, les chercheurs se sont appuyés sur un raccourci mathématique standard pour naviguer dans ce terrain. Cette méthode, connue sous le nom d'approche hessienne, suppose que le paysage autour de la meilleure solution est un bol lisse et symétrique, comme une parabole parfaite. En mesurant la pente des parois du bol, les scientifiques peuvent estimer l'incertitude de leur carte. Cependant, cette hypothèse ne fonctionne de manière optimale que lorsque les données sont abondantes et que les relations entre les variables sont simples. Dans le cas des noyaux lourds, où les données expérimentales sont limitées et les connexions entre différents types de particules sont emmêlées, cette hypothèse de bol lisse échoue souvent. Le véritable paysage peut être bosselé, incliné ou même contenir plusieurs vallées séparées où la solution pourrait se cacher. Si les scientifiques supposent que le paysage est lisse alors qu'il est en réalité accidenté, leurs estimations d'incertitude peuvent être trompeuses, masquant potentiellement la véritable complexité du noyau atomique.

Pour remédier à cela, un chercheur dirigé par Nasim Derakhshanian a développé une nouvelle façon d'explorer ces cartes nucléaires en utilisant une technique appelée Monte Carlo par chaînes de Markov. Au lieu de supposer que le paysage est un bol lisse, cette méthode traite la recherche comme une marche guidée à travers un vaste territoire inconnu. Le chercheur a conçu un programme informatique qui effectue des millions de pas aléatoires, vérifiant constamment si chaque pas correspond bien aux données expérimentales disponibles. Au fil du temps, le programme apprend la véritable forme du paysage, passant plus de temps dans les vallées profondes où les solutions sont les meilleures et moins de temps sur les hauts sommets où les données ne correspondent pas. Cela leur permet d'échantillonner directement toute la distribution de probabilité, capturant les asymétries, les solutions multiples et les corrélations complexes que l'ancienne méthode ignorerait.

Le chercheur a appliqué cette nouvelle approche au noyau du plomb, l'un des atomes les plus lourds et les plus complexes utilisés dans les expériences. Il a réalisé deux types d'analyses distinctes pour tester la robustesse de ses découvertes. D'abord, il a examiné exclusivement les données provenant de noyaux de plomb, créant une carte « uniquement plomb » pour observer la structure intrinsèque de l'ajustement sans influence extérieure. Cette analyse a révélé une structure hautement complexe et non triviale. L'échantillonnage informatique a dévoilé que les paramètres décrivant les quarks de valence — les particules centrales qui donnent son identité au proton — ne reposaient pas dans une seule vallée lisse. Au lieu de cela, le paysage contenait plusieurs minima locaux, ou vallées secondaires, où l'ajustement pouvait également être très bon. La distribution de ces solutions était asymétrique et biaisée, ce qui signifie que l'incertitude n'était pas la même dans toutes les directions. La méthode hessienne standard, qui suppose une vallée unique et symétrique, n'a pas réussi à capturer cette réalité multipoint, lissant ainsi la structure complexe et fournissant une image incomplète de l'incertitude.

Pour voir comment cette image complexe changeait avec l'ajout d'informations, le chercheur a ensuite effectué une seconde analyse incluant des données provenant d'une large gamme de noyaux plus légers, et pas seulement du plomb. En reliant les données de différentes masses atomiques par une relation mathématique standard, il a introduit de nouvelles contraintes liant le comportement du plomb à celui d'éléments plus légers. Cette analyse « multi-noyaux » a considérablement modifié le paysage. Les vallées secondaires qui étaient prédominantes dans l'analyse uniquement plomb ont été largement supprimées, et l'espace des paramètres est devenu plus régulier et plus proche d'une vallée dominante unique. L'inclusion de noyaux plus légers a agi comme une puissante ancre, resserrant les contraintes sur les distributions de quarks et réduisant l'incertitude de la carte du plomb. Cependant, même avec ces contraintes supplémentaires, le chercheur a constaté que le paysage n'était pas parfaitement symétrique. Des caractéristiques non gaussiennes subtiles et des queues asymétriques persistaient, particulièrement dans les distributions de quarks de valence, que la méthode hessienne standard aurait tout de même manquées.

Une comparaison directe entre les deux approches a mis en évidence une différence critique dans leur gestion des données. Dans l'analyse uniquement plomb, la nouvelle méthode a montré que les bandes d'incertitude pour les distributions de quarks étaient beaucoup plus larges et plus asymétriques que ce que suggérait l'ancienne méthode. L'ancienne méthode, reposant sur l'hypothèse du bol lisse, sous-estimait la véritable étendue des possibilités. Lorsque les données multi-noyaux ont été ajoutées, les incertitudes ont diminué, mais la nouvelle méthode a tout de même révélé une incertitude plus réaliste et contrainte, tenant compte des asymétries persistantes. Curieusement, la distribution des gluons — les particules qui transportent la force forte — est restée relativement stable à travers les deux analyses. Comme la distribution des gluons est déjà bien contrainte par les données directes des collisions de plomb au Grand Collisionneur de Hadrons, l'ajout de données provenant de noyaux plus légers n'a pas modifié de manière significative le portrait des gluons, contrairement aux distributions de quarks qui étaient plus sensibles aux nouvelles contraintes.

L'étude a également démontré une manière pratique de rendre ces résultats complexes utilisables pour d'autres scientifiques. La nouvelle méthode génère des milliers d'échantillons individuels pour représenter la distribution de probabilité complète, ce qui est trop volumineux pour être partagé directement. Le chercheur a testé différentes façons de compresser ce jeu de données massif en un ensemble plus petit et gérable de répliques sans perdre l'information statistique essentielle. Il a constaté que si le simple fait de choisir un nombre plus restreint d'échantillons à intervalles réguliers fonctionnait bien pour les valeurs centrales, cela pouvait fausser les bandes d'incertitude si la taille de l'échantillon devenait trop petite. Un algorithme de compression plus sophistiqué, qui sélectionne soigneusement les échantillons pour préserver la forme et les corrélations de l'ensemble des données, a mieux performé pour conserver les caractéristiques complexes de la distribution, à condition que l'ensemble final ne soit pas réduit de manière trop drastique.

En fin de compte, ce travail établit que le paysage statistique des fonctions de distribution de partons nucléaires est bien plus complexe qu'on ne le supposait auparavant. La méthode standard consistant à approximer l'espace des solutions par un bol lisse et symétrique est insuffisante pour capturer toute la complexité des données nucléaires, en particulier lorsqu'il s'agit de noyaux lourds comme le plomb. En utilisant une méthode qui échantillonne directement l'ensemble du paysage, le chercheur a révélé des structures cachées, telles que des solutions multiples et concurrentes ainsi que des incertitudes asymétriques, qui étaient auparavant invisibles. Cette approche offre une façon plus fiable et transparente de quantifier les inconnues de notre compréhension du noyau atomique, garantissant que les futures prédictions pour les expériences de physique des hautes énergies soient bâties sur une fondation qui reflète véritablement la complexité des données.