Extracting Barrier Distributions from Fusion Cross Sections

Sintesi Tecnica: Estrazione delle Distribuzioni di Barriera dalle Sezioni Trasversali di Fusione

Definizione del Problema
La fusione di ioni pesanti è un processo complesso in cui l'interazione tra nuclei non può essere descritta adeguatamente da un semplice modello di tunneling monodimensionale attraverso una singola barriera. Invece, gli accoppiamenti con stati collettivi e altri canali inducono una "distribuzione di barriere" continua, $D(E)$. L'estrazione di questa distribuzione dai dati sperimentali della sezione trasversale di fusione ($\sigma(E)$) è teoricamente possibile tramite la seconda derivata della sezione trasversale pesata per l'energia, $D(E) \propto \frac{d^2(E\sigma)}{dE^2}$. Tuttavia, nella pratica, questa estrazione è numericamente instabile. Gli schemi standard di differenza puntuale sono ipersensibili al rumore sperimentale, alla risoluzione dei dati e all'irregolarità, producendo spesso risultati inaffidabili, in particolare ad energie superiori alla barriera primaria. Sebbene lavori recenti (Godbey 2024) abbiano utilizzato i Processi Gaussiani (GP) per smussare i dati e fornire stime di incertezza, rimangono delle limitazioni per quanto riguarda la fedeltà della distribuzione estratta ad alte energie e l'affidabilità della quantificazione dell'incertezza.

Metodologia
Questa tesi impiega un approccio multi-stadio per testare e migliorare l'estrazione delle distribuzioni di barriera:

1. Benchmarking con Modelli Simulati (Toy Models): Lo studio utilizza la formula di Wong (Wong 1973), un modello analitico per le sezioni trasversali di fusione, per generare dati di verità fondamentale (ground-truth). Questi dati sono corrotti con livelli di rumore realistici ($\eta = \delta\sigma/\sigma$), risoluzioni variabili ($\Delta E$) e spaziatura irregolare per simulare le condizioni sperimentali.
2. Regressione dei Processi Gaussiani (GPR): L'autore estende il metodo di Godbey (2024) addestrando i GP con kernel a Funzione di Base Radiale (RBF). Un cambiamento metodologico critico consiste nell'addestramento in spazio logaritmico (modellando errori moltiplicativi) piuttosto che in spazio lineare, per stabilizzare la matrice di covarianza e riflettere meglio la natura statistica dei dati di fusione. Lo studio introduce anche una tecnica per inferire le incertezze relative sconosciute ottimizzando un parametro di varianza globale tramite la massimizzazione della verosimiglianza marginale quando le incertezze sperimentali non sono riportate.
3. Reti Neurali Bayesiane (BNN): Per superare i limiti dei GP, la tesi implementa AutoBNN (Carroll et al. 2024), uno strumento per l'addestramento di Reti Neurali Bayesiane interpretabili. Queste reti sono addestrate utilizzando il metodo Markov Chain Monte Carlo (MCMC) tramite l'algoritmo No-U-Turn Sampler (NUTS). Lo studio esplora architetture specifiche, inclusi "Sum of Changepoints" e "Changepoint of Products", che permettono al modello di adattare il proprio comportamento statistico attraverso diverse regioni di energia.
4. Regolarizzazione: Per affrontare le instabilità numeriche nella seconda derivata (specificamente nelle posizioni dei punti di cambiamento o changepoint), viene implementato durante l'addestramento della BNN un prior che penalizza l'ampiezza della terza derivata.

Risultati Chiave

• Limitazioni dei Processi Gaussiani:

  • Aliasing: I GP mostrano "aliasing" (picchi oscillatori falsi) a energie superiori alla barriera primaria. Ciò è attribuito al cattivo condizionamento della matrice di covarianza causato da grandi cancellazioni nella combinazione lineare delle funzioni kernel.
  • Sensibilità al Rumore: Sebbene i GP siano robusti alla irregolarità e alla scarsità dei dati se il livello di rumore è basso ($\eta \leq 10^{-2}$), essi non riescono a catturare la posizione e la struttura della barriera quando i livelli di rumore sono elevati ($\eta \approx 10^{-1}$).
  • Sottostima dell'Incertezza: Le incertezze riportate dai GP sono spesso sottostimate, portando potenzialmente a conclusioni eccessivamente sicure sulla struttura nucleare.
  • Addestramento in Spazio Logaritmico: L'addestramento in spazio logaritmico migliora la stabilità e il recupero del picco primario, ma non elimina l'aliasing ad alta energia.

• Prestazioni delle Reti Neurali Bayesiane:

  • Recupero Superiore ad Alta Energia: Architetture specifiche di AutoBNN, in particolare quelle con capacità di "Changepoint", recuperano con successo la distribuzione di barriera sia nelle regioni sub-barriera che sopra la barriera, senza l'aliasing spurio osservato nei GP.
  • Quantificazione dell'Incertezza: Le BNN forniscono bande di incertezza più affidabili ed estese, identificando correttamente le regioni in cui i dati sono insufficienti per vincolare il modello (ad esempio, distinguendo tra un plateau e un picco secondario).
  • Necessità dello Spazio Logaritmico: Similmente ai GP, l'addestramento delle BNN in spazio logaritmico è essenziale per un'efficace regolarizzazione e per le prestazioni sui dati di sezione trasversale.

• Applicazione ai Dati Sperimentali:

  • I metodi sono stati applicati a dataset reali (es. $^{16}\text{O} + ^{208}\text{Pb}$, $^{40}\text{Ca} + ^{40}\text{Ca}$).
  • In casi con incertezze riportate, le BNN hanno identificato rialzi terziari e strutture secondarie che le formule discrete a 3 punti avevano mancato.
  • In casi senza incertezze riportate, il metodo dell'incertezza relativa inferita ha permesso l'estrazione delle distribuzioni di barriera, sebbene le BNN abbiano correttamente segnalato un'alta incertezza nelle regioni in cui i modelli erano in disaccordo (ad esempio, intorno a 55 MeV in $^{48}\text{Ca} + ^{48}\text{Ca}$), suggerendo la necessità di ulteriori misurazioni sperimentali.

Significatività e Contributi
La tesi contribuisce al "ciclo teoria-esperimento" nella fisica nucleare fornendo strumenti robusti e statisticamente fondati per l'estrazione delle distribuzioni di barriera.

1. Avanzamento Metodologico: Dimostra che, sebbene i GP siano utili, soffrono di specifici artefatti numerici (aliasing) ad alte energie. L'introduzione delle architetture AutoBNN offre un recupero più fedele della distribuzione di barriera con incertezze ben quantificate.
2. Guida Sperimentale: Sfruttando la distribuzione posteriore continua e il disaccordo dell'insieme dei modelli (ensemble disagreement), questo lavoro identifica specifici intervalli di energia in cui ulteriori dati sperimentali avrebbero il massimo impatto, andando oltre il semplice adattamento dei dati verso una progettazione sperimentale attiva.
3. Implementazione Open-Source: L'autore rilascia un'implementazione open-source e user-friendly della pipeline di analisi, incluso il codice AutoBNN modificato e gli script per gestire dati sperimentali irregolari, per incoraggiare l'adozione da parte della comunità sperimentale.
4. Gestione dei Dati Mancanti: La tesi fornisce una strategia validata per analizzare dataset sperimentali dove le incertezze di misura non sono esplicitamente riportate, un caso comune nella letteratura della fisica nucleare.

Limitazioni e Lavori Futuri
L'autore osserva che la scelta della forza del penalizzatore della terza derivata ($\lambda$) richiede una calibrazione esperta e che i modelli "Sum of Changepoint" e "Changepoint of Products" possono produrre previsioni contrastanti senza una metrica chiara di affidabilità. Inoltre, sebbene l'addestramento MCMC fornisca risultati superiori, esso è computazionalmente costoso. La tesi propone come lavoro futuro la traduzione dei modelli AutoBNN a larghezza finita in kernel di Processi Gaussiani a larghezza infinita per accelerare l'addestramento pur mantenendo le intuizioni strutturali apprese, sebbene tale traduzione affronti sfide riguardanti la preservazione della multi-modalità nella distribuzione della funzione.