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

Nel profondo di ogni atomo, protoni e neutroni non sono sfere solide e indivisibili, ma piuttosto città frenetiche composte da particelle più piccole chiamate quark e gluoni. Questi costituenti, collettivamente noti come partoni, sfrecciano a velocità vicine a quella della luce, tenuti insieme dalla forza nucleare forte. Per comprendere come la materia si comporti negli ambienti più estremi, dal cuore di una stella alle collisioni all'interno del Large Hadron Collider, i fisici devono mappare esattamente come questi partoni condividano l'impulso della loro particella genitrice. Questa mappa è chiamata funzione di distribuzione dei partoni. Quando protoni e neutroni sono bloccati insieme all'interno di un pesante nucleo atomico, le regole cambiano. L'ambiente nucleare affollato distorce le mappe dei partoni, creando un paesaggio complesso e modificato che gli scienziati chiamano funzioni di distribuzione dei partoni nucleari. Determinare queste mappe è cruciale per prevedere gli esiti degli esperimenti ad alta energia, ma è notoriamente difficile perché i dati sono scarsi e il panorama matematico utilizzato per trovare il miglior adattamento è spesso accidentato e pieno di valli nascoste.

Per decenni, i ricercatori si sono affidati a una scorciatoia matematica standard per navigare in questo terreno. Questo metodo, noto come approccio Hessiano, assume che il paesaggio attorno alla soluzione ottimale sia una ciotola liscia e simmetrica, come una parabola perfetta. Misurando la pendenza dei lati della ciotola, gli scienziati possono stimare quanto sia incerta la loro mappa. Tuttavia, questa assunzione funziona al meglio solo quando i dati sono abbondanti e le relazioni tra le variabili sono semplici. Nel caso di nuclei pesanti, dove i dati sperimentali sono limitati e le connessioni tra diversi tipi di particelle sono aggrovigliate, questa assunzione di "ciotola liscia" spesso fallisce. Il vero paesaggio potrebbe essere irregolare, inclinato o persino contenere molteplici valli separate dove la soluzione potrebbe nascondersi. Se gli scienziati assumono che il paesaggio sia liscio quando in realtà è frastagliato, le loro stime di incertezza possono essere fuorvianti, rischiando di nascondere la vera complessità del nucleo atomico.

Per affrontare questo problema, un ricercatore guidato da Nasim Derakhshanian ha sviluppato un nuovo modo per esplorare queste mappe nucleari utilizzando una tecnica chiamata Markov Chain Monte Carlo. Invece di assumere che il paesaggio sia una ciotola liscia, questo metodo tratta la ricerca come una camminata guidata attraverso un vasto territorio sconosciuto. Il ricercatore ha costruito un programma per computer che compie milioni di passi casuali, controllando costantemente quanto ogni passo si adatti ai dati sperimentali disponibili. Con il tempo, il programma impara la vera forma del paesio, trascorrendo più tempo nelle valli profonde dove le soluzioni sono migliori e meno tempo sulle alte vette dove i dati non si adattano. Ciò consente di campionare direttamente l'intera distribuzione di probabilità, catturando asimmetrie, molteplici soluzioni e correlazioni complesse che il vecchio metodo perderebbe.

Il ricercatore ha applicato questo nuovo approccio al nucleo del piombo, uno degli atomi più pesanti e complessi utilizzati negli esperimenti. Ha eseguito due tipi distinti di analisi per testare la robustezza delle sue scoperte. In primo luogo, ha esaminato esclusivamente i dati provenienti dai nuclei di piombo, creando una mappa "solo piombo" per vedere la struttura intrinseca dell'adattamento senza influenze esterne. Questa analisi ha rivelato una struttura altamente complessa e non banale. Il campionamento al computer ha scoperto che i parametri che descrivono i quark di valenza — le particelle centrali che conferiscono al protone la sua identità — non si trovavano in un'unica, liscia valle. Inveio, il paesaggio conteneva molteplici minimi locali, o valli secondarie, dove anche l'adattamento poteva essere molto buono. La distribuzione di queste soluzioni era asimmetrica e sbilata, il che significa che l'incertezza non era la stessa in tutte le direzioni. Il metodo Hessiano standard, che assume una singola valle simmetrica, non è riuscito a catturare questa realtà a più picchi, appiattendo di fatto la struttura complessa e fornendo un quadro incompleto dell'incertezza.

Per vedere come questo quadro complesso cambiasse aggiungendo ulteriori informazioni, il ricercatore ha poi eseguito una seconda analisi che includeva dati da una vasta gamma di nuclei più leggeri, non solo il piombo. Collegando i dati di diverse masse atomiche attraverso una relazione matematica standard, ha introdotto nuovi vincoli che legavano il comportamento del piombo a quello di elementi più leggeri. Questa analisi "multi-nucleo" ha alterato significatamente il paesaggio. Le valli secondarie che erano prominenti nell'analisi solo-piombo sono state ampiamente soppresse, e lo spazio dei parametri è diventato più regolare e vicino a una singola valle dominante. L'inclusione di nuclei più leggeri ha agito come un potente ancoraggio, stringendo i vincoli sulle distribuzioni dei quark e riducendo l'incertezza nella mappa del piombo. Tuttavia, anche con questi vincoli extra, il ricercatore ha scoperto che il paesaggio non era perfettamente simmetrico. Caratteristiche non gaussiane sottili e code asimmetriche persistevano, in particolare nelle distribuzioni dei quark di valenza, che il metodo Hessiano standard avrebbe comunque ignorato.

Un confronto diretto tra i due approcci ha evidenziato una differenza critica nel modo in cui gestivano i dati. Nell'analisi solo-piombo, il nuovo metodo ha mostrato che le bande di incertezza per le distribuzioni dei quark erano molto più ampie e asimmetriche di quanto suggerito dal vecchio metodo. Il vecchio metodo, basandosi sull'assunzione della ciotola liscia, sottostimava l'effettivo intervallo di possibilità. Quando sono stati aggiunti i dati multi-nucleo, le incertezze si sono ridotte, ma il nuovo metodo ha comunque rivelato un'incertezza più realistica e vincolata, che teneva conto delle asimmetrie residue. Interessante notare che la distribuzione dei gluoni — le particelle che trasportano la forza forte — è rimasta relativamente stabile in entrambe le analisi. Poiché la distribuzione dei gluoni è già ben vincolata dai dati diretti delle collisioni di piombo al Large Hadron Collider, l'aggiunta di dati da nuclei più leggeri non ha cambiato significativamente il quadro per i gluoni, a differenza delle distribuzioni dei quark che sono state più sensibili ai nuovi vincoli.

Lo studio ha anche dimostrato un modo pratico per rendere questi risultati complessi utilizzabili da altri scienziati. Il nuovo metodo genera migliaia di campioni individuali per rappresentare la distribuzione di probabilità completa, che è troppo grande per essere condivisa direttamente. Il ricercatore ha testato diversi modi per comprimere questo enorme dataset in un insieme più piccolo e gestibile di repliche senza perdere l'essenziale informazione statistica. Ha scoperto che, sebbene la semplice selezione di un numero minore di campioni a intervalli regolari funzionasse bene per i valori centrali, poteva distorcere le bande di incertezza se il numero di campioni diventava troppo piccolo. Un algoritmo di compressione più sofisticato, che selezionava attentamente i campioni per preservare la forma e le correlazioni dell'intero dataset, ha ottenuto prestazioni migliori nel mantenere le caratteristiche complesse della distribuzione, a condizione che l'insieme finale non venisse ridotto troppo drasticamente.

In definitiva, questo lavoro stabilisce che il paesaggio statistico delle funzioni di distribuzione dei partoni nucleari è molto più intricato di quanto precedentemente assunto. Il metodo standard di approssimare lo spazio delle soluzioni come una ciotola liscia e simmetrica è insufficiente per catturare la piena complessità dei dati nucleari, specialmente quando si trattano nuclei pesanti come il piombo. Utilizzando un metodo che campiona direttamente l'intero paesaggio, il ricercatore ha rivelato strutture nascoste, come molteplici soluzioni concorrenti e incertezze asimmetriche, che prima erano invisibili. Questo approccio offre un modo più affidabile e trasparente per quantificare le incognite nella nostra comprensione del nucleo atomico, garantendo che le previsioni future per gli esperimenti di fisica ad alta energia siano costruite su una base che rifletta realmente la complessità dei dati.