Bayesian Inference for Extracting Barrier Distributions from Fusion Excitation Functions

技術要約：融合励起関数から障壁分布を抽出するためのベイズ推論

問題提起
障壁分布（$D_f(E)$）は、チャネル結合、変形、および転移過程に関する情報をエンコードしており、融合核の構造とダイナミクスに関する重要な洞察を提供する。これらの分布は、理論的には、第2次導関数の関係式 $D_f(E) = \frac{d^2}{dE^2}(E\sigma)$ を通じて、実験的な融合励起関数 $\sigma(E)$ と結びついている。しかし、疎でノイズの多い実験データから $D_f(E)$ を抽出することは、数値的に不安定である。3点差分公式のような従来の手法は、測定ノイズを増幅させ、かつ離散的なエネルギー点に限定される。ガウス過程（GP）回帰は連続的な代替案を提供するが、先行研究によれば、標準的なGPアプローチ（特に径向基底関数（RBF）カーネルを使用するもの）は、現実的な実験条件下において、基礎となる障壁分布を忠実に復元することに苦慮し、しばしば偽の振動を導入したり、不適切な較正を受けた不確実性推定を提供したりすることが示されている。

手法
著者らは、障壁分布の抽出をベイズ推論問題として定式化している。彼らは、もともと時系列予測のために開発された解釈可能なベイズ機械学習フレームワークである AutoBNN を用いた新しいアプローチを提案している。

1. ベイズフレームワーク: 問題は、実験データ $D_\sigma = (E, y, \delta y)$ が与えられたときの励起関数の事後分布 $p(\sigma|D_\sigma)$ を見つけることとして定式化される。断面積の広いダイナミックレンジを扱うため、著者らは対数空間で作業を行い、$g(E) = \log(\sigma(E)/\bar{y})$ を定義し、この変換された空間における加法的誤差モデルを仮定している。
2. AutoBNNの実装: 標準的なGPとは異なり、AutoBNNはガウス過程のサロゲートとしてベイズニューラルネットワーク（BNN）を採用している。著者らは、区分的なカーネルの組み合わせを連結する「Sum of Changepoint」アーキテクチャを利用している。これにより、様々なエネルギー領域における異なる統計的構造に適応することが可能になる。
3. 正則化: 導出される障壁分布における非物理的な不連続性を防ぐために、潜在関数 $g_\theta(E)$ の第3次導関数の大きな値をペナルティ化する修正された事前分布が導入されている。
4. 微分: $D_f(E)$ を計算するために必要な第2次導関数を計算するにあたり、前方モード自動微分（JAX経由）を使用していることが主要な技術的利点である。これにより、離散的手法に固有の有限差分誤差を回避できる。
5. ベンチマーキング: 本手法は、標準的なGP回帰（RBFカーネルを使用）および3点差分公式に対してベンチマークが行われた。シミュレーションデータは、エネルギー間隔の不規則性（$\kappa$）、平均分解能（$\Delta E$）、および測定ノイズ（$\eta$）が変化する16の異なるデータセットに対して、Wong公式を用いて生成された。

主な結果

• 復元精度: 16個のすべてのシミュレーションシナリオにおいて、AutoBNNモデルはGPモデルよりも、真の基礎となる障壁分布の復元において優れた性能を示した。GPは時としてピークの高さや幅をより正確に復元することがあったが、AutoBNNは、特に不規則性が高く、分解能が低く、またはノイズが多いデータセットにおいて、ピークの位置と全体的な形状を捉えることに長けていた。
• 不確実性の較正: 実証的なカバレッジプロットにより、AutoBNNは良好に較正された不確実性推定を提供することが示された。そのカバレッジ率は公称信頼区間に密接に一致していた。対照的に、GPモデルは過剰に自信を持った予測を示し、カバレッジ率は対角線よりも大幅に低くなっており、その不確実性推定が信頼できないことを示していた。
• 実験データへの適用: 著者らは、4つの重イオン融合反応（$^{16}\text{O} + ^{208}\text{Pb}$、$^{40}\text{Ca} + ^{40}\text{Ca}$、$^{48}\text{Ca} + ^{40}\text{Ca}$、および$^{48}\text{Ca} + ^{48}\text{Ca}$）に対してAutoBNNフレームワークを適用した。
  • $^{16}\text{O} + ^{208}\text{Pb}$ については、AutoBNNは障壁上方の構造に関するより深い洞察を提供すると同時に、3点公式によって報告された不確実性を制約した。
  • $^{40}\text{Ca} + ^{40}\text{Ca}$ については、モデルは二次的なバンプの存在を支持したが、主要なピークの位置はデータによって厳密には制約されていないことも示した。
  • カルシウム48の反応については、AutoBNNの予測は障壁上方において3点公式から乖離しており、差分公式が予測する鋭い二次的な上昇ではなく、より滑らかな二次プラトーを示唆しており、効果的に偽の障壁上部構造を軽減した。

意義と主張
本論文は、AutoBNNベースのアプローチが、融合励起関数を分析するための堅牢でモデルに依存しない統計的手法を提供すると主張している。その主な意義は、以下の点にある：

1. 従来の有限差分法や標準的なGP法が失敗する、疎でノイズの多いデータから、基礎となる障壁分布を忠実に復元できること。
2. 核構造の解釈や理論モデル（結合チャネルモデルや時間依存密度汎関数理論など）の検証に不可欠な、良好に較正された不確実性推定を提供する。
3. 従来の抽出手法における一般的なアーティファクトである、障壁上部領域における偽の構造の導入を軽減すること。

著者らは、将来の重イオンおよび軽イオン融合実験への本手法の適用を容易にするために、ユーザーフレンドリーなソフトウェア実装を開発したことを強調しており、核科学コミュニティにおける障壁分布抽出の信頼性向上を目指している。