Extracting Barrier Distributions from Fusion Cross Sections

Technische Samenvatting: Extractie van Barrièreverdelingen uit Fusie-doorsneden

Probleemstelling
De fusie van zware ionen is een complex proces waarbij de interactie tussen kernen niet adequaat beschreven kan worden door een eenvoudig eendimensionaal tunnelmodel door een enkele barrière. In plaats daarvan induceren koppelingen aan collectieve toestanden en andere kanalen een continue "verdeling van barrières", $D(E)$. Het extraheren van deze verdeling uit experimentele fusie-doorsneden ($\sigma(E)$) is theoretisch mogelijk via de tweede afgeleide van de energie-gewogen doorsnede, $D(E) \propto \frac{d^2(E\sigma)}{dE^2}$. In de praktijk is deze extractie echter numeriek instabiel. Standaard puntverschil-schema's zijn extreem gevoelig voor experimentele ruis, dataresolutie en onregelmatigheid, wat vaak leidt tot onbetrouwbare resultaten, met name bij energieën boven de primaire barrière. Hoewel recent werk (Godbey 2024) gebruik maakte van Gaussische Processen (GPs) om data te middelen en onzekkerheidsschattingen te bieden, blijven er beperkingen bestaan met betrekking tot de getrouwheid van de geëxtraheerde verdeling bij hogere energieën en de betrouwbaarheid van de onzekerheidskwantificering.

Methodologie
Deze thesis hanteert een meerfasige aanpak om de extractie van barrièreverdelingen te benchmarken en te verbeteren:

1. Benchmarking met Toy-modellen: De studie maakt gebruik van de Wong-formule (Wong 1973), een analytisch model voor fusie-doorsneden, om grondwaarheid-data te genereren. Deze data wordt gecorrumpeerd met realistische ruisniveaus ($\eta = \delta\sigma/\sigma$), variërende resoluties ($\Delta E$) en onregelmatige tussenafstanden om experimentele condities te simuleren.
2. Gaussische Procesregressie (GPR): De auteur breidt de methode van Godbey (2024) uit door GPs te trainen met Radial Basis Function (RBF) kernels. Een cruciale methodologische verschuiving is het trainen in logaritmische ruimte (het modelleren van multiplicatieve fouten) in plaats van lineaire ruimte, om de covariantie-matrix te stabiliseren en de statistische aard van fusiedata beter te reflecteren. De studie introduceert ook een techniek om onbekende relatieve onzekerheden te extraheren door een globale variantieparameter te optimaliseren via maximalisatie van de marginale waarschijnlijkheid wanneer experimentele fouten niet worden vermeld.
3. Bayesiaanse Neurale Netwerken (BNNs): Om de beperkingen van GPs te overwinnen, implementeert de thesis AutoBNN (Carroll et al. 2024), een instrument voor het trainen van interpreteerbare Bayesiaanse Neurale Netwerken. Deze netwerken worden getraind met behulp van Markov Chain Monte Carlo (MCMC) via het No-U-Turn Sampler (NUTS) algoritme. De studie onderzoekt specifieke architecturen, waaronder "Sum of Changepoints" en "Changepoint of Products", die het model in staat stellen om zich aan te passen aan de statistische gedragingen over verschillende energieregio's.
4. Regularisatie: Om numerieke instabiliteiten in de tweede afgeleide (specifiek bij changepoint-locaties) aan te pakken, is een prior geïmplementeerd die de grootte van de derde afgeleide bestraft tijdens de BNN-training.

Belangrijkste Resultaten

• Beperkingen van Gaussische Processen:

  • Aliasing: GPs vertonen "aliasing" (valse oscillerende pieken) bij energieën hoger dan de primaire barrière. Dit wordt toegeschreven aan de slecht geconditioneerde covariantie-matrix veroorzaakt door grote annuleringen in de lineaire combinatie van kernelfuncties.
  • Gevoeligheid voor Ruis: Hoewel GPs robuust zijn tegen data-onregelmatigheid en schaarste als het ruisniveau laag is ($\eta \leq 10^{-2}$), falen ze in het vastleggen van de barrièrelocatie en -structuur wanneer de ruisniveaus hoog zijn ($\eta \approx 10^{-1}$).
  • Onderschatting van Onzekerheid: Door GPs opgegeven onzekerheden zijn vaak onderschat, wat potentieel kan leiden tot overmoedige conclusies over kernstructuur.
  • Training in Log-ruimte: Training in log-ruimte verbetert de stabiliteit en het herstel van de primaire piek, maar elimineert de aliasing bij hoge energieën niet volledig.

• Prestaties van Bayesiaanse Neurale Netwerken:

  • Superieur Herstel bij Hoge Energieën: Specifieke AutoBNN-architecturen, met name die met "Changepoint"-mogelijkheden, slagen erin de barrièreverdeling te herstellen over zowel sub-barrière als boven-barrière regio's zonder de spookachtige aliasing die bij GPs wordt waargenomen.
  • Onzekerheidskwantificering: BNNs bieden betrouwbaardere en ruimere onzekerheidsbanden, waarbij zij correct identificeren in welke regio's de data onvoldoende is om het model te beperken (bijv. het onderscheid tussen een plateau en een secundaire piek).
  • Noodzaak van Log-ruimte Training: Net als bij GPs is het trainen van BNNs in logaritmische ruimte essentieel voor effectieve regularisatie en prestaties op doorsnededata.

• Toepassing op Experimentele Data:

  • De methoden zijn toegepast op echte datasets (bijv. $^{16}\text{O} + ^{208}\text{Pb}$, $^{40}\text{Ca} + ^{40}\text{Ca}$).
  • In gevallen met opgegeven onzekerheden identificeerden de BNNs tertiaire stijgingen en secundaire structuren die discrete 3-puntsformules misten.
  • In gevallen zonder opgegeven onzekerheden maakte de methode voor het afgeleide relatieve onzekerheid de extractie van barrièreverdelingen mogelijk, hoewel de BNNs correct een hoge onzekerheid signaleerden in regio's waar modellen van mening verschilden (bijv. rond 55 MeV in $^{48}\text{Ca} + ^{48}\text{Ca}$), wat wijst op een behoefte aan verdere experimentele metingen.

Betekenis en Bijdragen
De thesis draagt bij aan de "theorie-experiment cyclus" in de kernfysica door robuuste, statistisch verantwoorde instrumenten te bieden voor de extractie van barrièreverdelingen.

1. Methodologische Vooruitgang: Het toont aan dat hoewel GPs nuttig zijn, ze lijden onder specifieke numerieke artefacten (aliasing) bij hogere energieën. De introductie van AutoBNN-architecturen biedt een getrouwere extractie van de barrièreverdeling met goed gekwantificeerde onzekerheden.
2. Experimentele Begeleiding: Door gebruik te maken van de continue posterior en de ensemble-discrepantie van modellen, identificeert dit werk specifieke energieregio's waar aanvullende experimentele data maximaal impactvol zou zijn, waarmee de focus verschuift van eenvoudige datafitting naar actief experimenteel ontwerp.
3. Open-Source Implementatie: De auteur stelt een gebruiksvriendelijke, open-source implementatie van de analyse-pipeline beschikbaar, inclusief de aangepaste AutoBNN-code en scripts voor het verwerken van onregelmatige experimentele data, om adoptie door de experimentele gemeenschap te stimuleren.
4. Omgaan met Ontbrekende Data: De thesis biedt een gevalideerde strategie voor het analyseren van experimentele datasets waarbij meetonzekerheden niet expliciet worden vermeld, een veelvoorkomend scenario in de kernfysische literatuur.

Beperkingen en Toekomstig Werk
De auteur merkt op dat de keuze voor de sterkte van de derde-afgeleide straf ($\lambda$) deskundige afstemming vereist en dat de "Sum of Changepoint" en "Changepoint of Products" modellen conflicterende voorspellingen kunnen opleveren zonder een duidelijke metriek voor betrouwbaarheid. Bovendien is MCMC-training computationeel duur. De thesis stelt voor om in de toekomst de eindige-breedte AutoBNN-modellen terug te vertalen naar oneindige-breedte Gaussische Proces-kernels om training te versnellen terwijl de geleerde structurele inzichten behouden blijven, hoewel deze vertaling uitdagingen kent met betrekking tot het behoud van de multi-modaliteit van de functieverdeling.