Bayesian Inference for Extracting Barrier Distributions from Fusion Excitation Functions

Technische Samenvatting: Bayesiaanse Inferentie voor het Extraheren van Barrièreverdelingen uit Fusie-excitatiefuncties

Probleemstelling
Barrièreverdelingen ($D_f(E)$) bieden cruciale inzichten in de structuur en dynamica van fuserende kernen, waarbij informatie wordt gecodeerd over kanaalkoppelingen, vervormingen en transferprocessen. Deze verdelingen zijn theoretisch verbonden met experimentele fusie-excitatiefuncties, $\sigma(E)$, via de tweede afgeleide-relatie $D_f(E) = \frac{d^2}{dE^2}(E\sigma)$. Het extraheren van $D_f(E)$ uit schaarse, ruisgevoelige experimentele gegevens is echter numeriek instabiel. Traditionele methoden, zoals de 3-punts verschilformule, versterken meetruis en zijn beperkt tot discrete energiepunten. Hoewel Gaussian Process (GP) regressie een continu alternatief biedt, wijzen eerdere studies uit dat standaard GP-benaderingen (specifiek die met Radial Basis Function-kernels) moeite kunnen hebben met het getrouw herstellen van de onderliggende barrièreverdeling onder realistische experimentele omstandigheden, waarbij ze vaak spoorvormige oscillaties introduceren en slecht gekalibreerde onzekerheidsschattingen bieden.

Methodologie
De auteurs formuleren het extraheren van barrièreverdelingen als een Bayesiaans inferentieprobleem. Ze stellen een nieuwe aanpak voor met behulp van AutoBNN, een interpreteerbaar Bayesiaans machine learning-framework dat oorspronkelijk is ontwikkeld voor tijdreeksvoorspellingen.

1. Bayesiaans Kader: Het probleem wordt geformuleerd als het vinden van de posterieure verdeling $p(\sigma|D_\sigma)$ van de excitatiefunctie gegeven de experimentele gegevens $D_\sigma = (E, y, \delta y)$. Om de brede dynamische reikwijdte van doorsneden te behandelen, werken de auteurs in een logaritmische ruimte, waarbij $g(E) = \log(\sigma(E)/\bar{y})$ wordt gedefinieerd en een additief foutmodel in deze getransformeerde ruimte wordt aangenomen.
2. AutoBNN Implementatie: In tegen tegenstelling tot standaard GP's, gebruikt AutoBNN Bayesian Neural Networks (BNNs) als surrogaten voor Gaussian processes. De auteurs maken gebruik van de "Sum of Changepoint"-architectuur, die stuksgewijze kernelcombinaties concateneert. Dit stelt het model in staat om zich aan te passen aan verschillende statistische structuren over diverse energiebereiken.
3. Regularisatie: Om onfysische discontinuïteiten in de afgeleide barrièreverdeling te voorkomen, is een gemodificeerde prior geïntroduceerd die grote waarden van de derde afgeleide van de latente functie $g_\theta(E)$ bestraft.
4. Differentiatie: Een belangrijk technisch voordeel is het gebruik van forward-mode automatic differentiation (via JAX) om de tweede afgeleide te berekenen die vereist is voor $D_f(E)$, waardoor de fouten van eindige verschillen die inherent zijn aan discrete methoden worden vermeden.
5. Benchmarking: De methode wordt getest tegen standaard GP-regressie (met RBF-kernels) en de 3-punts verschilformule. Gesimuleerde gegevens worden gegenereerd met de Wong-formule over 16 afzonderlijke datasets die variëren in onregelmatigheid van de energie-afstand ($\kappa$), gemiddelde resolutie ($\Delta E$) en meetruis ($\eta$).

Belangrijkste Resultaten

• Herstelnauwkeurigheid: In alle 16 gesimuleerde scenario's presteerden AutoBNM-modellen beter dan GP-modellen bij het herstellen van de ware onderliggende barrièreverdeling. Hoewel GP's incidenteel de piekhoogte en breedte nauwkeuriger herstelden, blonk AutoBNM uit in het vastleggen van de pieklocatie en de algemene vorm, met name in datasets met een hoge onregelmatigheid, lage resolutie of hoge ruis.
• Onzekerheidskalibratie: Empirische coverage-plots toonden aan dat AutoBNM goed gekalibreerde onzekerheidsschattingen biedt, waarbij de coverage-percentages nauw aansluiten bij de nominale betrouwbaarheidsintervallen. In contrast hiermee vertoonden GP-modellen overmoedige voorspellingen, waarbij de coverage-percentages aanzienlijk onder de diagonaal lagen, wat aangeeft dat hun onzekerheidsschattingen onbetrouwbaar waren.
• Toepassing op Experimentele Gegevens: De auteurs hebben het AutoBNM-framework toegepast op vier zware-ionen fusiereacties ($^{16}\text{O} + ^{208}\text{Pb}$, $^{40}\text{Ca} + ^{40}\text{Ca}$, $^{48}\text{Ca} + ^{40}\text{Ca}$, en $^{48}\text{Ca} + ^{48}\text{Ca}$).
  • Voor $^{16}\text{O} + ^{208}\text{Pb}$ bood AutoBNM meer inzicht in structuren boven de barrière, terwijl het de gerapporteerde onzekerheden van de 3-punts formule beperkte.
  • Voor $^{40}\text{Ca} + ^{40}\text{Ca}$ ondersteunde het model de aanwezigheid van een secundaire bult, maar gaf aan dat de locatie van de primaire piek niet strikt werd bepaald door de gegevens.
  • Voor de Calcium-48 reacties week de AutoBNM-voorspelling boven de barrière af van de 3-punts formule, wat suggereert dat er een gladdere secundaire plateau aanwezig is in plaats van de scherpe secundaire stijging die door de verschilformule wordt voorspeld, waardoor spoorvormige structuren boven de barrière effectief worden gemitigeerd.

Significantie en Claims
Het artikel beweert dat de AutoBNM-gebaseerde aanpak een robuuste, model-agnostische statistische methode biedt voor de analyse van fusie-excitatiefuncties. De primaire significantie ligt in het vermogen om:

1. De onderliggende barrièreverdelingen getrouw te herstellen uit schaarse en ruisgevoelige gegevens waar traditionele eindige verschilmethoden en standaard GP-methoden falen.
2. Goed gekalibreerde onzekerheidsschattingen te bieden, wat cruciaal is voor het interpreteren van kernstructuren en het testen van theoretische modellen (bijv. Coupled-channels of Time-Dependent Density Functional Theory).
3. De introductie van spoorvormige structuren in het gebied boven de barrière te mitigeren, een veelvoorkomend artefact bij eerdere extractiemethoden.

De auteurs benadrukken dat zij een gebruiksvriendelijke software-implementatie hebben ontwikkeld om de toepassing van deze methode op toekomstige zware en lichte-ionen fusie-experimenten te faciliteren, met als doel de betrouwbaarheid van de extractie van barrièreverdelingen te verbeteren voor de kernwetenschappelijke gemeenschap.