=== SAMENVATTING ===

Technische Samenvatting: Limieten van het Inverse Verstrooiingsprobleem

1. Probleemstelling

Het artikel behandelt het inverse verstrooiingsprobleem voor Newtoniaanse deeltjes die door een medium bewegen met een onbekend potentiaalveld $U(x)$. In tegenstelling tot klassieke tomografie (bijv. röntgen- of Radon-transformaties) waarbij deeltjes in rechte lijnen met een oneindige snelheid reizen, besch Considereert deze studie deeltjes met een eindige beginsnelheid $v$. Het doel is om het krachtveld $F(x) = -\nabla U(x)$ te reconstrueren op basis van randmetingen: de initiële lanceercoördinaten en snelheid, en de uiteindelijke uitgangscoördinaten, snelheid en doorgangstijd.

De centrale vraag is het bepalen van de ondergrens van de deeltjessnelheid (of omgekeerd de bovengrens van de potentiaalsterkte) waaronder de potentiaal niet langer betrouwbaar kan worden hersteld. De auteurs stellen dat wanneer de initiële kinetische energie vergelijkbaar wordt met de karakteristieke potentiaalvariatie tussen de grens van het domein en de binnenkant ervan, de verstrooiingskaart sterk niet-lineair wordt, waardoor standaard lineaire inversietechnieken (zoals de Radon-transformatie) ontoereikend zijn.

2. Methodologie

Theoretisch Kader

De auteurs ontwikkelen een systematische perturbatieve expansie van de verstrooiingsgegevens in inverse machten van de snelheid ($v^{-1}$).

• Limiet van oneindige snelheid: Wanneer $v \to \infty$, nadert het traject een rechte koorde, en komt de impulsverandering overeen met de vectoriale Radon-transformatie van het krachtveld, $J_\infty(L) = \int_L F(x) ds$. Dit maakt exacte reconstructie mogelijk via de inverse Radon-transformatie.
• Correcties voor eindige snelheid: Voor een eindige $v$ wijkt het traject af van een rechte lijn. De auteurs leiden een reeksexpansie af voor het gemeten vectoriale straalintegraal $J_v(L)$:
  $$J_v(L) = J_\infty(L) + \frac{\delta U}{mv^2} Q[F](L) + \left(\frac{\delta U}{mv^2}\right)^2 P[F](L) + O(v^{-6})$$
  waarbij $\delta U$ een karakteristieke potentiaalenergie-spreiding is, en $Q[F]$ en $P[F]$ functionalen zijn van het krachtveld en de afgeleiden daarvan.
• Iteratieve Reconstructie: Op basis van deze expansie stellen de auteurs twee methoden voor om $F$ te herstellen uit gegevens met eindige snelheid:
  1. Single-speed iteratie: Beginnen bij een basis Radon-reconstructie, waarbij correctietermen afgeleid van de expansie iteratief worden afgetrokken.
  2. Multi-speed extrapolatie: Het gebruik van metingen bij meerdere snelheden om correctietermen algebraïsch te elimineren en te extrapoleren naar de $v \to \infty$ limiet (analoog aan renormalisatiegroep-flow).

Analytische Voorbeelden

Twee exact oplosbare gevallen worden geanalyseerd om het perturbatieve kader te verifiëren:

1. Harmonisch Potentiaal ($U \propto r^2$): De auteurs leiden een exacte relatie af tussen het eindige-snelheidsintegraal $J_v$ en de oneindige-snelheidslimiet $J_\infty$. Ze tonen aan dat de eerste-orde correctie verdwijnt ($Q[F]=0$) en dat de reeks alleen convergeert wanneer de kinetische energie een kritische drempel overschrijdt ($E > \Delta U$).
2. Constante Kracht ($F = \text{const}$): Een exacte gesloten vorm oplossing wordt afgeleid, en de reeksexpansie wordt geverifieerd om overeen te komen met de algemene perturbatieve formules.

Machine Learning Aanpak

Om de algemene niet-lineaire regio aan te pakken waar analytische inversie moeilijk is, gebruiken de auteurs een deep learning pipeline:

• Forward Model: Een CUDA-gebaseerde solver integreert de Newtoniaanse bewegingsvergelijkingen voor deeltjes op een eenheidsdisk met behulp van de Runge-Kutta methode.
• Dataset: Synthetische datasets worden gegenereerd met behulp van diverse families van potentiaalvelden (Gaussian RBF, Matérn, afgekapte Fourier-reeksen, Perlin noise, etc.) om robuustheid tegen overfitting op specifieke topologieën te garanderen.
• Architectuur: Een "Force-Field Prediction Model" (FFPM) gebaseerd op een Johnson-stijl generator (encoder $\to$ residual bottleneck $\to$ decoder) wordt getraind. De input is een 6-kanaals tensor bestaande uit randmetingen (richting van de uiteindelijke snelheid, verandering in magnitude, verblijftijd) en een grove Radon-reconstructie. De output is het gereconstrueerde krachtveld.
• Training: Het model gebruikt een combinatie van een $L_1$ reconstructieverlies, een two-scale GAN-verlies en een contrastief verliesterm (PatchNCE) om lokale kenmerken uit te lijnen met de Radon-prior.

3. Belangrijkste Resultaten

Theoretische Limieten

De analyse van de harmonische en constante krachtvoorbeelden onthult een kritiek overgangspunt. De kwaliteit van de reconstructie verslechtert significant wanneer de dimensieloze parameter $\epsilon = \delta U / (mv^2)$ de $1/2$ nadert. Dit komt overeen met de conditie waarbij de initiële kinetische energie $E_{kin}$ vergelijkbaar is met het verschil in potentiaalenergie tussen de grens en de binnenkant:
$$E_{kin} \approx |U_{in} - U_{out}|$$
Onder deze energiedrempel verliest de verstrooiingskaart injectiviteit (bijv. meerdere injectiehoeken mappen naar hetzelfde uitgangspunt) en divergeert de perturbatieve reeks.

Numerieke Bevindingen

• Foutschaling: De reconstructiefout (gemeten als relatieve Mean Absolute Error) blijft laag voor hoge energieverhoudingen ($E_{kin}/E_{pot} \gg 1$), maar stijgt scherp wanneer de ratio in het bereik $[1, 3]$ valt.
• Generalisatie: Het FFPM-model, getraind op een specifieke distributie van willekeurige velden, generaliseert succesvol naar een gecentreerd paraboloïde potentiaal (een out-of-distribution testgeval). De degradatie in prestaties voor de paraboloïde vindt plaats bij dezelfde energiedrempel als voor de trainingsdistributie, wat suggereert dat de limiet fysiek is en niet een falen van de modelgeneralisatie.
• Foutmodi:
  • Radon Benadering: In sterke velden behoudt de Radon-reconstructie de grove vorm (symmetrie), maar verliest het de amplitude, wat effectief leidt tot het afvlakken van de potentiaal.
  • FFPM: Het neurale netwerk behoudt de locatie van potentiaalextrema (putten), maar introduceert ruis, anisotrope deformaties en symmetriebreking in sterke velden.
• Informativiteit van Input: Een correlatieanalyse toont aan dat de verblijftijd (doorgangstijd) van het deeltje het meest informatieve kanaal is voor het schatten van de potentiaalamplitude, veel meer dan de richting of de magnitude van de uiteindelijke snelheid.

4. Betekenis en Claims

Het artikel claimt een kwantitatieve "toepasbaarheidslimiet" vast te stellen voor inverse verstrooiingsproblemen met deeltjes met een eindige snelheid. De primaire bijdrage is de identificatie van de energieverhouding $E_{kin}/E_{pot}$ als de bepalende parameter voor de reconstructeerbaarheid.

• Fysiek Inzicht: Het werk demonstreert dat de overgang van een oplosbaar lineair regime (Radon-transformatie) naar een onoplosbaar of sterk niet-lineair regime wordt beheerst door de toegankelijkheid van het potentiaallandschap. Als de energie van het deeltje onvoldoende is om lokale potentiaalbarrières ten opzichte van de grens te overwinnen, gaat informatie over de binnenkant verloren.
• Methodologische Bijdrage: Het artikel biedt een systematische perturbatieve expansie voor eindige-snelheid correcties en valideert een machine learning pipeline die nabij deze theoretische limieten kan opereren en de lineaire inversie in het niet-lineaire regime overtreft.
• Bescheidenheid: De auteurs geven expliciet aan dat voor algemene potentialen de voorgestelde niet-lineaire correctieformule (Eq. 6.1) een conjectuur is en geen exacte identiteit, maar dient als een waardevolle eerste benadering. Ze erkennen dat de huidige studie synthetische gegevens gebruikt en dat toekomstig werk nodig is om ruis, ontbrekende trajecten en niet-conservatieve krachtvelden aan te pakken.

Het artikel concludeert dat hoewel het inverse probleem theoretisch oplosbaar is voor eindige snelheden, de praktische limiet van reconstructie strikt begrensd wordt door de ratio van de kinetische naar de potentiaalenergie-schalen.