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

Diep binnenin elk atoom zijn protonen en neutronen geen solide, ondeelbare bollen, maar eerder bruisende steden van kleinere deeltjes die quarks en gluonen worden genoemd. Deze bouwstenen, collectief bekend als partonen, zoeven met bijna de snelheid van het licht rond, bij elkaar gehouden door de sterke kernkracht. Om te begrijpen hoe materie zich gedraagt in de meest extreme omgevingen, van het hart van een ster tot de botsingen binnen de Large Hadron Collider, moeten natuurkundigen nauwkeurig in kaart brengen hoe deze partonen de impuls van hun moederdeeltje delen. Deze kaart wordt een partonverdelingsfunctie genoemd. Wanneer protonen en neutronen samen in een zware atoomkern zijn opgesloten, veranderen de regels. De drukke nucleaire omgeving vervormt de partonkaarten en creëert een complex, gewijzigd landschap dat wetenschappers nucleaire partonverdelingsfuncties noemen. Het bepalen van deze kaarten is cruciaal voor het voorspellen van de uitkomsten van experimenten met hoge energie, maar het is berucht moeilijk omdat de data schaars is en het wiskundige landschap dat wordt gebruikt om de beste fit te vinden vaak grillig is en vol verborgen dalen zit.

Decennialang hebben onderzoekers vertrouwd op een standaard wiskundige afkorting om dit terrein te navigeren. Deze methode, bekend als de Hessian-benadering, gaat ervan uit dat het landschap rond de beste oplossing een gladde, symmetrische kom is, zoals een perfecte parabool. Door de steilheid van de wanden van de kom te meten, kunnen wetenschappers inschatten hoe onzeker hun kaart is. Deze aanname werkt echter het beste wanneer de data overvloedig is en de relaties tussen variabelen eenvoudig zijn. In het geval van zware kernen, waar de experimentele data beperkt is en de verbindingen tussen verschillende soorten deeltjes verstrengeld zijn, faalt de aanname van de gladde kom vaak. Het ware landschap kan hobbelig, gekanteld of zelfs voorzien van meerdere aparte dalen waar de oplossing zich voor kan verbergen. Als wetenschappers aannemen dat het landschap glad is terwijl het in werkelijkheid grillig is, kunnen hun schattingen van de onzekerheid misleidend zijn, wat de ware complexiteit van de atoomkern potentieel verbergt.

Om dit aan te pakken, ontwikkelde een onderzoeker onder leiding van Nasim Derakhshanian een nieuwe manier om deze nucleaire kaarten te verkennen met behulp van een techniek genaamd Markov Chain Monte Carlo. In plaats van ervan uit te gaan dat het landschap een gladde kom is, behandelt deze methode de zoektocht als een geleide wandeling door een uitgestrekt, onbekend gebied. De onderzoeker bouwde een computerprogramma dat miljoenen willekeurige stappen zet en voortdurend controleert hoe goed elke stap past bij de beschikbare experimentele data. Na verloop van tijd leert het programma de ware vorm van het landschap kennen, waarbij het meer tijd doorbrengt in de diepe dalen waar de oplossingen het best passen en minder tijd op de hoge pieken waar de data niet past. Dit stelt hen in staat om de volledige waarschijnlijkheidsverdeling direct te bemonsteren, waardoor asymmetrieën, meerdere oplossingen en complexe correlaties worden gevangen die de oude methode zou missen.

De onderzoeker paste deze nieuwe benadering toe op de kern van lood, een van de zwaarste en meest complexe atomen die in experimenten worden gebruikt. Ze voerden twee verschillende soorten analyses uit om de robuustheid van hun bevindingen te testen. Eerst keken ze uitsluitend naar data van loodkernen, waardoor ze een "alleen-lood"-kaart creëerden om de intrinsieke structuur van de fit zonder externe invloed te zien. Deze analyse onthulde een zeer complexe en niet-triviale structuur. De computermonstering onthulde dat de parameters die de valentiequarks beschrijven — de kerndeeltjes die het proton zijn identiteit geven — niet in een enkele, gladde vallei zaten. In plaats daarvan bevatte het landschap meerdere lokale minima, of secundaire valleien, waar de fit ook erg goed kon zijn. De verdeling van deze oplossingen was scheef en asymmetrisch, wat betekent dat de onzekerheid niet in alle richtingen hetzelfde was. De standaard Hessian-methode, die uitgaat van een enkele, symmetrische vallei, slaagde er niet in deze meerpiekige realiteit te vangen, waardoor de complexe structuur effectief werd gladgestreken en een onvolledig beeld van de onzekerheid werd gegeven.

Om te zien hoe dit complexe beeld veranderde wanneer er meer informatie werd toegevoegd, voerde de onderzoeker vervolgens een tweede analyse uit die data van een breed scala aan lichtere kernen omvatte, niet alleen van lood. Door de data van verschillende atomaire massa's te verbinden via een standaard wiskundige relatie, introduceerden ze nieuwe beperkingen die het gedrag van lood koppelden aan dat van lichtere elementen. Deze "multi-nuclei"-analyse veranderde het landschap aanzienlijk. De secundaire valleien die prominent waren in de alleen-lood-analyse werden grotendeels onderdrukt, en de parameterruimte werd regelmatiger en kwam dichter bij een enkele, dominante vallei. De inclusie van lichtere kernen fungeerde als een krachtig anker, dat de beperkingen op de quarkverdelingen verstevigde en de onzekerheid in de loodkaart verminderde. Zelfs met deze extra beperkingen stelde de onderzoeker vast dat het landschap niet perfect symmetrisch was. Subtiele niet-Gaussische kenmerken en asymmetrische staarten bleven bestaan, met name in de valentiequarkverdelingen, die de standaard Hessian-methode nog steeds zou hebben gemist.

Een directe vergelijking tussen de twee benaderingen benadrukte een cruciaal verschil in hoe ze met de data omgingen. In de alleen-lood-analyse toonde de nieuwe methode aan dat de onzekerheidsbanden voor de quarkverdelingen veel breder en asymmetrischer waren dan de oude methode suggereerde. De oude methode, die vertrouwde op de aanname van de gladde kom, onderschatte het ware bereik van mogelijkheden. Toen de multi-nuclei-data werd toegevoegd, krompen de onzekerheden, maar de nieuwe methode onthulde nog steeds een realistischer, begrensd onzekerheidsbeeld dat rekening hield met de resterende asymmetrieën. Interessant genoeg bleef de verdeling van gluonen — de deeltjes die de sterke kracht dragen — relatief stabiel over beide analyses. Omdat de gluonverdeling al goed wordt begrensd door directe data van loodbotsingen bij de Large Hadron Collider, veranderde het toevoegen van data van lichtere kernen het beeld voor gluonen niet significant, in tegenstelling tot de quarkverdelingen die gevoeliger waren voor de nieuwe beperkingen.

De studie demonstreerde ook een praktische manier om deze complexe resultaten bruikbaar te maken voor andere wetenschappers. De nieuwe methode genereert duizenden individuele monsters om de volledige waarschijnlijkheidsverdeling te vertegenwoordigen, wat te groot is om direct te delen. De onderzoeker testte verschillende manieren om deze enorme dataset te comprimeren tot een kleinere, beheersbare set replica's zonder de essentiële statistische informatie te verliezen. Ze ontdekten dat hoewel het simpelweg kiezen van een kleiner aantal monsters met regelmatige intervallen goed werkte voor de centrale waarden, het de onzekerheidsbanden kon verstoren als de steekproefomvang te klein werd. Een geavanceerder compressie-algoritme, dat zorgvuldig monsters selecteerde om de vorm en correlaties van de volledige dataset te behouden, presteerde beter bij het behouden van de complexe kenmerken van de verdeling, mits de uiteindelijke set niet te drastisch werd gereduceerd.

Uiteindelijk vestigt dit werk vast dat het statistische landschap van nucleaire partonverdelingsfuncties veel ingewikkelder is dan voorheen aangenomen. De standaardmethode om de oplossingsruimte te benaderen als een gladde, symmetrische kom is onvoldoende om de volledige complexiteit van nucleaire data te vangen, vooral bij het werken met zware kernen zoals lood. Door een methode te gebruiken die het hele landschap direct bemonsteren, heeft de onderzoeker verborgen structuren onthuld, zoals meerdere concurrerende oplossingen en asymmetrische onzekerheden, die voorheen onzichtbaar waren. Deze benadering biedt een betrouwbaardere en transparantere manier om de onbekenden in ons begrip van de atoomkern te kwantificeren, wat ervoor zorgt dat toekomstige voorspellingen voor experimenten met hoge energie gebouwd worden op een fundament dat werkelijk de complexiteit van de data weerspiegelt.