Extracting Barrier Distributions from Fusion Cross Sections

Resumo Técnico: Extração de Distribuições de Barreiras a partir de Seções de Choque de Fusão

Definição do Problema
A fusão de íons pesados é um processo complexo onde a interação entre núcleos não pode ser adequadamente descrita por um modelo simples de tunelamento unidimensional através de uma única barreira. Em vez disso, os acoplamentos a estados coletivos e outros canais induzem uma "distribuição de barreiras" contínua, $D(E)$. A extração desta distribuição a partir de dados experimentais de seção de choque de fusão ($\sigma(E)$) é teoricamente possível via a segunda derivada da seção de choque ponderada pela energia, $D(E) \propto \frac{d^2(E\sigma)}{dE^2}$. No entanto, na prática, esta extração é numericamente instável. Esquemas padrão de diferença de pontos são hipersensíveis ao ruído experimental, resolução de dados e irregularidade, frequentemente produzindo resultados pouco confiáveis, particularmente em energias acima da barreira primária. Embora trabalhos recentes (Godbey 2024) tenham utilizado Processos Gaussianos (GPs) para suavizar os dados e fornecer estimativas de incerteza, permanecem limitações quanto à fidelidade da distribuição extraída em energias mais altas e à confiabilidade da quantificação de incerteza.

Metodologia
Esta tese emprega uma abordagem de múltiplos estágios para testar e melhorar a extração de distribuições de barreiras:

1. Benchmarking com Modelos de Brinquedo (Toy Models): O estudo utiliza a fórmula de Wong (Wong 1973), um modelo analítico para seções de choque de fusão, para gerar dados de referência (ground-truth). Estes dados são corrompidos com níveis de ruído realistas ($\eta = \delta\sigma/\sigma$), resoluções variáveis ($\Delta E$) e espaçamento irregular para simular condições experimentais.
2. Regressão de Processos Gaussianos (GPR): O autor estende o método de Godbey (2024) treinando GPs com núcleos de Função de Base Radial (RBF). Uma mudança metodológica crítica envolve o treinamento em espaço logarítmico (modelando erros multiplicativos) em vez de espaço linear para estabilizar a matriz de covariância e refletir melhor a natureza estatística dos dados de fusão. O estudo também introduz uma técnica para inferir incertezas relativas desconhecidas através da otimização de um parâmetro de variância global via maximização da verossimilhança marginal quando as incertezas experimentais não são informadas.
3. Redes Neurais Bayesianas (BNNs): Para superar as limitações dos GPs, a tese implementa o AutoBNN (Carroll et al. 2024), uma ferramenta para treinar Redes Neurais Bayesianas interpretáveis. Estas redes são treinadas usando Monte Carlo via Cadeias de Markov (MCMC) através do algoritmo No-U-Turn Sampler (NUTS). O estudo explora arquiteturas específicas, incluindo "Soma de Pontos de Mudança" (Sum of Changepoints) e "Ponto de Mudança de Produtos" (Changepoint of Products), que permitem ao modelo adaptar seu comportamento estatístico através de diferentes regiões de energia.
4. Regularização: Para abordar instabilidades numéricas na segunda derivada (especificamente em localizações de pontos de mudança), uma prior que penaliza a magnitude da terceira derivada é implementada durante o treinamento da BNN.

Principais Resultados

• Limitações dos Processos Gaussianos:

  • Aliasing: Os GPs exibem "aliasing" (picos oscilatórios falsos) em energias superiores à barreira primária. Isto é atribuído ao mau condicionamento da matriz de covariância causado por grandes cancelamentos na combinação linear de funções de núcleo.
  • Sensibilidade ao Ruído: Embora os GPs sejam robustos à irregularidade e esparsidade dos dados se o nível de ruído for baixo ($\eta \leq 10^{-2}$), eles falham em capturar a localização e a estrutura da barreira quando os níveis de ruído são altos ($\eta \approx 10^{-1}$).
  • Subestimação da Incerteza: As incertezas citadas pelos GPs são frequentemente subestimadas, podendo levar a conclusões excessivamente confiantes sobre a estrutura nuclear.
  • Treinamento em Espaço Log: O treinamento em espaço log melhora a estabilidade e a recuperação do pico primário, mas não elimina o aliasing em altas energias.

• Desempenho das Redes Neurais Bayesianas:

  • Recuperação Superior em Alta Energia: Arquiteturas específicas de AutoBNN, particularmente aquelas com capacidades de "Ponto de Mudança", recuperam com sucesso a distribuição de barreiras tanto em regiões sub-barreira quanto acima da barreira, sem o aliasing espúrio observado nos GPs.
  • Quantificação de Incerteza: As BNNs fornecem faixas de incerteza mais confiáveis e amplas, identificando corretamente regiões onde os dados são insuficientes para restringir o modelo (ex: distinguindo entre um patamar e um pico secundário).
  • Necessidade do Espaço Log: Semelhante aos GPs, o treinamento de BNNs em espaço log é essencial para uma regularização eficaz e desempenho em dados de seção de choque.

• Aplicação a Dados Experimentais:

  • Os métodos foram aplicados a conjuntos de dados reais (ex: $^{16}\text{O} + ^{208}\text{Pb}$, $^{40}\text{Ca} + ^{40}\text{Ca}$).
  • Em casos com incertezas declaradas, as BNNs identificaram subidas terciárias e estruturas secundárias que fórmulas discretas de 3 pontos perderam.
  • Em casos sem incertezas declaradas, o método de incerteza relativa inferida permitiu a extração de distribuições de barreiras, embora as BNNs tenham identificado corretamente alta incerteza em regiões onde os modelos divergiam (ex: em torno de 55 MeV em $^{48}\text{Ca} + ^{48}\text{Ca}$), sugerindo a necessidade de medições experimentais adicionais.

Significância e Contribuições
A tese contribui para o "ciclo teoria-experimento" na física nuclear ao fornecer ferramentas robustas e estatisticamente sólidas para a extração de distribuições de barreiras.

1. Avanço Metodológico: Demonstra que, embora os GPs sejam úteis, eles sofrem de artefatos numéricos específicos (aliasing) em altas energias. A introdução de arquiteturas AutoBNN oferece uma recuperação mais fiel da distribuição de barreiras com incertezas bem quantificadas.
2. Orientação Experimental: Ao alavancar o posterior contínuo e o desacordo do conjunto (ensemble) dos modelos, o trabalho identifica regiões de energia específicas onde dados experimentais adicionais teriam o máximo impacto, indo além do simples ajuste de dados para o design experimental ativo.
3. Implementação de Código Aberto: O autor disponibiliza uma implementação de código aberto e fácil de usar do pipeline de análise, incluindo o código AutoBNN modificado e scripts para lidar com dados experimentais irregulares, para incentivar a adoção pela comunidade experimental.
4. Tratamento de Dados Ausentes: A tese fornece uma estratégia validada para analisar conjuntos de dados experimentais onde as incertezas de medição não são explicitamente citadas, um cenário comum na literatura de física nuclear.

Limitações e Trabalhos Futuros
O autor observa que a escolha da força da penalidade da terceira derivada ($\lambda$) requer ajuste especializado e que os modelos "Soma de Ponto de Mudança" e "Ponto de Mudança de Produtos" podem gerar previsões conflitantes sem uma métrica clara de confiabilidade. Além disso, embora o treinamento via MCMC produza resultados superiores, este é computacionalmente caro. A tese propõe como trabalho futuro traduzir os modelos AutoBNN de largura finita de volta para núcleos de Processos Gaussianos de largura infinita para acelerar o treinamento, mantendo os insights estruturais aprendidos, embora esta tradução enfrente desafios quanto à preservação da multimodalidade na distribuição da função.