Bayesian Inference for Extracting Barrier Distributions from Fusion Excitation Functions

Resumo Técnico: Inferência Bayesiana para Extração de Distribuições de Barreiras de Funções de Excitação de Fusão

Enunciado do Problema
As distribuições de barreiras ($D_f(E)$) fornecem informações críticas sobre a estrutura e a dinâmica de núcleos em fusão, codificando informações sobre acoplamentos de canais, deformações e processos de transferência. Estas distribuições estão teoricamente ligadas às funções de excitação de fusão experimentais, $\sigma(E)$, via a relação da segunda derivada $D_f(E) = \frac{d^2}{dE^2}(E\sigma)$. No entanto, extrair $D_f(E)$ de dados experimentais esparsos e ruidosos é numericamente instável. Métodos tradicionais, como a fórmula de diferença de 3 pontos, amplificam o ruído de medição e são limitados a pontos de energia discretos. Embora a regressão por Processos Gaussianos (GP) ofereça uma alternativa contínua, estudos anteriores indicam que abordagens padrão de GP (especificamente aquelas usando kernels de Função de Base Radial - RBF) podem ter dificuldade em recuperar fielmente a distribuição de barreira subjacente sob condições experimentais realistas, frequentemente introduzindo oscilações espúrias e fornecendo estimativas de incerteza mal calibradas.

Metodologia
Os autores enquadram a extração de distribuições de barreiras como um problema de inferência bayesiana. Eles propõem uma abordagem inovadora utilizando o AutoBNN, um framework de aprendizado de máquina bayesiano interpretável originalmente desenvolvido para previsão de séries temporais.

1. Framework Bayesiano: O problema é formulado para encontrar a distribuição posterior $p(\sigma|D_\sigma)$ da função de excitação dado os dados experimentais $D_\sigma = (E, y, \delta y)$. Para lidar com a ampla faixa dinâmica das seções de choque, os autores trabalham no espaço logarítmico, definindo $g(E) = \log(\sigma(E)/\bar{y})$ e assumindo um modelo de erro aditivo neste espaço transformado.
2. Implementação do AutoBNN: Diferente dos GPs padrão, o AutoBNN utiliza Redes Neurais Bayesianas (BNNs) como substitutos para processos gaussianos. Os autores utilizam a arquitetura "Sum of Changepoint", que concatena combinações de kernels por partes. Isso permite que o modelo se adapte a diferentes estruturas estatísticas em várias faixas de energia.
3. Regularização: Para evitar descontinuidades não físicas na distribuição de barreira derivada, uma prior modificada é introduzida, que penaliza grandes valores da terceira derivada da função latente $g_\theta(E)$.
4. Diferenciação: Uma vantagem técnica fundamental é o uso de diferenciação automática de modo direto (via JAX) para computar a segunda derivada necessária para $D_f(E)$, evitando os erros de diferença finita inerentes aos métodos discretos.
5. Benchmarking: O método é testado contra a regressão GP padrão (usando kernels RBF) e a fórmula de diferença de 3 pontos. Dados simulados são gerados usando a fórmula de Wong através de 16 conjuntos de dados distintos variando em irregularidade de espaçamento de energia ($\kappa$), resolução média ($\Delta E$) e ruído de medição ($\eta$).

Resultos Principais

• Precisão de Recuperação: Em todos os 16 cenários simulados, os modelos AutoBNN superaram os modelos GP na recuperação da verdadeira distribuição de barreira subjacente. Embora os GPs ocasionalmente tenham recuperado a altura e a largura do pico com maior precisão, o AutoBNN destacou-se em capturar a localização do pico e a forma geral, particularmente em conjuntos de dados com alta irregularidade, baixa resolução ou alto ruído.
• Calibração de Incerteza: Gráficos de cobertura empírica demonstraram que o AutoBNN fornece estimativas de incerteza bem calibradas, com taxas de cobertura que se aproximam dos intervalos de credibilidade nominais. Em contraste, os modelos GP exibiram previsões excessivamente confiantes, com taxas de cobertura significativamente abaixo da diagonal, indicando que suas estimativas de incerteza eram pouco confiáveis.
• Aplicação a Dados Experimentais: Os autores aplicaram o framework AutoBNN a quatro reações de fusão de íons pesados ($^{16}\text{O} + ^{208}\text{Pb}$, $^{40}\text{Ca} + ^{40}\text{Ca}$, $^{48}\text{Ca} + ^{40}\text{Ca}$ e $^{48}\text{Ca} + ^{48}\text{Ca}$).
  • Para $^{16}\text{O} + ^{208}\text{Pb}$, o AutoBNN proporcionou maior insight sobre as estruturas acima da barreira, enquanto restringiu as incertezas reportadas pela fórmula de 3 pontos.
  • Para $^{40}\text{Ca} + ^{40}\text{Ca}$, o modelo apoiou a presença de um segundo pico (bump), mas indicou que a localização do pico primário não estava rigidamente restrita pelos dados.
  • Para as reações de Cálcio-48, as previsões do AutoBNN divergiram da fórmula de 3 pontos acima da barreira, sugerindo um platô secundário mais suave em vez da subida secundária aguda prevista pela fórmula de diferença, mitigando efetivamente estruturas espúrias acima da barreira.

Significância e Alegações
O artigo alega que a abordagem baseada em AutoBNN oferece um método estatístico robusto e agnóstico ao modelo para análise de funções de excitação de fusão. Sua principal significância reside na sua capacidade de:

1. Recuperar fielmente as distribuições de barreiras subjacentes a partir de dados esparsos e ruidosos onde os métodos tradicionais de diferença finita e os métodos padrão de GP falham.
2. Fornecer estimativas de incerteza bem calibradas, que são cruciais para interpretar a estrutura nuclear e testar modelos teóricos (ex: Canais Acoplados ou Teoria do Funcional de Densidade Dependente do Tempo).
3. Mitigar a introdução de estruturas espúrias na região acima da barreira, um artefato comum em métodos de extração anteriores.

Os autores enfatizam que desenvolveram uma implementação de software amigável para facilitar a aplicação deste método a futuros experimentos de fusão de íons leves e pesados, visando melhorar a confiabilidade da extração de distribuições de barreira para a comunidade de ciências nucleares.