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

No fundo de cada átomo, prótons e nêutrons não são esferas sólidas e indivisíveis, mas sim cidades movimentadas de partículas menores chamadas quarks e glúons. Esses constituintes, coletivamente conhecidos como partões, percorrem o espaço quase à velocidade da luz, mantidos unidos pela força nuclear forte. Para entender como a matéria se comporta nos ambientes mais extremos, do coração de uma estrela às colisões dentro do Grande Colisor de Hádrons, os físicos devem mapear exatamente como esses partões compartilham o momento de sua partícula progenitora. Esse mapa é chamado de função de distribuição de partão. Quando prótons e nêutrons estão travados dentro de um núcleo atômico pesado, as regras mudam. O ambiente nuclear lotado distorce os mapas de partões, criando um cenário complexo e modificado que os cientistas chamam de funções de distribuição de partão nuclear. Determinar esses mapas é crucial para prever os resultados de experimentos de alta energia, mas é notoriamente difícil porque os dados são escassos e o cenário matemático usado para encontrar o melhor ajuste é frequentemente acidentado e cheio de vales ocultos.

Por décadas, pesquisadores confiaram em um atalho matemático padrão para navegar neste terreno. Este método, conhecido como abordagem Hessiana, assume que o cenário ao redor da melhor solução é uma tigela suave e simétrica, como uma parábola perfeita. Ao medir a inclinação das laterais da tigela, os cientistas podem estimar quão incerta é a sua representação. No entanto, essa suposição funciona melhor apenas quando os dados são abundantes e as relações entre as variáveis são simples. No caso de núcleos pesados, onde os dados experimentais são limitados e as conexões entre diferentes tipos de partículas são emaranhadas, essa suposição de uma tigela suave frequentemente falha. O cenário real pode ser irregular, inclinado ou até conter múltiplos vales separados onde a solução poderia se esconder. Se os cientistas assumirem que o cenário é suave quando ele é, na verdade, acidentado, suas estimativas de incerteza podem ser enganosas, potencialmente escondendo a verdadeira complexidade do núcleo atômico.

Para abordar isso, um pesquisador liderado por Nasim Derakhshanian desenvolveu uma nova maneira de explorar esses mapas nucleares usando uma técnica chamada Monte Carlo de Cadeia de Markov. Em vez de assumir que o cenário é uma tigela suave, este método trata a busca como uma caminhada guiada através de um vasto território desconhecido. O pesquisador construiu um programa de computador que dá milhões de passos aleatórios, verificando constantemente o quão bem cada passo se ajusta aos dados experimentais disponíveis. Com o tempo, o programa aprende a verdadeira forma do cenário, passando mais tempo nos vales profundos onde as soluções são melhores e menos tempo nos picos altos onde os dados não se ajustam. Isso permite que eles amostrem toda a distribuição de probabilidade diretamente, capturando assimetrias, múltiplas soluções e correlações complexas que o método antigo perderia.

O pesquisador aplicou essa nova abordagem ao núcleo do chumbo, um dos átomos mais pesados e complexos usados em experimentos. Eles realizaram dois tipos distintos de análise para testar a robustez de suas descobertas. Primeiro, olharam exclusivamente para dados de núcleos de chumbo, criando um mapa "apenas de chumbo" para ver a estrutura intrínseca do ajuste sem influência externa. Esta análise revelou uma estrutura altamente complexa e não trivial. A amostragem computacional descobriu que os parâmetros que descrevem os quarks de valência — as partículas centrais que dão ao próton sua identidade — não estavam sentados em um único vale suave. Em vez disso, o cenário continha múltiplos mínimos locais, ou vales secundários, onde o ajuste também poderia ser muito bom. A distribuição dessas soluções era enviesada e assimétrica, o que significa que a incerteza não era a mesma em todas as direções. O método Hessiano padrão, que assume um único vale simétrico, falhou em capturar essa realidade de múltiplos picos, suavizando efetivamente a estrutura complexa e fornecendo uma imagem incompleta da incerteza.

Para ver como essa imagem complexa mudava quando mais informações eram adicionadas, o pesquisador realizou então uma segunda análise que incluía dados de uma ampla gama de núcleos mais leves, não apenas o chumbo. Ao conectar os dados de diferentes massas atômicas através de uma relação matemática padrão, eles introduziram novas restrições que ligavam o comportamento do chumbo ao de elementos mais leves. Esta análise "multi-núcleos" alterou significamente o cenário. Os vales secundários que eram proeminentes na análise apenas de chumbo foram amplamente suprimidos, e o espaço de parâmetros tornou-se mais regular e mais próximo de um único vale dominante. A inclusão de núcleos mais leves atuou como uma âncora poderosa, apertando as restrições sobre as distribuições de quarks e reduzindo a incerteza no mapa de chumbo. No entanto, mesmo com essas restrições extras, o pesquisador descobriu que o cenário não era perfeitamente simétrico. Características não gaussianas sutis e caudas assimétricas persistiram, particularmente nas distribuições de quarks de valência, que o método Hessiano padrão ainda teria perdido.

Uma comparação direta entre as duas abordagens destacou uma diferença crítica na forma como lidaram com os dados. Na análise apenas de chumbo, o novo método mostrou que as faixas de incerteza para as distribuições de quarks eram muito mais largas e assimétricas do que o método antigo sugeria. O método antigo, dependendo da suposição da tigela suave, subestimou a verdadeira amplitude das possibilidades. Quando os dados multi-núcleos foram adicionados, as incertezas diminuíram, mas o novo método ainda revelou uma incerteza mais realista e restrita que levava em conta as assimetrias remanescentes. Curiosamente, a distribuição de glúons — as partículas que carregam a força forte — permaneceu relativamente estável em ambas as análises. Como a distribuição de glúons já é bem restringida por dados diretos de colisões de chumbo no Grande Colisor de Hádrons, adicionar dados de núcleos mais leves não mudou significativamente o quadro para os glúons, ao contrário das distribuições de quarks, que foram mais sensíveis às novas restrições.

O estudo também demonstrou uma maneira prática de tornar esses resultados complexos utilizáveis para outros cientistas. O novo método gera milhares de amostras individuais para representar a distribuição de probabilidade completa, que é grande demais para ser compartilhada diretamente. O pesquisador testou diferentes maneiras de comprimir esse conjunto de dados massivo em um conjunto menor e gerenciável de réplicas sem perder a informação estatística essencial. Eles descobriram que, embora simplesmente escolher um número menor de amostras em intervalos regulares funcionasse bem para os valores centrais, isso poderia distorcer as faixas de incância se o tamanho da amostra se tornasse muito pequeno. Um algoritmo de compressão mais sofisticado, que selecionava cuidadosamente as amostras para preservar a forma e as correlações do conjunto de dados completo, teve um desempenho melhor em reter as características complexas da distribuição, desde que o conjunto final não fosse reduzido drasticamente.

Em última análise, este trabalho estabelece que o cenário estatístico das funções de distribuição de partão nuclear é muito mais intrincado do que anteriormente assumido. O método padrão de aproximar o espaço de solução como uma tigela suave e simétrica é insuficiente para capturar toda a complexidade dos dados nucleares, especialmente ao lidar com núcleos pesados como o chumbo. Ao usar um método que amostra todo o cenário diretamente, o pesquisador revelou estruturas ocultas, como múltiplas soluções concorrentes e incertezas assimétricas, que eram anteriormente invisíveis. Esta abordagem oferece uma maneira mais confiável e transparente de quantificar os desconhecidos em nossa compreensão do núcleo atômico, garantindo que as futuras previsões para experimentos de física de alta energia sejam construídas sobre uma base que realmente reflita a complexidade dos dados.