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

在每一个原子内部，质子和中子并非实心的、不可分割的球体，而是由被称为夸克和胶子的更小粒子组成的繁忙城市。这些统称为部分子（partons）的组成部分，以接近光速的速度穿梭其中，并被强核力束缚在一起。为了理解物质在最极端环境下的行为——从恒星的核心到大型强子对撞机内部的碰撞——物理学家必须精确绘制出这些部分子是如何分享其母粒子的动量的。这种地图被称为部分子分布函数（parton distribution function）。当质子和中子被锁定在重原子核内部时，规则发生了改变。拥挤的核环境扭曲了部分子地图，创造了一个复杂的、经过修正的景观，科学家称之为核部分子分布函数（nuclear parton distribution functions）。确定这些地图对于预测高能实验的结果至关重要，但由于数据稀缺且用于寻找最佳拟合的数学景观往往崎岖不平且充满隐藏的山谷，这项工作异常困难。

几十年来，研究人员一直依赖一种标准的数学捷径来穿越这一地形。这种被称为海森（Hessian）的方法假设景观围绕最佳解是平滑且对称的碗状，就像一个完美的抛物线。通过测量碗壁的陡峭程度，科学家可以估计其地图的不确定性。然而，这种假设仅在数据丰富且变量之间的关系简单时才最为有效。在处理重核的情况时，由于实验数据有限且不同类型粒子之间的联系错综复杂，这种平滑碗状的假设往往会失效。真实的景观可能是凹凸不平的、倾斜的，甚至可能包含多个隐藏着解的独立山谷。如果科学家在景观实际是崎岖不平时仍假设它是平滑的，那么他们对不确定性的估计可能会产生误导，从而掩盖了原子核真正的复杂性。

为了解决这个问题，由纳西姆·德拉赫沙尼安（Nasim Derakhshanian）领导的研究人员开发了一种利用马尔可夫链蒙特卡洛（Markov Chain Monte Carlo）技术探索这些核地图的新方法。该方法不再假设景观是一个平滑的碗，而是将搜索过程视为在广阔且未知的领域中进行一次有引导的漫步。研究人员构建了一个计算机程序，它进行数百万次随机步骤，不断检查每一步与现有实验数据的拟合程度。随着时间的推移，程序会学习景观的真实形状，在拟合效果最好的深谷中停留更多时间，而在数据不匹配的高峰处停留较少时间。这使得他们能够直接采样整个概率分布，捕捉到旧方法会遗漏的非对称性、多解性和复杂相关性。

研究人员将这种新方法应用于铅核，这是实验中使用的最重且最复杂的原子之一。他们进行了两种截然不同的分析来测试其发现的稳健性。首先，他们仅使用来自铅核的数据，创建了一张“仅限铅”的地图，以观察拟合的内在结构而不受外界影响。这项分析揭示了一个高度复杂且非平凡的结构。计算机采样发现，描述价夸克（valence quarks，赋予质子身份的核心粒子）的参数并非位于单个平滑的山谷中。相反，景观包含了多个局部极小值，即次级山谷，在这些地方拟合效果也可能非常好。解的分布是偏斜且不对称的，这意味着不确定性在所有方向上并不一致。假设存在单一对称山谷的标准海森法未能捕捉到这种多峰的现实，实际上抹平了复杂的结构，并提供了一个不完整的误差图景。

为了观察当加入更多信息时这种复杂图景会如何变化，研究人员随后进行了第二项分析，其中包含了来自广泛较轻原子核的数据，而不仅仅是铅。通过使用一种标准的数学关系将不同原子质量的数据连接起来，他们引入了新的约束，将铅的行为与较轻元素的行为联系在一起。这种“多核”分析显著改变了景观。在“仅限铅”分析中突出的次级山谷在很大程度上被抑制了，参数空间变得更加规则，并更接近于单一的主导山谷。较轻核数据的加入起到了强大的锚定作用，收紧了对夸克分布的约束，并降低了铅图中不确定性。然而，即使有了这些额外的约束，研究人员发现景观并非完全对称。微妙的非高斯特征和不对称尾部依然存在，特别是在价夸克分布中，而标准的海森法仍会忽略这些特征。

两种方法之间的直接对比强调了它们在处理数据方面的关键差异。在“仅限铅”的分析中，新方法显示出夸克分布的误差带比旧方法暗示的要宽得多且更不对称。依赖于平滑碗状假设的旧方法低估了真实的可能范围。当加入多核数据后，不确定性缩小了，但新方法仍然揭示了一个更具现实意义、受约束的误差范围，并考虑了残留的不对称性。有趣的是，胶子（gluons，携带强力的粒子）的分布在两次分析中都保持相对稳定。由于胶子分布已经受到来自大型强子对撞机铅碰撞直接数据的良好约束，因此与对夸克分布更为敏感的情况不同，加入较轻核的数据并未显著改变胶子的图景。

该研究还展示了一种使这些复杂结果对其他科学家可用的实用方法。新方法生成数千个单独的样本来代表完整的概率分布，这对于直接共享来说规模过大。研究人员测试了将这个庞大数据集压缩成更小的、可管理的副本集的方法，且不丢失本质统计信息。他们发现，虽然通过定期抽取样本来选取较少数量的样本对于中心值表现良好，但如果样本量过小，则会扭曲误差带。一种更高级的压缩算法——通过仔细选择样本以保留完整数据集的形状和相关性——在保留分布的复杂特征方面表现更好，前提是最终的集合不会被过度缩减。

最终，这项工作确立了核部分子分布函数的统计景观远比此前认为的更为复杂。将解空间近似为平滑对称碗状的标准方法，不足以捕捉核数据（尤其是处理像铅这样的重核时）的全部复杂性。通过使用直接采样整个景观的方法，研究人员揭示了隐藏的结构，例如多个相互竞争的解和不对称的不确定性，而这些在以前是不可见的。这种方法为量化我们在原子核理解上的未知领域提供了一种更可靠、更透明的方式，确保未来的高能物理实验建立在真正反映数据复杂性的基础之上。