Amélioration de modèles de réactions nucléaires avec la statistique bayésienne – NURBS

La vaste gamme d'applications de la physique nucléaire, et en particulier celles utilisant des réactions nucléaires, peut être divisée en deux grands régimes. D'abord, il y a le régime de basse énergie (e.g., les centrales nucléaires). Pour ces applications, pratiquement toutes les données nucléaires peuvent être et ont été mesurées. Ensuite, il y a les applications à haute énergie comme l'hadronthérapie (jusqu'à ~250 MeV), les sources de neutrons de spallation et les ADS (~500 MeV à ~2 GeV), les noyaux cosmogéniques (large gamme d'énergie, avec un pic à ~1 GeV), mais aussi les études sur les neutrinos (des centaines de MeV à des dizaines de GeV) et les expériences sur l'antimatière (du repos à plusieurs GeV).
En raison d'énergies élevées et des différents types de projectiles concernés, il est impossible de mesurer toutes les données requises et des modèles sont nécessaires. Ces modèles, combinaison d'un modèle de cascade intranucléaire, e.g., INCL++6, et d'un modèle de désexcitation, e.g., Abla, sont capables de prédire le résultat d'une réaction de spallation. Dans ces réactions, de nombreuses particules légères (mésons, neutrons, particules chargées) sont éjectées. Le résultat de l'interaction est la production d'un noyau cible plus léger (ou plus si fission ou multifragmentation se produisent).
Ces modèles ont été considérablement améliorés au cours des deux dernières décennies et nous sommes entrés dans une période plus exigeante : la quantification des incertitudes et des erreurs. Nous proposons ici un projet dans lequel non seulement les incertitudes et les erreurs des simulations INCL++6/Abla seront quantifiées, mais nous améliorerons également les modèles grâce à une optimisation en parallèle de certains paramètres et au retour d'information de ces résultats. Les méthodes utilisées reposent sur la statistique bayésienne où les données expérimentales jouent le rôle de vraisemblance.