机器学习在$^{132}$Sn+$^{124}$Sn体系碰撞中冲击参数确定的应用
核理论
2021-09-22 v1
摘要
背景：在RIKEN放射性同位素束工厂（RIBF）开展了束流能量为270 MeV核子的Sn+Sn碰撞，以研究核状态方程。重建冲击参数是实验中的重要任务之一，因其与许多观测量相关。目的：本工作中，我们采用机器学习中三种常用算法——人工神经网络（ANN）、卷积神经网络（CNN）与轻量梯度提升机（LightGBM），通过分析带电粒子谱或基于超相对论量子分子动力学（UrQMD）模型模拟事件的若干特征来确定冲击参数。方法：为紧密模仿实验数据并考察所训练机器学习算法的泛化能力，在UrQMD模型中改变核状态方程的不压缩性与介质内核子-核子截面以生成训练数据。结果：若训练集与测试集抽自相同参数集的UrQMD模型，真实与预测冲击参数间的平均绝对误差小于0.45 fm；但若训练集与测试集抽自不同参数集，将增至0.8 fm。结论：所训练机器学习算法的泛化能力表明，这些机器学习算法可可靠地用于实验中冲击参数的重建。
引用
@article{arxiv.2105.08912,
title = {Application of machine learning in the determination of impact parameter in the $^{132}$Sn+$^{124}$Sn system},
author = {Fupeng Li and Yongjia Wang and Zepeng Gao and Pengcheng Li and Hongliang Lv and Qingfeng Li and C. Y. Tsang and M. B. Tsang},
journal= {arXiv preprint arXiv:2105.08912},
year = {2021}
}
备注
9 pages,9 figures