利用深度神经网络通过多重关联子对手征磁效应味道依赖性的分类

我们通过分析用于表征电荷分离效应的两个关键电荷分离关联子——传统的$\Delta\gamma$和最近提出的$R_{\psi_2}$——来研究手征磁效应（CME）的味道依赖性。使用具有初始态中心度依赖电荷分离的AMPT（多相输运）模型，我们评估了这些关联子对2味（$u,d$）和3味（$u,d,s$）夸克场景的敏感性。虽然两个关联子在中心度（30-50%）碰撞中都表现出适度的味道依赖性，但它们的区分能力随中心度和横动量（$p_T$）显著变化，限制了它们在区分味道依赖场景方面的效用。为克服这些限制，我们开发了一个基于末态强子观测量（例如，$dN_{ch}/d\eta$，$p_T$谱）训练的神经网络分类器。该模型通过利用多观测量关联，在味道分类中实现了超过90%的准确率，其中$p_T$微分特征被证明特别具有区分性。至关重要的是，通过将背景贡献直接纳入训练数据，我们的方法比仅使用关联子的方法提供了更可靠的味道估计。