深度学习方法用于超相对论重离子碰撞中的流可观测量
高能物理 - 唯象学
2023-03-09 v1 核理论
摘要
我们训练了一个深度卷积神经网络，从初始能量密度分布预测超相对论重离子碰撞中流系数、平均横动量及带电粒子多重数的流体力学结果。我们表明该神经网络可被训练得足够精确，从而可靠预测流系数的流体力学结果，且引人注目的是，也能预测其关联如归一化对称累积量、混合谐波累积量与流-横动量关联。同时所需计算时间降低了数个数量级。为展示大幅缩减计算时间的优势，我们生成了10M个初始能量密度分布，并用该神经网络预测流可观测量；网络以每碰撞能量5k事件训练、90k事件验证。我们随后表明，将碰撞事件数从90k增至10M会对某些统计代价高昂的流关联产生显著影响，在将这些关联子用作确定QCD物质性质的约束时应予以考虑。
引用
@article{arxiv.2303.04517,
title = {Deep learning for flow observables in ultrarelativistic heavy-ion collisions},
author = {H. Hirvonen and K. J. Eskola and H. Niemi},
journal= {arXiv preprint arXiv:2303.04517},
year = {2023}
}
备注
11 pages, 10 figures