利用深度学习估算重离子碰撞中的椭圆流系数
高能物理 - 唯象学
2022-06-22 v2 高能物理 - 实验
高能物理 - 理论
核实验
核理论
摘要
机器学习（ML）技术自 80 年代初以来就被高能物理（HEP）界用于应对广泛的问题。本工作探索使用深度学习技术在 RHIC 和 LHC 能量下估算重离子碰撞中椭圆流（v_2）的前景。我们开发了一种新方法，从粒子运动学信息中处理输入观测量。所提出的 DNN 模型使用 AMPT 模型模拟的 √s_NN = 5.02 TeV 最小偏置 Pb-Pb 碰撞事件进行训练。将 ML 技术的预测与模拟和实验进行比较。该深度学习模型似乎保留了 LHC 和 RHIC 能量下 v_2 的中心性和能量依赖性。该 DNN 模型在预测 v_2 的 p_T 依赖性方面也相当成功。当置于带有额外噪声的事件模拟中时，所提出的 DNN 模型在合理范围内仍保持鲁棒性与预测精度不变。
引用
@article{arxiv.2203.01246,
title = {Estimating Elliptic Flow Coefficient in Heavy Ion Collisions using Deep Learning},
author = {Neelkamal Mallick and Suraj Prasad and Aditya Nath Mishra and Raghunath Sahoo and Gergely Gábor Barnaföldi},
journal= {arXiv preprint arXiv:2203.01246},
year = {2022}
}
备注
Same as the published version in Phys. Rev. D