利用机器学习技术从 LHC pp 数据中提取多重部分子相互作用的多重数依赖性

近年来，机器学习（ML）方法已成功应用于高能物理中的大量问题。例如，我们在先前的工作中报道，使用 ML 技术可以从最小偏置 pp 数据中提取多重部分子相互作用（MPI）的活动。利用现有的关于横动量谱随多重数变化的 LHC 数据，我们报道了在 $\sqrt{s}=5.02$ 和 13\,TeV 的最小偏置 pp 碰撞中的平均 MPI 数目（$\langle N_{\rm mpi} \rangle$）。在这项工作中，我们将相同的分析应用于一组新数据。我们报道，在 $\sqrt{s}=7$\,TeV 的最小偏置 pp 碰撞中，$\langle N_{\rm mpi} \rangle$ 为 $3.98 \pm 1.01$。这些互补结果表明 $\langle N_{\rm mpi} \rangle$ 对质心能量的依赖性较弱。该研究进一步扩展，旨在提取三种质心能量下 $\langle N_{\rm mpi} \rangle$ 的多重数依赖性。我们表明，我们的结果在性质上与现有的对 MPI 敏感的 ALICE 测量一致。即，$\langle N_{\rm mpi} \rangle$ 随带电粒子多重数近似线性增加。但在大带电粒子多重数时偏离线性依赖。这种对线性趋势的偏离可以用在中快度区多重数选择所导致的对较硬过程的偏向来解释。本文报道的结果为 pp 碰撞中 MPI 的存在提供了额外证据，并且有助于更好地理解 pp 数据中观察到的类重离子行为。