利用深度学习识别重离子碰撞中QCD相变的性质
核理论
2020-12-17 v1 高能物理 - 唯象学
摘要
在本会议报告中，我们回顾了近期利用深度卷积神经网络(CNN)在重离子碰撞混合模型中识别QCD相变性质的工作。在该混合模型内，黏性流体力学模型与强子级联“后燃烧器”相耦合。作为一个二分类设定，我们在流体演化中采用两种不同类型的热介质状态方程(EoS)。将末态在横动量-方位角平面上的π介子谱作为神经网络输入数据，以区分不同的状态方程。为探究事件-by-事件谱中涨落的影响，我们探索了不同的输入数据情形并进行了系统性比较。我们观察到，当网络分别输入事件-by-事件、级联粗粒化以及事件精细平均谱时，其预测能力存在清晰的层级关系。经过精心训练的神经网络能够从π介子谱中提取高层特征，从而在真实模拟情景下识别QCD相变的性质。
引用
@article{arxiv.2009.03059,
title = {Identifying the nature of the QCD transition in heavy-ion collisions with deep learning},
author = {Yi-Lun Du and Kai Zhou and Jan Steinheimer and Long-Gang Pang and Anton Motornenko and Hong-Shi Zong and Xin-Nian Wang and Horst Stoecker},
journal= {arXiv preprint arXiv:2009.03059},
year = {2020}
}
备注
4 pages, 4 figures, Quark Matter 2019, will be published in Nucl. Phys. A