利用拓扑机器学习识别重离子碰撞中间歇性的弱临界涨落

Rui Wang; Chengrui Qiu; Chuan-Shen Hu; Zhiming Li; Yuanfang Wu

doi:10.1016/j.physletb.2025.139405

利用拓扑机器学习识别重离子碰撞中间歇性的弱临界涨落

核理论 2025-04-04 v2 高能物理 - 唯象学核实验

作者: Rui Wang , Chengrui Qiu , Chuan-Shen Hu , Zhiming Li , Yuanfang Wu

在 arXiv 上查看 ↗ PDF ↗ DOI ↗

摘要

大尺度的电荷涨落被认为是探索重离子碰撞中QCD临界点的有前景的信号。这些涨落预计会表现出分形或标度不变的行为，可以通过间歇性分析来探测。近期高能实验研究表明，与间歇性相关的临界涨落信号非常微弱，因此很容易被数据样本中大量的背景粒子所掩盖。通过采用带有拓扑机器学习的点云神经网络，我们能够根据提取的独特拓扑特征，成功地将弱信号事件与背景噪声进行分类，并准确确定弱信号事件样本的间歇性指数。

关键词

critical fluctuations intermittency analysis heavy-ion collisions QCD critical point topological machine learning point cloud neural network

引用

@article{arxiv.2412.06151,
  title  = {Identifying weak critical fluctuations of intermittency in heavy-ion collisions with topological machine learning},
  author = {Rui Wang and Chengrui Qiu and Chuan-Shen Hu and Zhiming Li and Yuanfang Wu},
  journal= {arXiv preprint arXiv:2412.06151},
  year   = {2025}
}

备注

11 pages, 6 figures,published version

利用拓扑机器学习识别重离子碰撞中间歇性的弱临界涨落

摘要

关键词

引用

备注

相关论文