在LHC重离子碰撞中实现机器学习技术以预测碰撞参数和横向球度

机器学习技术最近在高能物理界相当流行，并导致了该领域的众多发展。在重离子碰撞中，一个关键的可观测量——碰撞参数，在末态粒子产生中起着重要作用。由于它极小（即几费米量级），在实验中几乎不可能测量碰撞参数。在这项工作中，我们通过梯度提升决策树（GBDT）实现了基于 ML 的回归技术，利用多相输运（AMPT）模型在 $\sqrt{s_{NN}}$ = 5.02 TeV 的 Pb-Pb 碰撞中获得碰撞参数的预测。在小型碰撞系统中成功应用之后，横向球度作为一种事件形状可观测量，也为揭示重离子碰撞中更多的粒子产生机制提供了机会。在 LHC 上尚缺乏此方向的实验探索的情况下，我们提出了一种基于 ML 的回归方法，通过使用最小偏差碰撞数据训练模型，来估计 $\sqrt{s_{NN}}$ = 5.02 TeV 的 Pb-Pb 碰撞中按中心度划分的横向球度分布。在整个工作中，我们使用了一些末态可观测量作为 ML 模型的输入，这些量可以容易地从碰撞数据中获得。我们的方法似乎工作得相当好，因为我们看到模拟真值与 ML 模型预测值之间具有良好的一致性。