基于物理信息神经网络的 LHC $pp$ 碰撞中已识别介子产生推断

机器学习已成为高能碰撞实验中强大的工具，使能够基于数据驱动的方法来解决复杂的 reconstruction 与回归任务。已识别介子谱在探测器接受范围之外的 pseudorapidity 区域的研究——该区域仅限于 mid-rapidity 区域——携带了关于粒子产生的重要信息，却尚未被测量。在本工作中，我们开发了一个 physics-informed neural network，训练于 PYTHIA8 $pp$ 碰撞于 $\sqrt{s}=13.6$ TeV，来推断 $\pi^{\pm}$、$K^{\pm}$、$p/\bar{p}$、$\Lambda/\bar{\Lambda}$ 和 $K^{0}_{\mathrm{s}}$ 在不同 rapidity 区域的 $p_{\rm T}$ 谱。将粒子产率比、谱形和平滑性等 physics-motivated 约束整合到 loss function 中。采用分阶段的 hyperparameter optimization 策略以确保稳定性。该模型在 training、interpolation 和 extrapolation regimes 中分别实现约 ${\sim}1.5\%$、$1.8\%$ 和 $5.83\%$ 的产率不确定性，超越 XGBoost 和 LightGBM。它进一步复现了关键可观测量，如粒子产率比、langle $p_{\rm T} \rangle$ 的 multiplicity 依赖性以及动力学冻结参数，表明该模型捕捉了底层物理并提供可靠的预测，超出测量相空间。