面向重离子碰撞中核形变的可解释深度学习
核理论
2019-06-26 v1 高能物理 - 唯象学
摘要
在高能重离子碰撞中，重核的结构难以分辨。深度卷积神经网络（DCNN）可能有助于将重离子碰撞的复杂末态映射到初态的核结构。我们利用 DCNN 进行监督回归，在蒙特卡洛模型中，成功地从动量各向异性或椭圆流（）与带电强子总数（）的事件-by-事件关联中提取出核形变的大小。此外，发现了长球-长球核与扁球-扁球核碰撞之间的关联存在简并。利用为解释 DCNN 所学内容而设计的回归注意力掩码（Regression Attention Mask）算法，我们发现总重叠碰撞中的关联仅对大核形变敏感，而半重叠碰撞中的关联对所有量级的核形变均具有判别力。本研究开发的方法可为在重离子碰撞中探索核结构的其他方面铺平道路。
引用
@article{arxiv.1906.06429,
title = {Interpretable deep learning for nuclear deformation in heavy ion collisions},
author = {Long-Gang Pang and Kai Zhou and Xin-Nian Wang},
journal= {arXiv preprint arXiv:1906.06429},
year = {2019}
}
备注
8 pages, 2 figures, AI + X research