基于机器学习的 QGP 背景中的喷流动量重建

我们采用深度神经网络（DNN）方法，在夸克-胶子等离子体（QGP）背景中重建喷流动量，使用来自 PYTHIA 和线性玻尔兹曼输运（LBT）模型的模拟数据进行比较分析。我们发现，来自 LBT 模拟的介质响应粒子虽然从 QGP 背景中散射出去，但属于经过介质修正的喷流，如果 DNN 模型是在真空中喷流的 PYTHIA 模拟数据上训练的，会导致背景的过度减除。通过在 LBT 生成的淬火喷流样本或 PYTHIA 与 LBT 喷流样本的组合上训练 DNN 模型，我们显著减少了这一预测偏差，并与实验测量中广泛采用的基于面积和基于组分的方法相比实现了更准确的背景减除。我们进一步研究了这些机器学习模型在评估喷流核修正因子方面的性能，发现尽管展开过程对于校正重建喷流动量中的残差是必要的，但使用包含淬火喷流的样本训练的模型即使在展开之后仍优于使用真空中喷流样本训练的模型。