基于神经网络的相对重离子碰撞贝叶斯全局分析

我们引入一种新型深度卷积神经网络（NN）增强的对相对重离子碰撞中 bulk 可观测量的贝叶斯全局分析，采用包含动力学冻结条件的 2+1 维次序粘性流体力学，并采用基于 perturbative QCD 和饱和模型的 event-by-event EKRT 模型作为初始条件。我们的分析包含 13+2 个自由参数，用于约束 QCD 物性质和初始状态，通过 $\sqrt{s_{NN}}=200$ GeV Au+Au 碰撞于 RHIC 以及 $2.76$ TeV、$5.02$ TeV、$5.44$ TeV Pb+Pb、Xe+Xe 碰撞于 LHC 的实验数据。我们用 NN 替代计算昂贵的流体力学仿真，直接从初始能量密度轮廓预测 bulk 可观测量，并可对每个事件进行计算，同时考虑 QCD 物性质。借助 NN 的输出，我们训练高斯过程仿真器以获取中心类平均可观测量及其不确定性。NN 大幅减少了计算时间，使我们能够将也 statistics-hungry 的 flow 可观测量（如 $v_4$ 和归一化对称累积量 $NSC(4,2)$）纳入分析。本文演示了基于 NN 的贝叶斯全局分析的可行性。我们发现数据偏好特定的剪切黏度 $\eta/s$，在温度 $150\lesssim T \lesssim 230$ MeV 附近具有最小值平台，$0.12 \lesssim (\eta/s)_{\mathrm{min}} \lesssim 0.18$。bulk 粘性系数 $\zeta/s$ 在 $200\lesssim T \lesssim 300$ MeV 处为非零。冻结时的 Knudsen 数为 $0.8-2.3$，而冻结时平均自由程与系统尺度之比在 $0.3-1.2$ 范围内，这表明冻结确实发生在流体力学适用范围的预期限制内。