基于机器学习的偏 chiral 磁效应最优可观测量
高能物理 - 唯象学
2025-12-01 v2 核实验
核理论
摘要
在相对论重离子碰撞中检测偏 chiral 磁效应 (CME) 由于巨大的背景贡献掩盖了预期信号，仍面临着重大挑战。本文提出了一种新型的机器学习方法，用于构建优化可观测量，以显著提升CME检测能力。通过对从流动谱波构建的通用可观测量进行参数化并优化以最大化信噪比，我们系统地开发了能够显著优于传统方法的CME灵敏度措施。使用来自异常粘性流体动力学框架的仿真数据，我们的机器学习可观测量在对CME信号的灵敏度方面比传统的γ和δ 关联子量器高出最高可达90%，同时保持最小的背景污染。所构建的可观测量提供了关于CME检测最佳策略的物理见解，并为在RHIC和LHC的实验CME搜索提供了前景。
关键词
引用
@article{arxiv.2504.03248,
title = {Optimal Observables for the Chiral Magnetic Effect from Machine Learning},
author = {Yuji Hirono and Kazuki Ikeda and Dmitri E. Kharzeev and Ziyi Liu and Shuzhe Shi},
journal= {arXiv preprint arXiv:2504.03248},
year = {2025}
}
备注
4 pages, 1 figure