重离子碰撞中基于两组分框架的带电粒子乘积的物理信息神经网络（PINN）建模：与数据驱动神经网络的比较
高能物理 - 唯象学
2026-05-07 v2
摘要
本研究采用集成物理约束的常规深度神经网络（NN）框架来预测重离子碰撞中的带电哈达子乘积（）。目标是评估纯数据驱动深度神经网络的性能是否优于物理信息神经网络（PINN）。为此，我们采用来自HYDJET++模型生成的数据用于测试和训练。我们使用一百万个 碰撞事件训练神经网络框架。我们的PINN模型成功从事件数据中提取硬散射分数（）。为进一步测试和与常规NN比较，我们采用 （Zr的同位素）和 碰撞数据使用相同的模拟模型。我们发现，NN模型在训练物理信息时需要更多时间。然而，一旦训练完成，PINN模型能够准确预测其在训练期未遇到的数据，例如Au+Au碰撞结果。在本研究中对应于高 稀疏数据区域，PINN相对于简单NN具有明显优势。
引用
@article{arxiv.2511.05186,
title = {Physics-informed neural network (PINN) modeling of charged particle multiplicity using the two-component framework in heavy-ion collisions: A comparison with data-driven neural networks},
author = {Akash Das and Satya Ranjan Nayak and B. K. Singh},
journal= {arXiv preprint arXiv:2511.05186},
year = {2026}
}