利用深度神经网络研究QGP中重夸克偶素的熔化

机器学习技术已成为解决量子色动力学中非微扰挑战的强大工具。在本研究中，我们引入了一个数据驱动的框架，利用深度神经网络系统地预测夸克-胶子等离子体介质中屏蔽质量 $m_D(T)$ 和强耦合常数 $\alpha_s(T)$ 随温度的行为。这些介质敏感量随后被用于通过数值求解具有介质修正的重夸克势的薛定谔方程来计算重夸克偶素态（特别是粲夸克偶素和底夸克偶素）的热宽度 $\Gamma_{\text{n}}(T)$ 和结合能 $E_B(T)$。为了估计各种夸克偶素态的解离温度 $T_d$，我们采用了两种互补的解离准则：传统准则 $2E_B(T_d) = \Gamma_{\text{n}}(T_d)$，以及一个额外的下界准则 $E_B(T) = 3T$。这种双准则方法提供了对夸克偶素态在QGP环境中溶解的温度范围更受约束且物理上更合理的估计。我们的机器学习增强预测与可用的格点QCD结果吻合良好，特别是对于基态 $\Upsilon(1S)$ 和 $J/\psi$，并为相对论重离子碰撞实验中探测到的级联抑制模式提供了新视角。总体而言，这项工作推进了对夸克偶素抑制的定量描述，并展示了现代机器学习方法连接理论预测与实验观测的前景，从而为QGP断层成像做出了重要贡献。