Ultra-Peripheral Collisions as a Nuclear-Structure Interferometer with Interpretable Multitask Deep Learning

Resumen Técnico: Colisiones Ultraperiféricas como un Interferómetro de Estructura Nuclear con Aprendizaje Profundo Multitarea Interpretable

Planteamiento del Problema
La determinación precisa de la estructura nuclear, específicamente la extracción simultánea de la deformación de la forma colectiva (por ejemplo, la deformación cuadrupolar $\beta_2$) y el espesor de la piel de neutrones ($\Delta r_{np}$), sigue siendo un desafío significativo. Las sondas clásicas, como la dispersión de electrones elástica, enfrentan un "problema de entrelazamiento estructural" donde las firmas de la deformación y la piel de neutrones están inextricablemente acopladas en los observables. Si bien las colisiones ultraperiféricas (UPC) ofrecen una vía para la tomografía de interferencia coherente —donde el campo electromagnético acelerado de un núcleo actúa como una fuente láser y los dos núcleos actúan como una rendija doble—, la extracción de restricciones cuantitativas a partir de las distribuciones de momento transversal ($p_\perp$) resultantes es un problema inverso difícil.

La dificultad central surge de la "degeneración holográfica". En los experimentos, los núcleos se orientan al azar, lo que conduce a un promedio de conjunto que desdibuja las fases de interferencia. Esta fluctuación estocástica rellena los mínimos de interferencia y crea distorsiones correlacionadas en el espectro que las inversiones analíticas simples no pueden desenredar. Además, las realidades experimentales, tales como la resolución finita de los detectores, los fondos de fotoproducción incoherente y el etiquetado de neutrones, remodelan la distribución efectiva del parámetro de impacto, oscureciendo aún más la separación limpia entre los patrones de difracción (sensibles a la piel de neutrones) e interferencia (sensibles a la deformación).

Metodología
Los autores proponen un marco de Aprendizaje Profundo Multitarea interpretable conceptualizado como una "lente mejorada por IA" para mapear las distribuciones de momento transversal directamente a múltiples indicadores de la estructura nuclear.

1. Modelado de Física: El estudio simula la fotoproducción coherente de $J/\psi$ en colisiones de $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ a $\sqrt{s_{NN}} = 200$ GeV utilizando un marco de modelo de predominancia de vector-mesón (VMD) de Glauber. La densidad nuclear se modela con un perfil de Woods–Saxon deformado que incorpora deformaciones cuadrupolares ($\beta_2$) y octupolares ($\beta_3$), así como distribuciones distintas de protones y neutrones para modelar tipos de piel de neutrones de tipo "skin" o "halo".
2. Generación de Datos: La simulación genera distribuciones de momento transversal 2D ($p_x, p_y$) promediadas sobre ángulos de Euler aleatorios para imitar el promedio de conjunto experimental. Crucialmente, el conjunto de datos de entrenamiento incluye tanto señales coherentes como fondos incoherentes (modelados mediante enfoques estándar de Glauber) para obligar a la red a aprender características geométricas robustas que sean resilientes a la contaminación por fondo.
3. Arquitectura de la Red: El marco emplea una columna vertebral ResNet-34 para procesar las imágenes de entrada de 224 $\times$ 224. La arquitectura utiliza un extractor de características compartido (Etapas 1–4) seguido de tres cabezales específicos de tareas: dos cabezales de regresión para $\beta_2$ y $\beta_3$, y un cabezal de clasificación para el tipo de piel de neutrones (Skin, Halo o Ninguno). Este diseño multitarea obliga a la red a aprender una representación latente unificada que capture la dependencia conjunta del interferograma con los efectos estructurales.
4. Interpretabilidad: Para validar la relevancia física del modelo, los autores aplican un Análisis de Diferencia de Predicción (PDA) para identificar qué regiones del espacio de momento impulsan las inferencias específicas.

Resultados Clave

• Desempeño: El modelo demuestra una alta precisión en un entorno de prueba de estrés que incluye fondos incoherentes. Para niveles de fondo realistas ($n=1$), el marco logra un $R^2 \approx 0.96$ para $\beta_2$ y un $R^2 \approx 0.93$ para $\beta_3$, con una precisión del 99.3% en la clasificación de tipos de piel de neutrones. Incluso cuando la sección eficaz incoherente se amplifica en dos órdenes de magnitud ($n=100$), el modelo mantiene un desempeño robusto, aunque la $\beta_3$ (que induce modificaciones más sutiles y localizadas) se degrada ligeramente más rápido que la $\beta_2$.
• Desentrelazamiento de Características: El análisis de interpretabilidad revela que la red separa con éxito los impulsores físicos de los dos sectores estructurales. La regresión de los parámetros de deformación ($\beta_2, \beta_3$) es impulsada principalmente por las franjas de interferencia oscuras (regiones sensibles a la fase), mientras que la clasificación del tipo de piel de neutrones depende de los bordes de los puntos de difracción brillantes (regiones sensibles a la amplitud).
• Derivación de Observables: Los autores traducen estas características aprendidas en observables cinemáticos accesibles experimentalmente:
  • Deformación: Mapeada al "valor promedio de la franja" (intensidad media de los píxeles del 5% inferior más bajo), lo cual correlaciona con la relación de rendimiento (yield ratio) a muy bajo $p_T$ ($< 0.005$ GeV/c) y con los coeficientes de flujo anisotrópico ($v_2, v_3$) en el régimen de bajo $p_T$.
  • Piel de Neutrones: Mapeada a la "anchura a la mitad del máximo" (HWHM) de los puntos brillantes, lo cual correlaciona con el momento transversal medio $\langle p_T \rangle$ y los coeficientes de flujo anisotrópico en la región de mayor $p_T$ ($0.14 < p_T < 0.16$ GeV/c).

Significancia y Reivindicaciones
El artículo afirma proporcionar una solución al problema de larga data de restringir simultáneamente la deformación nuclear y el espesor de la piel de neutrones sin las degeneraciones de parámetros inherentes a los procedimientos de ajuste convencionales. Al tratar las UPC como experimentos de rendija doble de femtoscopía y aplicar aprendizaje profundo, los autores demuestran que las firmas entrelazadas de la forma nuclear y la difusividad de la superficie pueden desacoplarse efectivamente.

La contribución principal no es meramente la aplicación de aprendizaje automático, sino la interpretabilidad del modelo, que tiende un puente entre las formas espectrales de alta dimensión y las ventanas cinemáticas específicas. Los autores argumentan que este enfoque ofrece un "protocolo basado en datos" para futuros experimentos de alta luminosidad en el Relativistic Heavy Ion Collider (RHIC), el Large Hadron Collider (LHC) y el Electron-Ion Collider (EIC). Específicamente, afirman que los armónicos de flujo estándar y las relaciones de rendimiento dentro de las ventanas cinemáticas identificadas pueden servir como aproximaciones (proxies) para los complejos patrones de interferencia, permitiendo restricciones cuantitativas sobre la geometría nuclear sin requerir la reconstrucción completa de la imagen o ajustes globales dependientes de modelos. El trabajo sugiere que esta "lente mejorada por IA" puede extenderse para sondear las densidades de gluones espaciales y las distribuciones de partones generalizadas (GPDs), ofreciendo una nueva vía para imaginar el núcleo a la escala del femtómetro.