Machine learning the impact parameter in heavy-ion collisions at $\sqrt{s_{\rm NN}}$ = 4 and 11 GeV: a cross-check study with UrQMD, AMPT, and JAM

Resumen Técnico: Aprendizaje Automático del Parámetro de Impacto en Colisiones de Iones Pesados a $\sqrt{s_{NN}} = 4$ y 11 GeV

Planteamiento del Problema
La determinación de la centralidad de la colisión, definida por el parámetro de impacto ($b$), es un requisito previo fundamental para el análisis de experimentos de colisiones de iones pesados (HIC), particularmente en energías intermedias ($\sqrt{s_{NN}} \approx$ unos pocos GeV) relevantes para instalaciones como STAR-FXT, NICA/MPD y FAIR/CBM. A diferencia de las energías ultra-relativistas, el modelo de Glauber clásico, que se basa en la aproximación eikonal, se vuelve poco fiable a estas energías más bajas debido a la longitud de onda de de Broglie comparable y el tamaño nuclear. Además, los métodos tradicionales de determinación de la centralidad suelen depender del ajuste de observables experimentales (por ejemplo, la multiplicidad de partículas cargadas) a simulaciones de modelos de transporte. Este enfoque es inherentemente dependiente del modelo; diferentes modelos de transporte (por ejemplo, UrQMD, AMPT, JAM) pueden producir rendimientos y distribuciones de partículas significativamente diferentes para el mismo parámetro de impacto. En consecuencia, una calibración de centralidad derivada de un modelo puede no generalizarse a otro o a los datos experimentales reales, introduciendo incertidumbres sistemáticas que pueden igualar o incluso exceder las de la ecuación de estado nuclear.

Metodología
Los autores emplean un marco de aprendizaje automático (ML) supervisado y no supervisado para reconstruir el parámetro de impacto en colisiones de Au+Au a $\sqrt{s_{NN}} = 4$ y 11 GeV.

• Generación de Datos: Se generaron conjuntos de datos etiquetados utilizando tres modelos de transporte distintos: el modelo de dinámica molecular cuántica ultra-relativista (UrQMD), el modelo de transporte multifásico (AMPT) y el modelo JAM. Para maximizar el espacio de parámetros y probar la robustez, se utilizaron seis configuraciones específicas:
  • UrQMD con tres configuraciones: Campo medio + Esfera dura (MH), Cascada + Esfera dura (CH) y Cascada + Woods-Saxon (CW).
  • AMPT con la versión de fusión de cuerdas (string-melting).
  • JAM con dos configuraciones: Modo Cascada con Woods-Saxon (C) y Modo Campo medio con EoS suave (M).
  • Para cada configuración, se simularon 10,000 eventos de Au+Au. El conjunto de datos se dividió en 6,000 eventos de entrenamiento y 4,000 eventos de prueba.
• Características de Entrada (Features): Se seleccionaron seis observables de evento por evento como características de entrada: los rendimientos de piones cargados ($N_{\pi^-}, N_{\pi^+}$), los rendimientos de piones cargados en rapidez intermedia ($n_{\pi^-}, n_{\pi^+}$) y los momentos transversales totales de los piones cargados ($p_{t\pi^-}, p_{t\pi^+}$). Estos fueron elegidos por su capacidad de medición y por tener fluctuaciones por evento relativamente menores en comparación con otros observables.
• Algoritmos:
  • Aprendizaje Supervisado: Se utilizó el algoritmo LightGBM (Light Gradient Boosting Machine) para la regresión (predicción de $b$ continuo) y la clasificación (asignación de eventos a clases de centralidad).
  • Aprendizaje No Supervisado: El algoritmo de agrupamiento K-means se aplicó para particionar los eventos en clases de centralidad basándose únicamente en los observables de entrada, sin etiquetas de $b$ predefinidas.
• Estrategia de Validación Cruzada: Se realizó una verificación rigurosa donde los modelos entrenados con datos de un modelo de transporte (o configuración específica) fueron probados en datos generados por diferentes modelos. Esto se comparó contra un método de base tradicional: un ajuste polinómico de tercer orden que relaciona el rendimiento de piones cargados con el parámetro de impacto.

Resultados Clave

1. Rendimiento de la Regresión:

   • El algoritmo LightGBM logró un Error Absoluto Medio (MAE) entre 0.2 y 0.4 fm en todos los escenarios.
   • Crucialmente, esta alta precisión persistió incluso en la prueba cruzada de modelos (por ejemplo, entrenar en UrQMD/CH y probar en AMPT). El MAE se mantuvo bajo, lo que indica fuertes capacidades de generalización.
   • En contraste, el método tradicional de ajuste polinómico funcionó bien solo cuando los datos de entrenamiento y prueba provenían del mismo modelo. Al aplicarse a datos de diferentes modelos, el ajuste polinómico falló significativamente, produciendo grandes desviaciones porque los parámetros ajustados no eran transferibles entre modelos con diferentes supuestos físicos subyacentes.

2. Rendimiento de la Clasificación:

   • El modelo de ML clasificó con éxito los eventos en seis clases de centralidad (0–5%, 5–10%, ..., >60%).
   • En la validación cruzada de modelos, las fracciones predichas de eventos en cada clase de centralidad se desviaron de los valores reales de la simulación solo en un ~1%.
   • Las distribuciones del parámetro de impacto predichas por el ML mantuvieron una forma suave, de tipo Gaussiana, consistente con las simulaciones originales, demostrando que el algoritmo aprendió los patrones estadísticos generales de las HIC en lugar de memorizar artefactos específicos del modelo.

3. Agrupamiento No Supervisado (Clustering):

   • El algoritmo K-means identificó autónomamente seis grupos distintos en el espacio de características (multiplicidad de piones normalizada vs. momento transversal normalizado) que correspondían directamente a las seis clases de centralidad.
   • Estos grupos mostraron una superposición mínima y se alinearon con la expectativa física de que las colisiones centrales (pequeño $b$) producen alta multiplicidad y momento transversal, mientras que las colisiones periféricas (grande $b$) producen valores bajos.
   • Esto se logró sin ninguna dependencia de la clasificación basada en modelos predefinidos o de los parámetros de verdad de campo durante el proceso de agrupamiento.

Significancia y Reivindicaciones
El artículo afirma que el aprendizaje automático ofrece una solución robusta e independiente del modelo para la determinación del parámetro de impacto en el régimen de energía intermedia. La principal significancia radica en la capacidad de generalización demostrada: un algoritmo de ML entrenado con datos de un modelo de transporte puede predecir con precisión los parámetros de impacto para datos generados por modelos enteramente distintos. Esto aborda el problema crítico de la dependencia del modelo que afecta a los métodos tradicionales de determinación de la centralidad.

Los autores aseguran que este enfoque:

• Supera las limitaciones del modelo de Glauber y del ajuste polinómico tradicional en energías intermedias.
• Proporciona un marco basado en datos que puede generalizarse para manejar datos experimentales reales de instalaciones como STAR-FXT, NICA y FAIR.
• Establece una base para una extracción más fiable de las propiedades de la materia nuclear (como la ecuación de estado) al reducir las incertidumbres sistemáticas asociadas con la selección de la centralidad.

El estudio concluye que, si bien el presente trabajo utiliza datos de modelos de transporte, la fuerte robustez cruzada de los modelos sugiere que el método está listo para su aplicación a observables experimentales, mejorando potencialmente la precisión de futuros experimentos de colisiones de iones pesados.