DNN predictions for pp reference $p_\mathrm{T}$ spectra at unmeasured $\sqrt{s}$

Ce papier présente une approche basée sur un réseau de neurones profond, entraînée sur des données ALICE des Runs 1 et 2 du LHC, pour interpoler et extrapoler les spectres de moment transverse des protons-protons à des énergies de centre de masse non mesurées pertinentes pour le Run 3 du LHC et au-delà.

L'essentiel

Imaginez que vous essayez de comprendre ce qui se produit lorsque deux boules de feu géantes et surchauffées entrent en collision. Dans le monde de la physique des particules, il s'agit de collisions d'ions lourds qui créent une « soupe » de particules fondamentales appelée Plasma de Quarks et de Gluons. Pour comprendre cette soupe, les scientifiques ont besoin d'un groupe témoin : ils doivent savoir ce qui se produit lorsque deux particules simples (des protons) entrent en collision dans des conditions exactement identiques, mais sans formation de « soupe ». C'est ce qu'on appelle une référence proton-proton (pp).

Le problème est que le Grand collisionneur de hadrons (LHC) est une machine qui peut être réglée sur différents niveaux d'énergie. Parfois, les scientifiques mènent des expériences à un niveau d'énergie où ils ont déjà mesuré les collisions proton-proton. D'autres fois, ils opèrent à un niveau d'énergie nouveau, non mesuré. Lorsqu'ils ne disposent pas d'une mesure directe pour cette énergie spécifique, ils doivent deviner à quoi ressembleraient les données proton-proton.

Traditionnellement, les scientifiques faisaient ces prédictions en utilisant deux méthodes :

1. La Devinette Théorique : L'utilisation de formules mathématiques complexes (comme la pQCD) qui fonctionnent bien pour des particules très rapides mais deviennent incertaines pour des particules de vitesse moyenne.
2. La Devinette « Relier les Points » : Tracer une ligne lisse entre deux mesures existantes. Cela fonctionne si l'on suppose que la ligne suit une forme spécifique et simple (comme une ligne droite ou une courbe), mais les données réelles peuvent être sinueuses et complexes.

La Nouvelle Solution : Un « Prédicteur Intelligent »
Cet article présente une nouvelle façon de faire cette prédiction en utilisant un Réseau de Neurones Profond (DNN). Imaginez ce DNN comme un élève surdoué qui a étudié un manuel massif de données sur les collisions de protons.

• L'Entraînement : L'élève (le DNN) a été nourri avec des données de l'expérience ALICE au LHC, couvrant cinq niveaux d'énergie différents (2,76, 5,02, 7, 8 et 13 TeV). Il a appris les modèles de la façon dont la production de particules change lorsque l'énergie varie.
• L'Astuce : Au lieu de simplement mémoriser les chiffres, l'élève a appris la forme des données. Les chercheurs ont enseigné à l'élève d'examiner les données d'une manière particulière (en utilisant des logarithmes) afin que les énormes différences dans les comptes de particules ne le confondent pas.
• Le Test : Avant de l'utiliser sur de vraies données, l'équipe a testé l'élève avec des données « factices » générées par deux simulations informatiques différentes (PYTHIA et EPOS LHC). L'élève a excellé, prédisant avec précision des données pour des énergies qu'il n'avait jamais vues auparavant, à la fois inférieures et supérieures à celles qu'il avait étudiées.

Ce que l'Élève Peut Faire Maintenant
Une fois que l'élève a prouvé sa fiabilité, l'équipe l'a entraîné sur les vraies données ALICE. Désormais, le DNN peut agir comme un traducteur universel pour les niveaux d'énergie.

• Combler les Lacunes : Si les scientifiques mènent une expérience à 9,62 TeV (une nouvelle énergie), le DNN peut prédire exactement à quoi la référence proton-proton devrait ressembler, même si personne ne l'a mesurée directement.
• La Magie du « Rapport » : Pour rendre ces prédictions utiles, le DNN ne se contente pas de deviner les chiffres bruts ; il calcule le rapport entre une énergie connue (comme 5,02 TeV) et la nouvelle énergie. C'est comme dire : « Si la collision à l'Énergie A produit 100 particules, l'Énergie B en produira 120 », indépendamment de la taille totale de l'expérience.
• Comparaison : L'article montre que ce « Prédicteur Intelligent » s'accorde avec les meilleures mathématiques théoriques à haute vitesse, correspond aux méthodes simples de « reliaison des points » à basse vitesse, et comble le fossé au milieu là où les autres méthodes peinent.

Pourquoi Cela Compte
Avec cet outil, les scientifiques peuvent désormais calculer le « Facteur de Modification Nucléaire » ($R_{AA}$) pour de nouvelles expériences (comme celles du Run 3 du LHC) sans attendre des années pour obtenir une mesure proton-proton directe. Il fournit une carte continue et lisse du comportement des particules sur une large gamme d'énergies, éliminant la nécessité de supposer que les données suivent une forme mathématique spécifique et rigide.

En bref, l'article présente un outil d'apprentissage automatique qui apprend des collisions de protons passées pour prédire avec précision ce qui se produira dans les collisions futures à des énergies que nous n'avons pas encore mesurées, agissant comme une référence fiable pour étudier la matière la plus chaude de l'univers.

Résumé technique

Résumé technique : Prédictions des réseaux de neurones profonds pour les spectres de référence $p_T$ pp à $\sqrt{s}$ non mesurés

Énoncé du problème
Dans l'étude du plasma de quarks et de gluons (QGP) via des collisions d'ions lourds à haute énergie, le facteur de modification nucléaire ($R_{AA}$) est une observable critique. Son calcul nécessite une mesure de référence proton–proton (pp) à la même énergie de centre de masse par paire de nucléons ($\sqrt{s_{NN}}$) que la collision d'ions lourds. Cependant, des mesures pp appropriées sont souvent indisponibles pour des énergies spécifiques pertinentes pour les cycles actuels ou futurs d'ions lourds. Traditionnellement, ces références sont construites en mettant à l'échelle des spectres existants à l'aide de dépendances énergétiques théoriques (fiables uniquement à haut $p_T$) ou en interpolant entre des points expérimentaux en utilisant des formes fonctionnelles supposées (par exemple, lois de puissance ou mise à l'échelle $x_T$). Ces approches classiques reposent sur des hypothèses spécifiques concernant la dépendance énergétique de la production de particules, qui peuvent ne pas être valables dans toutes les régions cinématiques, en particulier à $p_T$ intermédiaire ou pour des énergies non mesurées.

Méthodologie
Ce travail présente une approche basée sur les données utilisant des réseaux de neurones profonds (DNN) pour interpoler et extrapoler les spectres de moment transverse ($p_T$) de particules chargées inclusives vers des énergies de collision non mesurées, sans supposer de forme fonctionnelle spécifique pour la dépendance énergétique.

• Jeu de données et prétraitement : Le modèle est entraîné sur des données ALICE des Runs 1 et 2 du LHC, couvrant cinq énergies de collision ($\sqrt{s} = 2,76, 5,02, 7, 8, \text{et } 13 \text{ TeV}$). Le jeu de données comprend 46 valeurs de $dN/dp_T$ par énergie dans l'intervalle $0,15 < p_T < 10 \text{ GeV}/c$. Pour optimiser les performances, les variables d'entrée ($p_T, \sqrt{s}$) et les sorties ($dN/dp_T$) subissent une transformation logarithmique. Une mise à l'échelle supplémentaire par $1/p_T$ est appliquée aux sorties pour faciliter l'extrapolation à faible $p_T$. Les incertitudes systématiques sont prises en compte en faisant varier les points de données 500 fois dans leurs limites.
• Architecture du modèle et entraînement : Un DNN entièrement connecté implémenté dans TensorFlow est entraîné en utilisant l'optimiseur Nadam pour minimiser l'erreur absolue moyenne (MAE). L'architecture est déterminée via un balayage d'hyperparamètres (variation des couches, des nœuds, des fonctions d'activation, des initialisateurs, des taux d'apprentissage et des tailles de lot) utilisant l'optimisation bayésienne. Le balayage utilise des données simulées PYTHIA (réglage Monash 2013) pour identifier l'architecture optimale.
• Estimation des incertitudes : L'incertitude totale est dérivée de deux sources :
  1. Incertitude aléatoire : Quantifiée par l'entraînement d'un ensemble de 20 modèles ayant la même architecture mais des valeurs d'initialisation différentes.
  2. Incertitude épistémique : Quantifiée par un ensemble de cinq modèles ayant des architectures différentes (les cinq meilleurs du balayage d'hyperparamètres).
     L'incertitude totale est la somme quadratique de ces deux composantes.
• Validation et application : L'architecture sélectionnée via PYTHIA est validée contre un jeu de données indépendant de simulations EPOS LHC. Le « DNN basé sur ALICE » final est ensuite entraîné sur les données réelles d'ALICE. Pour améliorer l'extrapolation à haut $p_T$, l'ensemble d'entraînement est étendu avec des données paramétrées par une loi de puissance jusqu'à $p_T = 50 \text{ GeV}/c$.

Résultats clés

• Interpolation et extrapolation : Le DNN atteint une excellente description des données d'entraînement et une interpolation précise dans la plage d'énergies mesurées. Les performances d'extrapolation se dégradent à mesure que la différence d'énergie par rapport aux données d'entraînement augmente ; les écarts sont les plus significatifs à la plus basse énergie non mesurée ($\sqrt{s} = 1,5 \text{ TeV}$) et à haut $p_T$ ($> 10 \text{ GeV}/c$).
• Comparaison avec d'autres méthodes :
  • À faible $p_T$, le DNN s'aligne bien avec les simulations PYTHIA et les interpolations par loi de puissance.
  • À $p_T$ intermédiaire, le DNN reste cohérent avec les approches par loi de puissance jusqu'à $\approx 5 \text{ GeV}/c$.
  • À haut $p_T$, les prédictions du DNN s'alignent avec les calculs NLO pQCD et les interpolations basées sur $x_T$ sur la région de chevauchement ($3 < p_T < 50 \text{ GeV}/c$).
  • Contrairement aux interpolations par loi de puissance, qui montrent des fluctuations dues à un ajustement intervalle par intervalle, le DNN fournit une prédiction lisse et continue.
• Construction de spectres de référence : Les auteurs démontrent la construction de spectres de référence $p_T$ pp pour le Run 3 du LHC et au-delà ($\sqrt{s} = 5,36, 6,37, 9,62, \text{et } 13,6 \text{ TeV}$). Cela est réalisé en mettant à l'échelle une mesure de référence ($\sqrt{s} = 5,02 \text{ TeV}$) en utilisant le rapport des prédictions DNN aux énergies cible et de référence, corrigé par le rapport des sections efficaces inélastiques totales. Cela permet le calcul de $R_{AA}$ pour des collisions où aucune mesure pp directe n'existe, telles que les collisions pO à $\sqrt{s} = 9,62 \text{ TeV}$.

Portée et affirmations
L'article affirme que la méthode basée sur le DNN offre une alternative robuste et sans hypothèse aux méthodes traditionnelles d'interpolation théorique ou fonctionnelle pour construire des spectres de référence pp. En évitant les hypothèses sur les processus physiques sous-jacents régissant la dépendance énergétique des spectres, le modèle fournit des prédictions continues sur une large plage de $p_T$ ($0,10 - 50 \text{ GeV}/c$) et de plage d'énergie ($1,5 - 27 \text{ TeV}$). Les auteurs notent que, bien que le modèle ait été entraîné sur des particules chargées inclusives, l'approche est extensible à des espèces de particules individuelles. La méthode comble avec succès le fossé entre les mesures existantes et les exigences énergétiques des futurs programmes d'ions lourds, facilitant l'analyse des propriétés du QGP lors des prochains cycles du LHC.