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

Résumé Technique : Les collisions ultra-périphériques comme interféromètre de structure nucléaire avec un apprentissage profond multitâche interprétable

Énoncé du Problème
La détermination précise de la structure nucléaire, spécifiquement l'extraction simultanée de la déformation de forme collective (par exemple, la déformation quadripolaire $\beta_2$) et de l'épaisseur de la peau de neutrons ($\Delta r_{np}$), demeure un défi significatif. Les sondes classiques comme la diffusion électronique élastique sont confrontées à un « problème d'enchevêtrement structurel » où les signatures de la déformation et de la peau de neutrons sont inextricablement couplées dans les observables. Bien que les collisions ultra-périphériques (UPC) offrent une voie vers une tomographie par interférence cohérente — où le champ électromagnétique boosté d'un noyau agit comme une source laser et les deux noyaux agissent comme une fente double — l'extraction de contraintes quantitatives à partir des distributions de quantité de mouvement transverse ($p_\perp$) constitue un problème inverse difficile.

La difficulté centrale réside dans la « dégénérescence holographique ». Dans les expériences, les noyaux sont orientés de manière aléatoire, ce qui conduit à une moyenne d'ensemble qui lisse les phases d'interférence. Cette fluctuation stochastique comble les minima d'interférence et crée des distorsions corrélées dans le spectre que les inversions analytiques simples ne peuvent pas démêler. De plus, les réalités expérimentales telles que la résolution finie des détecteurs, les fonds de photoproduction incohérents et le marquage de neutrons (neutron tagging) remodèlent la distribution effective du paramètre d'impact, obscurcissant davantage la séparation nette entre les motifs de diffraction (sensibles à la peau de neutrons) et d'interférence (sensibles à la déformation).

Méthodologie
Les auteurs proposent un cadre d'apprentissage profond multitâche interprétable, conceptualisé comme une « lentille améliorée par l'IA », pour cartographier les distributions de quantité de mouvement transverse directement vers de multiples indicateurs de structure nucléaire.

1. Modélisation Physique : L'étude simule la photoproduction cohérente de $J/\psi$ dans des collisions $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ à $\sqrt{s_{NN}} = 200$ GeV via un cadre de dominance du méson vectoriel (VMD) de type Glauber. La densité nucléaire est modélisée avec un profil de Woods–Saxon déformé incorporant des déformations quadripolaires ($\beta_2$) et octopolaires ($\beta_3$), ainsi que des distributions distinctes de protons et de neutrons pour modéliser les types de peaux de neutrons (peau ou halo).
2. Génération de Données : La simulation génère des distributions de quantité de mouvement transverse 2D ($p_x, p_y$) moyennées sur des angles d'Euler aléatoires pour imiter la moyenne d'ensemble expérimentale. Crucialement, l'ensemble de données d'entraînement inclut des signaux cohérents et des fonds incohérents (modélisés via des approches de Glauber standards) afin de forcer le réseau à apprendre des caractéristiques géométriques robustes, résilientes à la contamination par le fond.
3. Architecture du Réseau : Le cadre emploie un squelette ResNet-34 pour traiter les images de 224 $\times$ 224. L'architecture utilise un extracteur de caractéristiques partagé (Étapes 1–4) suivi de trois têtes spécifiques à la tâche : deux têtes de régression pour $\beta_2$ et $\beta_3$, et une tête de classification pour le type de peau de neutrons (Peau, Halo ou Aucun). Cette conception multitâche force le réseau à apprendre une représentation latente unifiée qui capture la dépendance conjointe de l'interférogramme aux effets structurels.
4. Interprétabilité : Pour valider la pertinence physique du modèle, les auteurs appliquent une Analyse de Différence de Prédiction (PDA) afin d'identifier quelles régions de l'espace de quantité de mouvement pilotent les inférences spécifiques.

Résultats Clés

• Performance : Le modèle démontre une grande précision dans un environnement de test de stress incluant des fonds incohérents. Pour des niveaux de fond réalistes ($n=1$), le cadre atteint $R^2 \approx 0,96$ pour $\beta_2$ et $R^2 \approx 0,93$ pour $\beta_3$, avec une précision de 99,3 % pour la classification des types de peau de neutrons. Même lorsque la section efficace incohérente est amplifiée de deux ordres de grandeur ($n=100$), le modèle maintient une performance robuste, bien que $\beta_3$ (qui induit des modifications plus subtiles et localisées) se dégrade légèrement plus vite que $\beta_2$.
• Désenchevêtrement des Caractéristiques : L'analyse d'interprétabilité révèle que le réseau sépare avec succès les moteurs physiques des deux secteurs structurels. La régression des paramètres de déformation ($\beta_2, \beta_3$) est principalement pilotée par les franges d'interférence sombres (régions sensibles à la phase), tandis que la classification du type de peau de neutrons repose sur les bords des taches de diffraction brillantes (régions sensibles à l'amplitude).
• Dérivation des Observables : Les auteurs traduisent ces caractéristiques apprises en observables cinématiques accessibles expérimentalement :
  • Déformation : Cartographiée par la « valeur moyenne de la frange » (intensité moyenne des 5 % de pixels les plus bas), qui est corrélée au rapport de rendement à très faible $p_T$ ($< 0,005$ GeV/c) et aux coefficients de flux anisotrope ($v_2, v_3$) dans le régime de faible $p_T$.
  • Peau de Neutrons : Cartographiée par la « largeur à mi-hauteur » (HWHM) des taches brillantes, qui est corrélée à la quantité de mouvement transverse moyenne $\langle p_T \rangle$ et aux coefficients de flux anisotrope dans la région de $p_T$ plus élevée ($0,14 < p_T < 0,16$ GeV/c).

Signification et Revendications
L'article affirme fournir une solution au problème de longue date consistant à contraindre simultanément la déformation nucléaire et l'épaisseur de la peau de neutrons sans les dégénérescences de paramètres inhérentes aux procédures d'ajustement conventionnelles. En traitant les UPC comme des expériences de fente double de type fétoscopique et en appliquant l'apprentissage profond, les auteurs démontrent que les signatures enchevêtrées de la forme nucléaire et de la diffusivité de surface peuvent être efficacement découplées.

La contribution primaire n'est pas simplement l'application de l'apprentissage automatique, mais l'interprétabilité de leur modèle, qui fait le pont entre les formes spectrales de haute dimension et les fenêtres cinématiques spécifiques. Les auteurs soutiennent que les harmoniques de flux et les rapports de rendement standards au sein des fenêtres cinématiques identifiées peuvent servir de substituts (proxies) aux complexes motifs d'interférence, permettant des contraintes quantitatives sur la géométrie nucléaire sans nécessiter de reconstruction d'image complète ou d'ajustements globaux dépendants d'un modèle. Ce travail suggère que cette « lentille améliorée par l'IA » peut s'étendre à l'étude des densités de gluons spatiaux et des distributions de partons généralisées (GPD), offrant une nouvelle voie pour imager le noyau à l'échelle du femtomètre.