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

Résumé technique : Apprentissage automatique du paramètre d'impact dans les collisions d'ions lourds à $\sqrt{s_{NN}} = 4$ et 11 GeV

Énoncé du problème
La détermination de la centralité de la collision, définie par le paramètre d'impact ($b$), est une condition préalable fondamentale pour l'analyse des expériences de collisions d'ions lourds (HIC), particulièrement aux énergies intermédiaires ($\sqrt{s_{NN}} \approx$ quelques GeV) pertinentes pour des installations telles que STAR-FXT, NICA/MPD et FAIR/CBM. Contrairement aux énergies ultra-relativistes, le modèle de Glauber classique, qui repose sur l'approximation eikonal, devient peu fiable à ces énergies plus basses en raison de la longueur d'onde de de Broglie comparable à la taille nucléaire. De plus, les méthodes traditionnelles de détermination de la centralité reposent souvent sur l'ajustement d'observables expérimentales (par exemple, la multiplicité des particules chargées) à des simulations de modèles de transport. Cette approche est intrinsèquement dépendante du modèle ; différents modèles de transport (par exemple, UrQMD, AMPT, JAM) peuvent produire des rendements et des distributions de particules significativement différents pour un même paramètre d'impact. Par conséquent, un étalonnage de la centralité dérivé d'un modèle peut ne pas se généraliser à un autre ou aux données expérimentales réelles, introduisant des incertitudes systématiques qui peuvent rivaliser avec, voire dépasser, celles de l'équation d'état nucléaire.

Méthodologie
Les auteurs emploient un cadre d'apprentissage automatique (ML) supervisé et non supervisé pour reconstruire le paramètre d'impact dans les collisions Au+Au à $\sqrt{s_{NN}} = 4$ et 11 GeV.

• Génération de données : Des ensembles de données étiquetés ont été générés à l'aide de trois modèles de transport distincts : le modèle d'une dynamique moléculaire quantique ultra-relativiste (UrQMD), le modèle de transport multiphasique (AMPT) et le modèle JAM. Pour maximiser l'espace des paramètres et tester la robustesse, six configurations spécifiques ont été utilisées :
  • UrQMD avec trois configurations : Champ moyen + Sphère dure (MH), Cascade + Sphère dure (CH) et Cascade + Woods-Saxon (CW).
  • AMPT avec la version "string-melting".
  • JAM avec deux configurations : Mode Cascade avec Woods-Saxon (C) et Mode Champ moyen avec EoS douce (M).
  • Pour chaque configuration, 10 000 événements Au+Au ont été simulés. L'ensemble de données a été divisé en 6 000 événements d'entraînement et 4 000 événements de test.
• Caractéristiques d'entrée (Features) : Six observables par événement ont été sélectionnées comme caractéristiques d'entrée : les rendements des pions chargés ($N_{\pi^-}, N_{\pi^+}$), les rendements en rapidité intermédiaire des pions chargés ($n_{\pi^-}, n_{\pi^+}$) et les impulsions transverses totales des pions chargés ($p_{t\pi^-}, p_{t\pi^+}$). Celles-ci ont été choisies pour leur mesurabilité et leurs fluctuations par événement relativement faibles par rapport à d'autres observables.
• Algorithmes :
  • Apprentissage supervisé : L'algorithme LightGBM (Light Gradient Boosting Machine) a été utilisé pour la régression (prédiction du $b$ continu) et la classification (assignation des événements à des classes de centralité).
  • Apprentissage non supervisé : L'algorithme de clustering K-means a été appliqué pour partitionner les événements en classes de centralité basées uniquement sur les caractéristiques d'entrée, sans étiquettes de $b$ prédéfinies.
• Stratégie de validation croisée : Un contrôle rigoureux a été effectué où des modèles entraînés sur les données d'un modèle de transport (ou d'une configuration spécifique) ont été testés sur des données générées par différents modèles. Ceci a été comparé à une méthode de référence traditionnelle utilisant un ajustement polynomial de troisième ordre reliant le rendement des pions chargés au paramètre d'impact.

Résultats clés

1. Performance de la régression :

   • L'algorithme LightGBM a atteint une erreur absolue moyenne (MAE) comprise entre 0,2 et 0,4 fm dans tous les scénarios.
   • Crucialement, cette haute précision a persisté même lors des tests croisés entre modèles (par exemple, entraînement sur UrQMD/CH et test sur AMPT). La MAE est restée faible, indiquant de fortes capacités de généralisation.
   • En revanche, la méthode traditionnelle d'ajustement polynomial a bien fonctionné uniquement lorsque les données d'entraînement et de test provenaient du même modèle. Appliquée à des données provenant de modèles différents, la régression polynomiale a échoué de manière significative, produisant de grands écarts car les paramètres ajustés n'étaient pas transférables entre des modèles ayant des hypothèses physiques sous-jacentes différentes.

2. Performance de la classification :

   • Le modèle de ML a réussi à classifier les événements en six classes de centralité (0–5 %, 5–10 %, ..., >60 %).
   • Lors de la validation croisée entre modèles, les fractions prédites d'événements dans chaque classe de centralité ne s'écartaient que d'environ ~1 % des valeurs réelles de la simulation.
   • Les distributions du paramètre d'impact prédites par le ML ont conservé une forme lisse, de type gaussienne, cohérente avec les simulations originales, démontrant que l'algorithme a appris les motifs statistiques généraux des HIC plutôt que de mémoriser des artefacts spécifiques aux modèles.

3. Clustering non supervisé :

   • L'algorithme K-means a identifié de manière autonome six clusters distincts dans l'espace des caractéristiques (multiplicité des pions normalisée vs impulsion transverse normalisée) qui correspondaient directement aux six classes de centralité.
   • Ces clusters présentaient un chevauchement minimal et s'alignaient sur l'attente physique selon laquelle les collisions centrales (petit $b$) produisent une multiplicité et une impulsion transverse élevées, tandis que les collisions périphériques (grand $b$) produisent des valeurs faibles.
   • Cela a été réalisé sans aucun recours à un partitionnement prédéfini basé sur le modèle ou à des paramètres d'impact de vérité terrain pendant le processus de clustering.

Signification et affirmations
L'article affirme que l'apprentissage automatique offre une solution robuste et indépendante du modèle pour la détermination du paramètre d'impact dans le régime des énergies intermédiaires. La principale signification réside dans la capacité de généralisation démontrée : un algorithme de ML entraîné sur les données d'un modèle de transport peut prédire avec précision les paramètres d'impact pour des données générées par des modèles entièrement différents. Cela répond au problème critique de la dépendance au modèle qui affecte les méthodes traditionnelles de détermination de la centralité.

Les auteurs soutiennent que cette approche :

• Surpasse les limitations du modèle de Glauber et de l'ajustement polynomial traditionnel aux énergies intermédiaires.
• Fournit un cadre fondé sur les données qui peut être généralisé pour traiter les données expérimentales réelles provenant d'installations comme STAR-FXT, NICA et FAIR.
• Établit une base pour une extraction plus fiable des propriétés de la matière nucléaire (telle que l'équation d'état) en réduisant les incertitudes systématiques associées à la sélection de la centralité.

L'étude conclut que, bien que le présent travail utilise des données de modèles de transport, la forte robustesse inter-modèles suggère que la méthode est prête pour une application aux observables expérimentales, améliorant potentiellement la précision des futures expériences de collisions d'ions lours.