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

Sintesi Tecnica: Collisioni Ultra-Periferiche come Interferometro della Struttura Nucleare con Deep Learning Multitask Interpretabile

Problematica
La determinazione precisa della struttura nucleare, specificamente l'estrazione simultanea della deformazione della forma collettiva (ad es. deformazione quadrupolare $\beta_2$) e dello spessore della pelle neutronica ($\Delta r_{np}$), rimane una sfida significativa. Le classiche sonde, come lo scattering elettronico elastico, affrontano un "problema di entanglement strutturale" dove le firme della deformazione e della pelle neutronica sono inestricabilmente accoppiate negli osservabili. Sebbene le collisioni ultra-periferiche (UPC) offrano una via per la tomografia a interferenza coerente — dove il campo elettromagnetico potenziato di un nucleo agisce come una sorgente laser e i due nuclei aggono come un'apertura a doppia fenditura — l'estrazione di vincoli quantitativi dalle distribuzioni del momento trasverso ($p_\perp$) è un problema inverso difficile.

La difficoltà principale deriva dalla "degenerazione olografica". Negli esperimenti, i nuclei sono orientati casualmente, portando a una media d'insieme che sfuma le fasi di interferenza. Questa fluttuazione stocastica riempie i minimi di interferenza e crea distorsioni correlate nello spettro che semplici inversioni analitiche non possono disaggregare. Inoltre, le realtà sperimentali, come la risoluzione finita dei detector, i background di fotoproduzione incoerente e il tagging dei neutroni, rimodellano la distribuzione dell'impatto-parametro effettiva, oscurando ulteriormente la netta separazione tra i pattern di diffrazione (sensibili alla pelle neutronica) e di interferenza (sensibili alla deformazione).

Metodologia
Gli autori propongono un framework di Deep Learning multitask interpretabile concettualizzato come una "lente potenziata dall'IA" per mappare le distribuzioni del momento trasverso direttamente su molteplici indicatori della struttura nucleare.

1. Modellazione Fisica: Lo studio simula la fotoproduzione coerente di $J/\psi$ in collisioni $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ a $\sqrt{s_{NN}} = 200$ GeV utilizzando un framework Glauber Vector-Meson-Dominance (VMD). La densità nucleare è modellata con un profilo Woods–Saxon deformato che incorpora deformazioni quadrupolari ($\beta_2$) e ottupolari ($\beta_3$), nonché distribuzioni distinte di protoni e neutroni per modellare tipi di pelle neutronica di tipo "skin" o "halo".
2. Generazione dei Dati: La simulazione genera distribuzioni del momento trasverso 2D ($p_x, p_y$) mediate su angoli di Euler casuali per mimare la media d'insieme sperimentale. Fondamentalmente, il dataset di addestramento include sia segnali coerenti che background incoerenti (modellati tramite approcci Glauber standard) per costringere la rete a imparare caratteristiche geometriche robuste e resilienti alla contaminazione da background.
3. Architettura della Rete: Il framework impiega una backbone ResNet-34 per elaborare le immagini di 224 $\times$ 224. L'architettura utilizza un estrattore di caratteristiche condiviso (Stadi 1–4) seguito da tre teste specifiche per il task: due teste di regressione per $\beta_2$ e $\beta_3$, e una testa di classificazione per il tipo di pelle neutronica (Skin, Halo o None). Questo design multitask forza la rete a imparare una rappresentazione latente unificata che cattura la dipendenza congiunta dell'interferogramma dagli effetti strutturali.
4. Interpretabilità: Per validare la rilevanza fisica del modello, gli autori applicano l'Analisi della Differenza di Predizione (PDA) per identificare quali regioni dello spazio del momento guidano inferenze specifiche.

Risultati Chiave

• Performance: Il modello dimostra un'elevata accuratezza in un ambiente di stress-test che include background incoerenti. Per livelli di background realistici ($n=1$), il framework raggiunge un $R^2 \approx 0.96$ per $\beta_2$ e un $R^2 \approx 0.93$ per $\beta_3$, con un'accuratezza del 99.3% nella classificazione dei tipi di pelle neutronica. Anche quando la sezione d'urto incoerente è amplificata di due ordini di grandezza ($n=100$), il modello mantiene una performance robusta, sebbene $\beta_3$ (che induce modifiche più sottili e localizzate) degradi leggermente più velocemente di $\beta_2$.
• Disaccoppiamento delle Caratteristiche: L'analisi di interpretabilità rivela che la rete separa con successo i driver fisici dei due settori strutturali. La regressione dei parametri di deformazione ($\beta_2, \beta_3$) è guidata principalmente dalle frange di interferenza scure (regioni sensibili alla fase), mentre la classificazione del tipo di pelle neutronica si basa sui bordi degli spot di diffrazione luminosi (regioni sensibili all'ampiezza).
• Derivazione degli Osservabili: Gli autori traducono queste caratteristiche apprese in osservabili cinematici accessibili sperimentalmente:
  • Deformazione: Mappata sul "valore medio delle frange" (intensità media del 5% più basso dei pixel), che correla con il rapporto di resa a bassissimo $p_T$ ($< 0.005$ GeV/c) e con i coefficienti di flusso anisotropo ($v_2, v_3$) nel regime di basso $p_T$.
  • Pelle Neutronica: Mappata sulla "larghezza a metà altezza" (HWHM) degli spot luminosi, che correla con il momento trasverso medio $\langle p_T \rangle$ e con i coefficienti di flusso anisotropo nella regione di $p_T$ più elevata ($0.14 < p_T < 0.16$ GeV/c).

Significatività e Rivendicazioni
L'articolo sostiene di fornire una soluzione al problema di lungo corso del vincolo simultaneo della deformazione nucleare e dello spessore della pelle neutronica senza le degenerazioni di parametri inerenti alle procedure di fitting convenzionali. Trattando le UPC come esperimenti a doppia fenditura femtoscopici e applicando il deep learning, gli autori dimostrano che le firme intrecciate della forma nucleare e della diffusità superficiale possono essere efficacementi disaccoppiate.

Il contributo primario non è meramente l'applicazione del machine learning, ma l'interpretabilità del modello, che colma il divario tra forme spettrali ad alta dimensionalità e specifici intervalli cinematici. Gli autori sostengono che gli standard degli armoniche di flusso e i rapporti di resa entro gli intervalli cinematici identificati possano servire come proxy per i complessi pattern di interferenza, permettendo vincoli quantitativi sulla geometria nucleare senza richiedere la ricostruzione completa dell'immagine o fit globali dipendenti dal modello. Il lavoro suggerisce che questa "lente potenziata dall'IA" può estendersi alla sonda delle densità di gluoni spaziali e delle distribuzioni di partoni generalizzate (GPD), offrendo una nuova via per immagini del nucleo alla scala del femtometro.