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

Sintesi Tecnica: Apprendimento Automatico del Parametro di Impatto nelle Collisioni di Ioni Pesanti a $\sqrt{s_{NN}} = 4$ e 11 GeV

Definizione del Problema
Determinare la centralità della collisione, definita dal parametro di impatto ($b$), è un prerequisito fondamentale per l'analisi degli esperimenti di collisioni di ioni pesanti (HIC), in particolare alle energie intermedie ($\sqrt{s_{NN}} \approx$ pochi GeV) rilevanti per strutture come STAR-FXT, NICA/MPD e FAIR/CBM. A differenza delle energie ultra-relativistiche, il classico modello di Glauber, che si basa sull'approssimazione eicolale, diventa inaffidabile a queste energie inferiori a causa della lunghezza d'onda di de Broglie comparabile alle dimensioni nucleari. Inoltre, i metodi tradizionali di determinazione della centralità spesso si affidano al fitting di osservabili sperimentali (ad esempio, la molteplicità di particelle cariche) a simulazioni di modelli di trasporto. Questo approccio è intrinsecamente dipendente dal modello; diversi modelli di trasporto (ad esempio, UrQMD, AMPT, JAM) possono produrre rese e distribuzioni di particelle significativamente diverse per lo stesso parametro di impatto. Di conseguenza, una calibrazione della centralità derivata da un modello può non generalizzarsi a un altro o ai dati sperimentali reali, introducendo incertezze sistematiche che possono eguagliare o superare quelle dell'equazione di stato nucleare.

Metodologia
Gli autori impiegano un framework di apprendimento automatico (ML) supervisionato e non supervisionato per ricostruire il parametro di impatto nelle collisioni Au+Au a $\sqrt{s_{NN}} = 4$ e 11 GeV.

• Generazione dei Dati: Dataset etichettati sono stati generati utilizzando tre distinti modelli di trasporto: il modello di dinamica molecolare quantistica ultra-relativistica (UrQMD), il modello di trasporto multifase (AMPT) e il modello JAM. Per massimizzare lo spazio dei parametri e testarne la robustezza, sono state utilizzate sei configurazioni specifiche:
  • UrQMD con tre setup: Mean-field + Hard-sphere (MH), Cascade + Hard-sphere (CH) e Cascade + Woods-Saxon (CW).
  • AMPT con la versione "string-melting".
  • JAM con due setup: modalità Cascade con Woods-Saxon (C) e modalità Mean-field con EoS soft (M).
  • Per ogni configurazione, sono stati simulati 10.000 eventi Au+Au. Il dataset è stato diviso in 6.000 eventi di addestramento e 4.000 eventi di test.
• Caratteristiche di Input (Features): Sono state selezionate sei osservabili per evento come caratteristiche di input: le rese di pioni carichi ($N_{\pi^-}, N_{\pi^+}$), le rese di pioni carichi a rapidità intermedia ($n_{\pi^-}, n_{\pi^+}$) e le quantità totali di momento trasverso dei pioni carichi ($p_{t\pi^-}, p_{t\pi^+}$). Queste sono state scelte per la loro misurabilità e per le fluttuazioni per evento relativamente basse rispetto ad altre osservabili.
• Algoritmi:
  • Apprendimento Supervisionato: L'algoritmo LightGBM (Light Gradient Boosting Machine) è stato utilizzato per la regressione (predizione del valore continuo di $b$) e la classificazione (assegnazione degli eventi a classi di centralità).
  • Apprendimento Non Supervisionato: L'algoritmo di clustering K-means è stato applicato per partizionare gli eventi in classi di centralità basandosi esclusivamente sulle osservabili di input, senza etichette di $b$ predefinite.
• Strategia di Cross-Validazione: È stata eseguita una verifica rigorosa in cui modelli addestrati su i dati di un modello di trasporto (o setup specifico) sono stati testati su dati generati da modelli differenti. Ciò è stato confrontato con un metodo di base tradizionale basato sul fitting polinomiale di terzo ordine che mette in relazione la resa dei pioni carichi con il parametro di impatto.

Risultati Chiave

1. Performance di Regressione:

   • L'algoritmo LightGBM ha raggiunto un Errore Assoluto Medio (MAE) compreso tra 0,2 e 0,4 fm in tutti gli scenari.
   • Fondamentalmente, questa elevata accuratezza è persistita anche nel test cross-modello (ad esempio, addestramento su UrQMD/CH e test su AMPT). Il MAE è rimasto basso, indicando forti capacità di generalizzazione.
   • Al contrario, il metodo tradizionale di fitting polinomiale ha performato bene solo quando i dati di addestramento e di test provenivano dallo stesso modello. Quando applicato a dati provenienti da modelli diversi, il fit polinomiale ha fallito significativamente, producendo grandi deviazioni perché i parametri del fit non erano trasferibili tra modelli con diverse assunzioni fisiche sottostanti.

2. Performance di Classificazione:

   • Il modello ML ha classificato con successo gli eventi in sei classi di centralità (0–5%, 5–10%, ..., >60%).
   • Nella validazione cross-modello, le frazioni di eventi previste in ciascuna classe di centralità deviavano dai valori reali della simulazione di solo ~1%.
   • Le distribuzioni del parametro di impatto predette dal ML mantenevano una forma fluida, simile a una Gaussiana, coerente con le simulazioni originali, dimostrando che l'algoritmo ha appreso i pattern statistici generali delle HIC piuttosto che memorizzare artefatti specifici del modello.

3. Clustering Non Supervisionato:

   • L'algoritmo K-means ha identificato autonomamente sei cluster distinti nello spazio delle caratteristiche (molteplicità dei pioni normalizzata vs momento trasverso normalizzato) che corrispondevano direttamente alle sei classi di centralità.
   • Questi cluster mostravano una sovrapposizione minima e si allineavano con l'aspettativa fisica secondo cui le collisioni centrali (piccolo $b$) producono alta molteplicità e momento trasverso, mentre le collisioni periferiche (grande $b$) producono valori bassi.
   • Ciò è stato ottenuto senza alcuna dipendenza da binning basato su modelli predefiniti o parametri di impatto di verità fondamentale (ground-truth) durante il processo di clustering.

Significatività e Rivendicazioni
L'articolo sostiene che l'apprendimento automatico offre una soluzione robusta e indipendente dal modello per la determinazione del parametro di impatto nel regime di energia intermedia. La principale significatività risiede nella capacità di generalizzazione dimostrata: un algoritmo di ML addestrato sui dati di un modello di trasporto può predire accuratamente i parametri di impatto per dati generati da modelli interamente differenti. Ciò affronta il problema critico della dipendenza dal modello che affligge i metodi tradizionali di determinazione della centralità.

Gli autori affermano che questo approccio:

• Supera i limiti del modello di Glauber e del tradizionale fitting polinomiale alle energie intermedie.
• Fornisce un framework guidato dai dati che può essere generalizzato per gestire dati sperimentali reali provenienti da strutture come STAR-FXT, NICA e FAIR.
• Stabilisce una base per un'estrazione più affidabile delle proprietà della materia nucleare (come l'equazione di stato) riducendo le incertezze sistematiche associate alla selezione della centralità.

Lo studio conclude che, sebbene l'attuale lavoro utilizzi dati di modelli di trasporto, la forte robustezza cross-modello suggerisce che il metodo è pronto per l'applicazione a osservabili sperimentali, potenzialmente migliorando la precisione dei futuri esperimenti di collisioni di ioni pesanti.