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

技術要約：解釈可能なマルチタスク深層学習を用いた核構造干渉計としての超周辺衝突

問題提起
集団的な形状変形（例：四重極変形 $\beta_2$）と中性子スキン厚（$\Delta r_{np}$）の同時抽出、すなわち核構造の精密な決定は、依然として大きな課題である。弾性電子散乱のような古典的なプローブは、変形と中性子スキンのシグネチャーが観測量の中で不可分に結合しているという「構造的もつれ問題」に直面している。一方、超周辺衝突（UPC）は、一方の原子核の加速された電磁場がレーザー源として機能し、二つの原子核が二重スリットの開口部として機能する「コヒーレント干渉トモグラフィー」への経路を提供するが、得られる横運動量（$p_\perp$）分布から定量的な制約を抽出することは困難な逆問題である。

核心的な困難は「ホログラフィック縮退」に起因する。実験においては、原子核はランダムに配向しているため、アンサンブル平均によって干渉位相が平滑化される。この確率的な変動は、干渉の極小値を埋め、単純な解析的反転では分離できない相関した歪みをスペクトルに生じさせる。さらに、有限の検出器分解能、非コヒーレント光生成バックグラウンド、および中性子タギングといった実験的実態が、有効なインパクトパラメータ分布を再形成し、回折（中性子スキンに敏感）と干渉（変形に敏感）のパターンを明確に分離することをさらに困難にしている。

手法
著者らは、核構造の複数の指標を横運動量分布から直接マッピングするための、「AI強化レンズ」として概念化された、解釈可能なマルチタスク深層学習フレームワークを提案している。

1. 物理モデリング： 本研究では、Glauber ベクター・メソン・ドミナンス（VMD）フレームワークを用いて、$\sqrt{s_{NN}} = 200$ GeV における $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ 衝突におけるコヒーレント $J/\psi$ 光生成をシミュレートしている。核密度は、四重極（$\beta_2$）および八重極（$\beta_3$）変形、ならびにスキン型やハロー型の中性子分布をモデル化するために、変形した Woods–Saxon プロファイルを用いてモデル化されている。
2. データ生成： シミュレーションは、実験的なアンサンブル平均を模倣するために、オイラー角をランダムに平均化した2D横運動量分布（$p_x, p_y$）を生成する。極めて重要な点として、訓練データセットにはコヒーレント信号と非コヒーレント・バックグラウンド（標準的な Glauber アプローチでモデル化）の両方が含まれており、これによりネットワークがバックグラウンドの混入に対して頑健な幾何学的特徴を学習するように強制している。
3. ネットワーク・アーキテクチャ： フレームワークは、224 $\times$ 224 の入力画像を処理するために ResNet-34 バックボーンを採用している。このアーキテクチャは、共有特徴抽出器（ステージ1〜4）と、3つのタスク固有のヘッド（$\beta_2$ と $\beta_3$ のための2つの回帰ヘッド、および中性子スキン型（Skin, Halo, または None）のための1つの分類ヘッド）で構成されている。このマルチタスク設計により、ネットワークは干渉縞の結合依存性を捉える統一された潜在表現を学習することを強制される。
4. 解釈可能性： モデルの物理的な妥当性を検証するため、著者らは予測差分析（PDA）を適用し、どの運動量空間領域が特定の推論を駆動しているかを特定している。

主な結果

• 性能： モデルは、非コヒーレント・バックグラウンドを含むストレス・テスト環境において高い精度を示している。現実的なバックグラウンドレベル（$n=1$）において、本フレームメントは $\beta_2$ に対して $R^2 \approx 0.96$、$\beta_3$ に対して $R^2 \approx 0.93$ を達成し、中性子スキン型の分類において 99.3% の精度を実現している。非コヒーレント断面積が2桁増幅された場合（$n=100$）でも、モデルは頑健な性能を維持しているが、$\beta_3$（より微細で局所的な修正を誘発するもの）は $\beta_2$ よりもわずかに早く劣化する。
• 特徴量の分離： 解釈可能性分析により、ネットワークが物理的な駆動因子となる2つの構造セクターを正常に分離していることが明らかになった。変形パラメータ（$\beta_2, \beta_3$）の回帰は、主に暗い干渉縞（ダーク・フリンジ）（位相に敏感な領域）によって駆動される一方、中性子スキン型の分類は、明るい回折スポットの端（エッジ）（振幅に敏感な領域）に依存している。
• 観測量の導出： 著者らは、学習されたこれらの特徴量を、実験的にアクセス可能な運動学的観測量へと変換している。
  • 変形： 「フリンジ平均値」（最も低い5%のピクセルの平均強度）にマッピングされ、これは非常に低い $p_T$（$< 0.005$ GeV/c）における収率比および異方性流係数（$v_2, v_3$）と相関する。
  • 中性子スキン： 明るいスポットの「半値全幅（HWHM）」にマッピングされ、これは高い $p_T$ 領域（$0.14 < p_T < 0.16$ GeV/c）における平均横運動量 $\langle p_T \rangle$ および異方性流係数と相関する。

意義および主張
本論文は、従来のフィッティング手順に内在するパラメータの縮退なしに、核変形と中性子スキン厚を同時に制約するという長年の問題に対する解決策を提供すると主張している。UPC をフェムト秒スケールの二重スリット実験として扱い、深層学習を適用することで、著者らは核の形状と表面の拡散性の絡み合ったシグネチャーを効果的に分離できることを示している。

本研究の主要な貢献は、単なる機械学習の適用ではなく、その解釈可能性であり、これが高次元のスペクトル形状と特定の運動学的窓との間の架け橋となっている。著者らは、特定された運動学的窓内での標準的なフロー・ハーモニクスや収率比が、複雑な干渉パターンのプロキシ（代理指標）として機能し、モデル依存のグローバル・フィットや完全な画像再構成を必要とせずに、核の幾何学に関する定量的な制約を与えることができると主張している。この研究は、この「AI強化レンズ」が空間的なグルーオン密度や一般化パルトン分布（GPD）を探索することにも拡張可能であり、フェムトメートルスケールで原子核をイメージングするための新たな経路を提供することを示唆している。