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

技術要約：$\sqrt{s_{NN}} = 4$ および 11 GeV における重イオン衝突の衝撃パラメータの機械学習

問題提起
衝突中心性（インパクトパラメータ $b$ によって定義される）の決定は、STAR-FXT、NICA/MPD、FAIR/CBM などの施設に関連する中間エネルギー領域（$\sqrt{s_{NN}} \approx$ 数 GeV）における重イオン衝突（HIC）実験を解析するための基本的な前提条件である。超相対論的なエネルギー時とは異なり、古典的なグローバー・モデルは、エイコナル近似に依存しているため、この低エネルギー領域では、ド・ブロイ波長と原子核のサイズが同程度になることから信頼性が低下する。さらに、従来の centrality（中心性）決定法は、実験的な観測量（例：荷電粒子多重度）を輸送モデルのシミュレーションにフィッティングすることに依存することが多い。この手法は本質的にモデル依存的である。異なる輸送モデル（例：UrQMD、AMPT、JAM）は、同じ衝撃パラメータに対して、著しく異なる粒子収量や分布をもたらす可能性がある。その結果、あるモデルから導出された中心性キャリブレーションは他のモデルや実際の実験データに汎用できない可能性があり、核物質の状態方程式（EoS）による系統誤差に匹敵するか、それを上回る系統的な不確実性を導入することになる。

手法
著者らは、Au+Au 衝突における $\sqrt{s_{NN}} = 4$ および 11 GeV での衝撃パラメータを再構成するために、教師あり学習および教師なし学習（ML）フレームワークを採用している。

• データ生成: ラベル付きデータセットは、3 つの異なる輸送モデル、すなわち超相対論的量子分子動力学（UrQMD）モデル、マルチフェーズ輸送（AMPT）モデル、および JAM モデルを使用して生成された。パラメータ空間を最大化し、堅牢性をテストするために、6 つの特定の構成が利用された：
  • UrQMD による 3 つの設定：平均場 + 硬球（MH）、カスケード + 硬球（CH）、および カスケード + ウッズ・サクソン（CW）。
  • String-melting 版の AMPT。
  • JAM による 2 つの設定：Woods-Saxon を用いたカスケードモード（C）および 軟らかい EoS を用いた平均場モード（M）。
    各構成について、10,000 個の Au+Au イベントがシミュレートされた。データセットは、6,000 個の訓練イベントと 4,000 個のテストイベントに分割された。
• 入力特徴量: 6 つのイベントごとの観測量が入力特徴量として選択された。それは、荷電パイ中間子の収量（$N_{\pi^-}, N_{\pi^+}$）、荷電パイ中間子のミッドラピディティ収量（$n_{\pi^-}, n_{\pi^+}$）、および荷電パイ中間子の全横運動量（$p_{t\pi^-}, p_{t\pi^+}$）である。これらは、測定可能性が高く、他の観測量と比較してイベントごとのゆらぎが比較的小さいことから選定された。
• アルゴリズム:
  • 教師あり学習: 回帰（連続的な $b$ の予測）および分類（イベントを中心性クラスに割り当てる）のために、LightGBM（Light Gradient Boosting Machine）アルゴリズムが使用された。
  • 教師なし学習: 入力観測量のみに基づいてイベントを中心性クラスに分割するために、K-means クラスタリングアルゴリズムが適用された（事前に定義された $b$ ラベルは使用しない）。
• 交差検証戦略: ある輸送モデル（または特定のセットアップ）から訓練されたモデルを、異なるモデルから生成されたデータでテストするという厳格なクロスチェックが行われた。これは、荷電パイ中間子収量と衝撃パラメータを関連付ける 3 次多項式フィットを用いた従来のベースライン手法と比較された。

主な結果

1. 回帰性能:

   • LightGBM アルゴリズムは、すべてのシナリオにおいて 0.2 から 0.4 fm の平均絶対誤差（MAE）を達成した。
   • 極めて重要なことに、この高い精度はクロスモデル・テスト（例：UrQMD/CH で訓練し、AMPT でテストする）においても維持された。MAE は低いままであり、強力な汎化能力を示した。
   • 対照的に、従来の多項式フィット法は、訓練データとテストデータが同一のモデルから来た場合にのみ良好に機能した。異なるモデルに適用された場合、多項式フィットは大幅に失敗し、大きな偏差を生じた。これは、適合されたパラメータが、異なる基礎的な物理的仮定を持つモデル間では転送可能ではないためである。

2. 分類性能:

   • ML モデルは、6 つの中心性クラス（0–5%、5–10%、..., >60%）へのイベントの分類に成功した。
   • クロスモデル検証において、予測された各中心性クラスにおけるイベントの割合は、真のシミュレーション値からわずか ~1% しか逸脱しなかった。
   • ML によって予測された衝撃パラメータ分布は、元のシミュレーションと一致する滑らかなガウス型に近い形状を維持しており、これはアルゴリズムが特定のモデルのアーティファクトを記憶したのではなく、HIC の一般的な統計的パターンを学習したことを示している。

3. 教師なしクラスタリング:

   • K-means アルゴリズムは、特徴空間（正規化されたパイ中間子多重度 vs 正規化された横運動量）において、6 つの明確なクラスターを自律的に特定し、それらは直接、6 つの中心性クラスに対応していた。
   • これらのクラスターは重なりが最小限であり、中心衝突（小さな $b$）は高い多重度と横運動量を生成し、周辺衝突（大きな $b$）は低い値を生むという物理的期待と一致していた。
   • これは、クラスタリングプロセス中に、事前定義されたモデルベースのビン分割や真の衝撃パラメータに依存することなく達成された。

意義および主張
本論文は、機械学習が中間エネルギー領域における衝撃パラメータ決定のための、堅牢でモデルに依存しないソリューションを提供することを主張している。主な意義は、実証された汎化能力にある。ある輸送モデルのデータで訓練された ML アルゴリズムは、全く異なるモデルから生成されたデータを正確に予測できる。これは、従来の centrality 決定法を悩ませているモデル依存性の問題を解決するものである。

著者らは、このアプローチが以下の特性を持つと断言している：

• 中間エネルギーにおけるグローバー・モデルおよび従来の多項式フィットの限界を克服する。
• 実験データ（STAR-FXT、NICA、FAIR など）を扱うために汎用可能な、データ駆動型のフレームワークを提供する。
• 中心性選択に関連する系統的な不確実性を低減することで、核物質の性質（状態方程式など）のより信頼性の高い抽出のための基礎を確立する。

本研究は、現在の作業は輸送モデルのデータを使用しているものの、その強力なクロスモデルの堅牢性は、この手法が実験的な観測量に適用される準備ができていることを示唆しており、将来の重イオン衝突実験の精度を向上させる可能性があると結論付けている。