Topological analysis of scale-invariant spatial fluctuations in ultrarelativistic heavy-ion collisions

技術要約：重イオン衝突におけるスケール不変な空間ゆらぎのトポロジー解析

問題提起
重イオン衝突におけるクォーク・グルーオン・プラズマ（QGP）からハドロン物質への相転移およびQCD臨界点の特定は、最終状態粒子におけるスケール不変な空間ゆらぎ（インターミッテンス）の検出に依存している。Critical Monte Carlo（CMC）モデルは、2次元の横運動量（$p_x$-$p_y$）空間におけるこれらのゆらぎのシミュレーションに成功しているが、実験的な信号は極めて微弱であり、全イベントサンプルのわずか数パーセントを構成するに過ぎない。これらの臨界信号は、圧倒的な非臨界熱的背景（例：EPOSシミュレーションによるもの）によって著しく希釈されており、従来の正規化階数モーメント（NFM）解析では信頼できる信号抽出には不十分である。さらに、これまでのインターミッテンス研究は主に運動量空間に限定されており、ALICEのような検出器で使用される実験的にアクセス可能な角度（$\eta, \phi$）位相空間へのCMCベースの臨界ゆらぎモデルの適用には空白が存在する。

手法
著者らは、($\eta, \phi$) 位相空間において、支配的な背景から微弱な臨界信号を抽出するために設計された、新しい2段階トポロジー機械学習フレームワークを提案する。

1. イベント生成と信号の埋め込み:

   • 背景: $\sqrt{s_{NN}} = 5.02$ TeV における $6 \times 10^5$ 個のミディアムバイアス Pb-Pb 衝突イベントを、EPOS ハイブリッドイベントジェネレータを用いて生成した。
   • 信号: 指数 $\mu = 1/6$（3D Ising 普遍性クラスに対応）を持つレヴィ・ランダムウォークを利用した CMC モデルを、($\eta, \phi$) 受容窓内に直接臨界クラスターを生成するように適応させた。
   • 埋め込み: 臨界信号トラックを、注入割合（$\lambda$）が 1%、3%、5% となるように EPOS イベントに埋め込んだ。選択された EPOS トラックの元の角度座標を、横運動量（$p_T$）を保持したまま CMC 座標に置き換えた。

2. トポロジカル・データ解析（TDA）パイプライン:

   • デローネ・フィルトレーション: 粒子イベントを2次元点群として扱った。方位角 $\phi$ に関する周期境界条件を強制するために、「ファントム点」スキームを用いたデローネ三角形分割を構築した。
   • サブレベルセット・フィルトレーション: 最近傍距離（$d_{NN}$）に基づく連続的な幾何学的フィルトレーションを実行した。スケールパラメータ $\epsilon$ が増加するにつれ、単体複体（頂点、辺、面）が活性化される。
   • ベッチ曲線: トポロジー不変量、特に0次ベッチ数（$\beta_0$、連結成分）および1次ベッチ数（$\beta_1$、ループ）の進化を追跡し、ベッチ曲線を生成した。
   • バイアス補正: 多重度バイアスおよび集団的フローの効果を除去するために、生のベッチ曲線を多重度で正規化し、方位角のランダム化によって補正した。これにより、動的な空間相関を孤立させた $\Delta$-ベッチ曲線（$\beta^\Delta_k = \beta_k - \beta^{rand}_k$）が得られた。

3. 機械学習分類:

   • 600次元の特徴ベクトル（連結された $\Delta\beta_0$ および $\Delta\beta_1$ 曲線）を、2つの異なる分類器、すなわち1次元畳み込みニューラルネットワーク（TopoPointNet）と勾配ブースティング決定木（XGBoost/BDT）に入力した。
   • 2段階フィルタリング:
     • ステージ1（イベントレベル）: イベントを信号または背景として分類した。信号確率 $S \ge 0.90$ を持つイベントのみを保持した。
     • ステージ2（粒子レベル）: 選択されたイベント内で、幾何学的密度フィルタ（$d_{NN} \le \epsilon_{cut}$）を適用し、拡散した熱的背景を取り除き、高密度に詰まった臨界クラスターを孤立させた。

主要な結果

• 信号の希釈: 混合サンプル（EPOS + 5% CMC）に対する標準的な NFM 解析は、べき乗則のスケーリングを回復できず、インターミッテンス指数 $\phi_2 \approx 0$（背景と同等）を導いた（これは臨界値ではない）。
• 分類性能: TopoPointNet と BDT はともに高い識別能を示した。5% の信号注入割合において、曲線下の面積（AUC）は両モデルとも $\approx 0.99$ に達した。モデルは異なる解像度（$N_\epsilon = 300$ が最適）に対して堅牢性を示した。
• 特徴量の属性: SHAP およびゲインベースの重要度解析により、モデルが特定のトポロジー尺度に依存していることが明らかになった：
  • $\epsilon \approx 0.001$ rad：最も密なレヴィ・クラスターにおける連結性の開始（$\Delta\beta_0$）。
  • $\epsilon \approx 0.02\text{--}0.05$ rad：クラスター内での閉じたループの形成（$\Delta\beta_1$）。
  • $\epsilon \approx 0.08$ rad：分離したクラスターの合体。
• インターミッテンスの回復: 2段階のトポロジーフィルタを適用した後、残りのトラックに対する NFM 解析は、べき乗則のスケーリングを正常に回復した。5% 希釈混合物に対して回復されたインターミッテンス指数は $\phi_2 \approx 0.73$ であり、純粋な CMC 参照値の $\phi_2 \approx 0.75$（$(\eta, \phi)$ の幾何学および有限の受容窓によりシフトしたもの）と密接に一致した。

意義と主張
本論文は、($\eta, \phi$) 位相空間において CMC モデルとトポロジカル機械学習を組み合わせた初の適用であると主張している。著者らは、本研究が以下のことを達成したと断言している：

1. 従来の階数モーメント解析が信号の希釈により失敗する領域において、QCD 臨界点を探るための堅牢でデータ駆動型の方法論を確立した。
2. トポロジー的特徴（ベッチ曲線）が、低信号割合（1–5%）においても、熱的背景と臨界ゆらぎを区別するのに十分な幾何学的情報を含んでいることを示した。
3. 2段階のパイプライン（イベント分類に続く粒子レベルの密度フィルタリング）が、基礎となる臨界スケーリング則を回復するために必要であることを実証した。
4. LHC エネルギー（具体的には ALICE）における将来の実験探索のためのベースラインを提供した。現在の研究はジェネレータレベルであるが、本フレームワークは Run 3 データの高統計能力を活用できるように設計されている。

著者らは、現在の解析が検出器効果（トラックの結合や分裂など）をシミュレートしていないこと、および CMC モデルが動的な相発展ではなく静的なフラクタル幾何学を表していることを認め、即時の実験的適用については控えめな姿勢を保っている。今後の課題として、動的なモデル（SCR モデルなど）や現実的な検出器シミュレーションを組み込むことが提案されている。