DNN predictions for pp reference $p_\mathrm{T}$ spectra at unmeasured $\sqrt{s}$

Dit artikel presenteert een op diepe neurale netwerken gebaseerde aanpak die is getraind op ALICE-gegevens van LHC-runs 1 en 2 om proton-proton-transversale-impulsspectra te interpoleren en te extrapoleren voor niet-gemeten botsingsenergieën die relevant zijn voor LHC-run 3 en daarbuiten.

De kern

Stel je voor dat je probeert te begrijpen wat er gebeurt wanneer twee gigantische, superhete vuurbollen botsen. In de wereld van de deeltjesfysica zijn dit zware-ionbotsingen die een "soep" van fundamentele deeltjes creëren, genaamd Quark-Gluon Plasma. Om deze soep te begrijpen, hebben wetenschappers een controlegroep nodig: ze moeten weten wat er gebeurt wanneer twee eenvoudige deeltjes (protonen) botsen onder exact dezelfde omstandigheden, maar zonder dat de "soep" zich vormt. Dit wordt een proton-proton (pp) referentie genoemd.

Het probleem is dat de Large Hadron Collider (LHC) een machine is die kan worden afgesteld op verschillende energieniveaus. Soms voeren wetenschappers experimenten uit op een energieniveau waar ze proton-proton-botsingen hebben gemeten. Op andere momenten werken ze op een nieuw, ongemeten energieniveau. Wanneer ze geen directe meting hebben voor die specifieke energie, moeten ze raden hoe de proton-proton-gegevens eruit zouden zien.

Traditioneel raden wetenschappers dit in met twee methoden:

1. De theoretische gok: Het gebruik van complexe wiskundige formules (zoals pQCD) die goed werken voor zeer snelle deeltjes, maar wankel worden voor deeltjes met gemiddelde snelheid.
2. De "verbind de stippen"-gok: Het trekken van een gladde lijn tussen twee bestaande metingen. Dit werkt als je ervan uitgaat dat de lijn een specifieke, eenvoudige vorm volgt (zoals een rechte lijn of een kromme), maar de werkelijke gegevens kunnen grillig en complex zijn.

De nieuwe oplossing: een "slimme voorspeller"
Dit artikel introduceert een nieuwe manier om die gok te maken met behulp van een Deep Neural Network (DNN). Denk aan deze DNN als een superslimme student die een enorme schoolboekenkast met protonbotsingsgegevens heeft bestudeerd.

• De training: De student (de DNN) werd gevoed met gegevens van het ALICE-experiment aan de LHC, die vijf verschillende energieniveaus bestrijken (2,76, 5,02, 7, 8 en 13 TeV). Het leerde de patronen van hoe de deeltjesproductie verandert naarmate de energie verandert.
• De truc: In plaats van alleen de nummers uit het hoofd te leren, leerde de student de vorm van de gegevens. De onderzoekers leerden de student om op een speciale manier naar de gegevens te kijken (met behulp van logaritmen), zodat de enorme verschillen in deeltjestellingen het niet in de war brachten.
• De test: Voordat het op echte gegevens werd toegepast, testte het team de student met "nep"-gegevens gegenereerd door twee verschillende computersimulaties (PYTHIA en EPOS LHC). De student presteerde uitstekend en voorspelde nauwkeurig gegevens voor energieën die het nooit eerder had gezien, zowel lager als hoger dan wat het bestudeerde.

Wat de student nu kan doen
Zodra de student had bewezen betrouwbaar te zijn, trainde het team het op de echte ALICE-gegevens. Nu kan de DNN fungeren als een universele vertaler voor energieniveaus.

• Het opvullen van gaten: Als wetenschappers een experiment uitvoeren bij 9,62 TeV (een nieuwe energie), kan de DNN precies voorspellen hoe de proton-proton-referentie eruit moet zien, zelfs als niemand het direct heeft gemeten.
• De "ratio"-magie: Om deze voorspellingen bruikbaar te maken, gokt de DNN niet alleen de ruwe nummers; het berekent de ratio tussen een bekende energie (zoals 5,02 TeV) en de nieuwe energie. Dit is als zeggen: "Als de botsing bij Energie A 100 deeltjes produceert, zal Energie B 120 deeltjes produceren", ongeacht de totale omvang van het experiment.
• Vergelijking: Het artikel laat zien dat deze "slimme voorspeller" overeenkomt met de beste theoretische wiskunde bij hoge snelheden, overeenkomt met de eenvoudige "verbind de stippen"-methoden bij lage snelheden, en de kloof in het midden overbrugt waar andere methoden moeite hebben.

Waarom dit belangrijk is
Met dit hulpmiddel kunnen wetenschappers nu de "Nuclear Modification Factor" ($R_{AA}$) berekenen voor nieuwe experimenten (zoals die in LHC Run 3) zonder jaren te hoeven wachten op een directe proton-proton-meting. Het biedt een continue, gladde kaart van het gedrag van deeltjes over een breed scala aan energieën, waardoor de noodzaak om aan te nemen dat de gegevens een specifieke, starre wiskundige vorm volgen, wordt weggenomen.

Kortom, het artikel presenteert een machine learning-tool die leert van eerdere protonbotsingen om nauwkeurig te voorspellen wat er zal gebeuren bij toekomstige botsingen op energieën die we nog niet hebben gemeten, en fungeert als een betrouwbare referentie voor het bestuderen van de heetste materie in het universum.

Technische samenvatting

Technische Samenvatting: DNN-voorspellingen voor pp-referentie $p_T$-spectra bij niet-gemeten $\sqrt{s}$

Probleemstelling
Bij het bestuderen van Quark-Gluon Plasma (QGP) via botsingen van zware ionen bij hoge energieën is de nucleaire modificatiefactor ($R_{AA}$) een cruciale observabele. Voor de berekening ervan is een referentiemeting nodig voor proton-proton (pp) bij dezelfde middelpunt-energie per nucleonpaar ($\sqrt{s_{NN}}$) als de botsing van zware ionen. Echter, geschikte pp-metingen zijn vaak niet beschikbaar voor specifieke energieën die relevant zijn voor huidige of toekomstige runs met zware ionen. Traditioneel worden deze referenties geconstrueerd door bestaande spectra te schalen met theoretische energie-afhankelijkheden (alleen betrouwbaar bij hoge $p_T$) of door te interpoleren tussen experimentele punten met behulp van aangenomen functionele vormen (zoals machtswetten of $x_T$-scaling). Deze klassieke benaderingen berusten op specifieke aannames over de energie-afhankelijkheid van de deeltjesproductie, die niet noodzakelijk gelden in alle kinematische gebieden, met name bij intermediaire $p_T$ of voor niet-gemeten energieën.

Methodologie
Dit werk presenteert een datagedreven aanpak met behulp van Deep Neural Networks (DNN's) om inclusieve spectra van geladen deeltjes met transversale impuls ($p_T$) te interpoleren en te extrapoleren naar niet-gemeten botsingsenergieën, zonder een specifieke functionele vorm voor de energie-afhankelijkheid aan te nemen.

• Dataset en Preprocessing: Het model wordt getraind op ALICE-gegevens van LHC Runs 1 en 2, die vijf botsingsenergieën bestrijken ($\sqrt{s} = 2.76, 5.02, 7, 8, \text{en } 13 \text{ TeV}$). De dataset omvat 46 $dN/dp_T$-waarden per energie binnen het bereik $0.15 < p_T < 10 \text{ GeV}/c$. Om de prestaties te optimaliseren ondergaan invoervariabelen ($p_T, \sqrt{s}$) en uitvoeren ($dN/dp_T$) een logaritmische transformatie. Een extra schaling met $1/p_T$ wordt toegepast op de uitvoer om extrapolatie bij lage $p_T$ te faciliteren. Systematische onzekerheden worden meegenomen door datapunten 500 keer binnen hun grenzen te variëren.
• Modelarchitectuur en Training: Een volledig verbonden DNN, geïmplementeerd in TensorFlow, wordt getraind met de Nadam-optimizer om de Mean Absolute Error (MAE) te minimaliseren. De architectuur wordt bepaald via een hyperparameter-scan (variëren van lagen, knooppunten, activatiefuncties, initializers, leersnelheden en batchgroottes) met behulp van Bayesiaanse optimalisatie. De scan maakt gebruik van gesimuleerde data van PYTHIA (Monash 2013 tune) om de optimale architectuur te identificeren.
• Onzekerheidsschatting: De totale onzekerheid wordt afgeleid uit twee bronnen:
  1. Aleatorische onzekerheid: Gekwantificeerd door een ensemble van 20 modellen te trainen met identieke architectuur maar verschillende initialisatiewaarden.
  2. Epistemische onzekerheid: Gekwantificeerd door een ensemble van vijf modellen met verschillende architecturen (de top vijf uit de hyperparameter-scan).
     De totale onzekerheid is de kwadratische som van deze twee componenten.
• Validatie en Toepassing: De architectuur die via PYTHIA is geselecteerd, wordt gevalideerd tegen een onafhankelijke dataset van EPOS LHC-simulaties. De uiteindelijke "ALICE-gebaseerde DNN" wordt vervolgens getraind op werkelijke ALICE-gegevens. Om extrapolatie bij hoge $p_T$ te verbeteren, wordt de trainingsset uitgebreid met machtswetaangepaste data tot $p_T = 50 \text{ GeV}/c$.

Belangrijkste Resultaten

• Interpolatie en Extrapolatie: De DNN bereikt een uitstekende beschrijving van de trainingsdata en een precieze interpolatie binnen het gemeten energiebereik. De prestaties bij extrapolatie verslechteren naarmate het energieverschil met de trainingsdata toeneemt; afwijkingen zijn het meest significant bij de lagere niet-gemeten energie ($\sqrt{s} = 1.5 \text{ TeV}$) en bij hoge $p_T$ ($> 10 \text{ GeV}/c$).
• Vergelijking met Andere Methoden:
  • Bij lage $p_T$ stemt de DNN goed overeen met PYTHIA-simulaties en machtswet-interpolaties.
  • Bij intermediaire $p_T$ blijft de DNN consistent met machtswet-benaderingen tot $\approx 5 \text{ GeV}/c$.
  • Bij hoge $p_T$ stemmen de DNN-voorspellingen overeen met NLO pQCD-berekeningen en $x_T$-gebaseerde interpolaties over het overlapgebied ($3 < p_T < 50 \text{ GeV}/c$).
  • In tegenstelling tot machtswet-interpolaties, die fluctuaties vertonen door per interval te fitten, biedt de DNN een gladde, continue voorspelling.
• Constructie van Referentiespectra: De auteurs demonstreren de constructie van pp-referentie $p_T$-spectra voor LHC Run 3 en daarbuiten ($\sqrt{s} = 5.36, 6.37, 9.62, \text{en } 13.6 \text{ TeV}$). Dit wordt bereikt door een basismeting ($\sqrt{s} = 5.02 \text{ TeV}$) te schalen met de verhouding van DNN-voorspellingen bij de doel- en basisenergieën, gecorrigeerd voor de verhouding van totale inelastische dwarsdoorsnedes. Dit maakt de berekening van $R_{AA}$ mogelijk voor botsingen waar geen directe pp-meting bestaat, zoals pO-botsingen bij $\sqrt{s} = 9.62 \text{ TeV}$.

Betekenis en Claims
Het artikel beweert dat de op DNN gebaseerde methode een robuust, aannames-vrij alternatief biedt voor traditionele theorie-gedreven of functionele interpolatiemethoden voor het construeren van pp-referentiespectra. Door aannames over de onderliggende fysieke processen die de energie-afhankelijkheid van spectra bepalen, te vermijden, levert het model continue voorspellingen op over een breed $p_T$-bereik ($0.10 - 50 \text{ GeV}/c$) en energiebereik ($1.5 - 27 \text{ TeV}$). De auteurs merken op dat hoewel het model is getraind op inclusieve geladen deeltjes, de aanpak uitbreidbaar is naar individuele deeltjessoorten. De methode slaagt erin de kloof te overbruggen tussen bestaande metingen en de energie-eisen van toekomstige programma's met zware ionen, waardoor de analyse van QGP-eigenschappen in de komende LHC-runs wordt vergemakkelijkt.