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

Technische Samenvatting: Machine Learning van de Impactparameter in Zware-Ionen-Collisies bij $\sqrt{s_{NN}} = 4$ en 11 GeV

Probleemstelling
Het bepalen van de collisionaliteit (centraliteit), gedefinieerd door de impactparameter ($b$), is een fundamentele vereiste voor het analyseren van zware-ionen-collisie-experimenten (HIC), met name bij intermediaire energieën ($\sqrt{s_{NN}} \approx$ enkele GeV) die relevant zijn voor faciliteiten zoals STAR-FXT, NICA/MPD en FAIR/CBM. In tegenstelling tot bij ultra-relativistische energieën, is het klassieke Glauber-model, dat steunt op de eikonal-benadering, onbetrouwbaar bij deze lagere energieën vanwege de vergelijkbare de Broglie-golflengte en kernomvang. Bovendien vertrouwen traditionele methoden voor centraliteitsbepaling vaak op het fitten van experimentele observabelen (bijv. geladen multipliciteit) aan transportmodel-simulaties. Deze aanpak is inherent modelafhankelijk; verschillende transportmodellen (bijv. UrQMD, AMPT, JAM) kunnen significant verschillende deeltjesopbrengsten en distributies opleveren voor dezelfde impactparameter. Bijgevolg kan een centraliteitskalibratie die is afgeleid van één model niet generaliseren naar een ander model of naar echte experimentele data, wat systematische onzekerheden introduceert die de onzekerheden van de nucleaire toestandsvergelijking (equation of state) kunnen evenaren of zelfs overtreffen.

Methodologie
De auteurs maken gebruik van een supervised en unsupervised machine learning (ML) raamwerk om de impactparameter te reconstrueren in Au+Au-collisies bij $\sqrt{s_{NN}} = 4$ en 11 GeV.

• Datageneratie: Gelabelde datasets werden gegenereerd met behulp van drie verschillende transportmodellen: het ultra-relativistische kwantummoleculaire dynamica (UrQMD) model, het multiphase transport (AMPT) model, en het JAM-model. Om de parameterruimte te maximaliseren en robuustheid te testen, werden zes specifieke configuraties gebruikt:
  • UrQMD met drie opstellingen: Mean-field + Hard-sphere (MH), Cascade + Hard-sphere (CH), en Cascade + Woods-Saxon (CW).
  • AMPT met de string-melting versie.
  • JAM met twee opstellingen: Cascade-modus met Woods-Saxon (C) en Mean-field modus met zachte EoS (M).
  • Voor elke configuratie werden 10.000 Au+Au-events gesimuleerd. De dataset werd gesplitst in 6.000 trainings-events en 4.000 test-events.
• Input Features: Zes event-per-event observabelen werden geselecteerd als input features: de opbrengsten van geladen pionen ($N_{\pi^-}, N_{\pi^+}$), de mid-rapidity opbrengsten van geladen pionen ($n_{\pi^-}, n_{\pi^+}$), en de totale transversale momenta van geladen pionen ($p_{t\pi^-}, p_{t\pi^+}$). Deze werden gekozen vanwege hun meetbaarheid en relatief lagere event-per-event fluctuaties in vergelijking met andere observabelen.
• Algoritmen:
  • Supervised Learning: Het LightGBM (Light Gradient Boosting Machine) algoritme werd gebruikt voor regressie (het voorspellen van de continue $b$) en classificatie (het toewijzen van events aan centraliteitsklassen).
  • Unsupervised Learning: Het K-means clustering algoritme werd toegepast om events te partitioneren in centraliteitsklassen op basis van uitsluitend de input observabelen, zonder vooraf gedefinieerde $b$-labels.
• Cross-Validatie Strategie: Een rigoureuze controle werd uitgevoerd waarbij modellen getraind op data van één transportmodel (of specifieke opstelling) werden getest op data gegenereerd door andere modellen. Dit werd vergeleken met een traditionele baseline methode: een derde-orde polynoomfit die de geladen pion-opbrengst relateert aan de impactparameter.

Belangrijkste Resultaten

1. Regressieprestaties:

   • Het LightGBM-algoritme behaalde een Mean Absolute Error (MAE) tussen de 0,2 en 0,4 fm in alle scenario's.
   • Cruciaal is dat deze hoge nauwkeurigheid standhield, zelfs in cross-model testen (bijv. trainen op UrQMD/CH en testen op AMPT). De MAE bleef laag, wat wijst op sterke generalisatiecapaciteiten.
   • In contrast hiermee presteerde de traditionele polynoomfit methode goed wanneer de trainings- en testdata afkomstig waren van hetzelfde model. Wanneer deze werd toegepast op data van verschillende modellen, faalde de polynoomfit significant en produceerde het grote afwijkingen, omdat de gefitte parameters niet overdraagbaar waren naar modellen met andere onderliggende fysieke aannames.

2. Classificatieprestaties:

   • Het ML-model slaagde erin om events te classificeren in zes centraliteitsklassen (0–5%, 5–10%, ..., >60%).
   • In cross-model validatie weken de voorspelde fracties van events in elke centraliteitsklasse met slechts ~1% af van de werkelijke simulatiewaarden.
   • De door ML voorspelde impactparameter-distributies behielden een gladde, Gaussische vorm die consistent is met de originele simulaties, wat aantoont dat het algoritme de algemene statistische patronen van HIC heeft geleerd in plaats van specifieke modelartefacten te memoriseren.

3. Unsupervised Clustering:

   • Het K-means algoritme identificeerde autonoom zes onderscheidende clusters in de feature-ruimte (genormaliseerde pion-multipliciteit versus genormaliseerde transversale momentum) die direct overeenkwamen met de zes centraliteitsklassen.
   • Deze clusters vertoonden minimale overlap en stemden overeen met de fysieke verwachting dat centrale collisies (kleine $b$) een hoge multipliciteit en transversale momentum produceren, terwijl perifere collisies (grote $b$) lage waarden produceren.
   • Dit werd bereikt zonder enige afhankelijkheid van vooraf gedefinieerde model-gebaseerde binning of grondwaarheid (ground-truth) impactparameters tijdens het clusteringproces.

Betekenis en Claims
Het artikel beweert dat machine learning een robuuste, model-onafhankelijke oplossing biedt voor de bepaling van de impactparameter in het intermediaire energie-regime. De primaire betekenis ligt in de gedemonstreerde generalisatiecapaciteit: een ML-algoritme getraind op data van één transportmodel kan de impactparameters accuraat voorspellen voor data gegenereerd door geheel andere modellen. Dit adresseert het cruciale probleem van modelafhankelijkheid dat traditionele methoden voor centraliteitsbepaling teistert.

De auteurs stellen dat deze aanpak:

• De beperkingen van het Glauber-model en traditionele polynoomfitting bij intermediaire energieën overtreft.
• Een datagedreven raamwerk biedt dat kan worden gegeneraliseerd voor het gebruik met echte experimentele data van faciliteiten zoals STAR-FXT, NICA en FAIR.
• Een fundament legt voor een meer betrouwbare extractie van nucleaire materieeigenschappen (zoals de toestandsvergelijking) door de systematische onzekerheden geassocieerd met centraliteitsselectie te verminderen.

De studie concludeert dat hoewel het huidige werk gebruikmaakt van transportmodel-data, de sterke cross-model robuustheid suggereert dat de methode klaar is voor toepassing op experimentele observabelen, wat de precisie van toekomstige zware-ionen-experimenten potentieel kan verbeteren.