Final-state centrality in relativistic heavy-ion simulations from neural networks

Technische Samenvatting: Final-state centrality in relativistische zwaartekracht-ionen-simulaties vanuit neurale netwerken

Probleemstelling
Experimenten met relativistische zwaartekracht-ionen-botsingen bepalen de event-centraliteit aan de hand van final-state observabelen, typisch de geladen-deeltjes-multipliciteit ($N_{ch}$). Het uitvoeren van deze definitie in state-of-the-art hybride hydrodynamische simulaties is echter computationeel onhaalbaar. Een enkel hybride event (van initiële condities via hydrodynamische evolutie tot hadronisch transport) kan tot wel 4 CPU-uren kosten. Bij gevolg is het bij Bayesiaanse analyses en modelvergelijkingen gebruikelijk om centraliteit te benaderen met initial-state grootheden (bijv. initiële entropie of energie), die computationeel goedkoop zijn maar niet perfect correleren met de final-state multipliciteit die in experimenten wordt gebruikt. Deze discrepantie is verwaarloosbaar in brede centrality-klassen (bijv. een breedte van 10%), maar wordt significant in smalle klassen (bijv. 1% breedte), die steeds vaker vereist zijn voor precisiedata uit de high-luminosity runs van de LHC. De mismatch introduceert spuriaanse correlaties en biases bij het vergelijken van modellen met experimentele data, met name voor observabelen die afhankelijk zijn van multipliciteit.

Methodologie
De auteurs stellen voor om neurale netwerken (NN) te gebruiken als surrogaatmodellen om final-state observabelen te voorspellen vanuit initial-state condities, wat het genereren van miljoenen events mogelijk maakt tegen een fractie van de kosten van volledige simulaties.

• Trainingsdata: De netwerken werden getraind op een beperkte set van $\sim$600 volledig gesimuleerde hybride events voor Pb–Pb botsingen bij $\sqrt{s_{NN}} = 2,76$ TeV en Au–Au botsingen bij $\sqrt{s_{NN}} = 200$ GeV. Deze events werden gegenereerd met een hybride framework (TRENTo initiële condities, free-streaming, MUSIC hydrodynamica, iS3D particulization, en SMASH hadronisch transport) met parameters vastgesteld op de maximum a posteriori waarden van de JETSCAPE Bayesiaanse analyse.
• Netwerkarchitectuur en strategie:
  • Het netwerk voorspelt de event-by-event geladen-deeltjes-multipliciteit ($N_{ch}$) en de gemiddelde transversale momentum ($\langle p_T \rangle$).
  • Input: Initiële entropiedichtheid- (of energiedichtheid-) profielen.
  • Decompositie-strategie: Om de brede dynamische reikwijdte van $N_{ch}$ (die drie grootheden van orde beslaat) aan te pakken, deconstrueren de auteurs de target observabele $y$ in een gladde trend $g(S)$ afhankelijk van de totale initiële entropie $S$, en een residu-afwijking $d$. Het netwerk wordt uitsluitend getraind om het residu $d$ te voorspellen, terwijl de trend analytisch wordt vastgelegd. Dit voorkomt dat de trend de training domineert en dwingt het netwerk om de geometrische fluctuaties te leren die events met gelijke entropie onderscheiden.
  • Simultane Regressie: Een enkele netwerkarchitectuur voorspelt zowel $N_{ch}$ als $\langle p_T \rangle$ simultaan.
  • Validatie: Vijf-voudige cross-validatie werd gebruikt, met een aparte testset (25% van de events) die nooit tijdens de training is gezien.
• Toepassing: Eenmaal getraind, werden de netwerken gebruikt om $N_{ch}$ en $\langle p_T \rangle$ te evalueren voor $1,5 \times 10^6$ initiële condities per systeem. Dit proces duurde ongeveer 15 GPU-uren per systeem, vergeleken met een geschatte $10^6$–$10^7$ CPU-uren voor volledige hybride simulaties van dezelfde omvang.

Belangrijkste Resultaten

1. Voorspellingsnauwkeurigheid: De getrainde netwerken voorspellen $N_{ch}$ en $\langle p_T \rangle$ met relatieve fouten van 1–2% voor centraliteiten tot 80%. De correlatiecoëfficiënt voor de residu-afwijkingen is $r = 0,90$–$0,96$. Fouten nemen toe tot 8–10% in de meest perifere events (80–100%) waar de trainingssteekproef schaars is.
2. Mismatch in Centraliteitsdefinitie: Het vergelijken van centrality-klassen gedefinieerd door initiële entropie ($S$) versus voorspelde finale multipliciteit ($N_{ch}$):
   • In brede klassen (5–10%) wordt 96–97% van de events door beide definities aan dezelfde klasse toegewezen.
   • In smalle klassen (1% breedte) daalt deze overeenkomst naar 83–95%, waarbij de resterende events voornamelijk naar aangrenzende klassen migreren.
   • Dit bevestigt dat initial-state proxies onvoldoende zijn voor het definiëren van smalle centrality-klassen die vereist zijn voor precisie-correlatiestudies.
3. Transversale Momentum Fluctuaties:
   • Het model reproduceert de STAR-data voor Au–Au $\langle p_T \rangle$ fluctuaties over het volledige centrality-bereik.
   • Voor Pb–Pb komt het model overeen met ALICE-data bij mid-centrale en perifere centraliteiten, maar overschat het de fluctuaties met 20–30% in de meest centrale klassen. De auteurs merken op dat dit mogelijk komt door de mismatch in de centrality-estimator (V0M versus mid-rapidity $N_{ch}$) of verschillen in het $p_T$-bereik.
   • De relatieve fluctuaties $\sigma_{p_T}/\langle p_T \rangle$ zijn vergelijkbaar voor beide systemen bij dezelfde centrality in het mid-centrale/perifere gebied, wat suggereert dat de hydrodynamische respons op initiële geometrische fluctuaties zwak afhankelijk is van de botsingsenergie in dit regime.
4. Correlatiecoëfficiënten:
   • $\rho(v_2^2, \langle p_T \rangle)$: Deze correlatie is grotendeels ongevoelig voor de centrality-definitie (of het nu gebaseerd is op $S$ of $N_{ch}$) en is vergelijkbaar voor beide botsingssystemen.
   • $\rho(N_{ch}, \langle p_T \rangle)$: Deze correlatie is zeer gevoelig voor de centrality-definitie. Wanneer de centrality wordt gedefinieerd door $N_{ch}$, is de correlatie klein en positief. Wanneer deze wordt gedefinieerd door initiële entropie, is de correlatie aanzienlijk groter en positief. Dit komt omdat het definiëren van centrality door $N_{ch}$ het bereik van $N_{ch}$ binnen een klasse kunstmatig beperkt, waardoor de correlatie met andere variabelen wordt onderdrukt.

Betekenis en Claims
Dit artikel toont aan dat neurale netwerken, getraind op een bescheiden aantal hybride events (honderden), kunnen dienen als nauwkeurige emulatoren voor final-state observabelen, wat het computationeel haalbaar maakt om de miljoenen events te genereren die nodig zijn om centrality te definiëren met behulp van final-state estimators in plaats van initial-state proxies.

De auteurs claimen dat:

• Noodzaak van Final-State Definities: Voor betekenisvolle vergelijkingen tussen hydrodynamische modellen en experimentele data, vooral in smalle centrality-klassen en voor observabelen die betrokken zijn bij multipliciteit, moet de event-selectie van het model de experimentele estimator (final-state multipliciteit) zo nauwkeurig mogelijk emuleren. Initial-state definities zijn hiervoor ontoereikend.
• Impact op Fysische Observabelen: De keuze van de centrality-definitie verandert de magnitude en de centrality-afhankelijkheid van correlaties zoals $\rho(N_{ch}, \langle p_T \rangle)$ aanzienlijk, welke worden gebruikt om fundamentele eigenschappen zoals de geluidssnelheid van de QGP te extraheren.
• Haalbaarheid voor Bayesiaanse Analyse: Deze aanpak kan worden toegepast bij elk designpunt van Bayesiaanse analyses (waar doorgaans slechts honderden events per punt worden gesimuleerd) om grote event-samples en consistente centrality-definities te bieden. De auteurs merken op dat hoewel de methode veelbelovend is, het trainen van netwerken over de volledige parameterruimte (waar residu-structuren kunnen veranderen) en de voldoendeheid van enkele honderden events over alle parameterregio's openstaande vragen zijn voor toekomstig werk.

Het onderzoek claimt niet de discrepantie tussen het model en de ALICE-data in de meest centrale Pb–Pb botsingen te hebben opgelost, maar schrijft een deel van het verschil toe aan de mismatch in de centrality-estimator, waarmee het belang van de voorgestelde methodologie voor toekomstige precisie-studies wordt benadrukt.