Ultra-Peripheral Collisions as a Nuclear-Structure Interferometer with Interpretable Multitask Deep Learning

Resumo Técnico: Colisões Ultraperiféricas como um Interferômetro de Estrutura Nuclear com Aprendizado Profundo Multitarefa Interpretável

Declaração do Problema
A determinação precisa da estrutura nuclear, especificamente a extração simultânea da deformação de forma coletiva (ex: deformação quadrupolar $\beta_2$) e da espessura da pele de nêutrons ($\Delta r_{np}$), permanece um desafio significativo. Sondas clássicas como o espalhamento elástico de elétrons enfrentam um "problema de emaranhamento estrutural", onde as assinaturas de deformação e da pele de nêutrons estão inextricavelmente acopladas nos observáveis. Embora as colisões ultraperiféricas (UPCs) ofereçam um caminho para a tomografia de interferência coerente — onde o campo eletromagnético acelerado de um núcleo atua como uma fonte de laser e os dois núcleos atuam como uma fenda dupla — extrair restrições quantitativas das distribuições de momento transversal ($p_\perp$) resultantes é um problema inverso difícil.

A dificuldade central surge da "degenerescência holográfica". Em experimentos, os núcleos são orientados aleatoriamente, levando a uma média de conjunto que suaviza as fases de interferência. Essa flutuação estocástica preenche os mínimos de interferência e cria distorções correlacionadas no espectro que simples inversões analíticas não conseguem desembaraçar. Além disso, realidades experimentais como resolução finita de detectores, fundos de fotoprodução incoerente e marcação de nêutrons (neutron tagging) remodelam a distribuição efetiva do parâmetro de impacto, obscurecendo ainda mais a separação limpa entre os padrões de difração (sensíveis à pele de nêutrons) e de interferência (sensíveis à deformação).

Metodologia
Os autores propõem um framework de Aprendizado Profundo Multitarefa interpretável, concebido como uma "lente aprimorada por IA" para mapear distribuições de momento transversal diretamente para múltiplos indicadores de estrutura nuclear.

1. Modelagem Física: O estudo simula a fotoprodução coerente de $J/\psi$ em colisões de $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ a $\sqrt{s_{NN}} = 200$ GeV usando um framework de modelo de domínio de vetores (VMD) de Glauber. A densidade nuclear é modelada com um perfil Woods–Saxon deformado incorporando deformações quadrupolares ($\beta_2$) e octupolares ($\beta_3$), bem como distribuições distintas de prótons e nêutrons para modelar tipos de pele de nêutrons do tipo "skin" ou "halo".
2. Geração de Dados: A simulação gera distribuições de momento transversal 2D ($p_x, p_y$) médias sobre ângulos de Euler aleatórios para mimetizar a média de conjunto experimental. Crucialmente, o conjunto de dados de treinamento inclui tanto sinais coerentes quanto fundos incoerentes (modelados via abordagens Glauber padrão) para forçar a rede a aprender características geométricas robustas resilientes à contaminação por fundo.
3. Arquitetura da Rede: O framework emprega um backbone ResNet-34 para processar as imagens de entrada de 224 $\times$ 224. A arquitetura utiliza um extrator de características compartilhado (Estágios 1–4) seguido por três cabeças específicas de tarefa: duas cabeças de regressão para $\beta_2$ e $\beta_3$, e uma cabeça de classificação para o tipo de pele de nêutrons (Skin, Halo ou Nenhum). Este design multitarefa força a rede a aprender uma representação latente unificada que captura a dependência conjunta do interferograma sobre ambos os efeitos estruturais.
4. Interpretabilidade: Para validar a relevância física do modelo, os autores aplicam a Análise de Diferença de Predição (PDA) para identificar quais regiões do espaço de momento impulsionam inferências específicas.

Resultos Principais

• Desempenho: O modelo demonstra alta precisão em um ambiente de teste de estresse incluindo fundos incoerentes. Para níveis de fundo realistas ($n=1$), o framework alcança $R^2 \approx 0,96$ para $\beta_2$ e $R^2 \approx 0,93$ para $\beta_3$, com 99,3% de precisão na classificação de tipos de pele de nêutrons. Mesmo quando a seção de choque incoerente é amplificada em duas ordens de magnitude ($n=100$), o modelo mantém um desempenho robusto, embora o $\beta_3$ (que induz modificações localizadas mais sutis) degrade ligeiramente mais rápido que o $\beta_2$.
• Desemaranhamento de Características: A análise de interpretabilidade revela que a rede separa com sucesso os drivers físicos dos dois setores estruturais. A regressão dos parâmetros de deformação ($\beta_2, \beta_3$) é impulsionada principalmente pelas franjas de interferência escuras (regiões sensíveis à fase), enquanto a classificação do tipo de pele de nêutrons baseia-se nas bordas dos pontos de difração brilhantes (regiões sensíveis à amplitude).
• Derivação de Observáveis: Os autores traduzem essas características aprendidas em observáveis cinemáticos acessíveis experimentalmente:
  • Deformação: Mapeada para o "valor médio da franja" (intensidade média dos 5% de pixels mais baixos), que correlaciona com a razão de rendimento em $p_T$ muito baixo ($< 0,005$ GeV/c) e coeficientes de fluxo anisotrópico ($v_2, v_3$) no regime de baixo $p_T$.
  • Pele de Nêutrons: Mapeada para a "largura a meia altura" (HWHM) dos pontos brilhantes, que correlaciona com o momento transversal médio $\langle p_T \rangle$ e coeficientes de fluxo anisotrópico na região de $p_T$ mais alto ($0,14 < p_T < 0,16$ GeV/c).

Significância e Alegações
O artigo afirma fornecer uma solução para o problema de longo prazo de restringir simultaneamente a deformação nuclear e a espessura da pele de nêutrons sem as degenerações de parâmetros inerentes aos procedimentos de ajuste convencionais. Ao tratar as UPCs como experimentos de fenda dupla de escala femtoscópica e aplicar aprendizado profundo, os autores demonstram que as assinaturas emaranhadas da forma nuclear e da difusividade de superfície podem ser efetivamente desacopladas.

A principal contribuição não é meramente a aplicação de aprendizado de máquina, mas a interpretabilidade do modelo, que faz a ponte entre formas espectrais de alta dimensão e janelas cinemáticas específicas. Os autores argumentam que este método oferece um "protocolo baseado em dados" para futuros experimentos de alta luminosidade no Relativistic Heavy Ion Collider (RHIC), no Large Hadron Collider (LHC) e no Electron-Ion Collider (EIC). Especificamente, eles alegam que os harmônicos de fluxo padrão e as razões de rendimento dentro das janelas cinemáticas identificadas podem servir como proxies para os complexos padrões de interferência, permitendo restrições quantitativas sobre a geometria nuclear sem exigir a reconstrução completa da imagem ou ajustes globais dependentes de modelos. O trabalho sugere que esta "lente aprimorada por IA" pode se estender para sondar densidades de glúons espaciais e distribuições de partons generalizadas, oferecendo um novo caminho para imaginar o núcleo na escala de femtômetros.