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

Resumo Técnico: Aprendizado de Máquina do Parâmetro de Impacto em Colisões de Íons Pesados a $\sqrt{s_{NN}} = 4$ e 11 GeV

Declaração do Problema
A determinação da centralidade da colisão, definida pelo parâmetro de impacto ($b$), é um pré-requisito fundamental para a análise de experimentos de colisões de íons pesados (HIC), particularmente em energias intermediárias ($\sqrt{s_{NN}} \approx$ alguns GeV) relevantes para instalações como STAR-FXT, NICA/MPD e FAIR/CBM. Ao contrário das energias ultra-relativísticas, o modelo de Glauber clássico, que se baseia na aproximação eiconal, torna-se não confiável nessas energias mais baixas devido ao comprimento de onda de de Broglie comparável ao tamanho nuclear. Além disso, os métodos tradicionais de determinação de centralidade frequentemente dependem do ajuste de observáveis experimentais (ex: multiplicidade de partículas carregadas) a simulações de modelos de transporte. Essa abordagem é inerentemente dependente de modelo; diferentes modelos de transporte (ex: UrQMD, AMPT, JAM) podem gerar rendimentos e distribuições de partículas significativamente diferentes para o mesmo parâmetro de impacto. Consequentemente, uma calibração de centralidade derivada de um modelo pode não se generalizar para outro ou para dados experimentais reais, introduzindo incertezas sistemáticas que podem rivalizar ou até exceder as da equação de estado nuclear.

Metodologia
Os autores empregam uma estrutura de aprendizado de máquina (ML) supervisionado e não supervisionado para reconstruir o parâmetro de impacto em colisões Au+Au a $\sqrt{s_{NN}} = 4$ e 11 GeV.

• Geração de Dados: Conjuntos de dados rotulados foram gerados usando três modelos de transporte distintos: o modelo de dinâmica molecular quântica ultra-relativística (UrQMD), o modelo de transporte multifásico (AMPT) e o modelo JAM. Para maximizar o espaço de parâmetros e testar a robustez, foram utilizadas seis configurações específicas:
  • UrQMD com três configurações: Campo médio + Esfera dura (MH), Cascata + Esfera dura (CH) e Cascata + Woods-Saxon (CW).
  • AMPT com a versão de fusão de cordas (string-melting).
  • JAM com duas configurações: Modo cascata com Woods-Saxon (C) e Modo campo médio com EoS suave (M).
  • Para cada configuração, 10.000 eventos Au+Au foram simulados. O conjunto de dados foi dividido em 6.000 eventos de treinamento e 4.000 eventos de teste.
• Características de Entrada (Features): Seis observáveis por evento foram selecionados como características de entrada: os rendimentos de píons carregados ($N_{\pi^-}, N_{\pi^+}$), os rendimentos de píons carregados em rapidez média ($n_{\pi^-}, n_{\pi^+}$) e os momentos transversais totais de píons carregados ($p_{t\pi^-}, p_{t\pi^+}$). Estes foram escolhidos por serem mensuráveis e possuírem flutuações por evento relativamente menores em comparação com outros observáveis.
• Algoritmos:
  • Aprendizado Supervisionado: O algoritmo LightGBM (Light Gradient Boosting Machine) foi utilizado para regressão (predição do $b$ contínuo) e classificação (atribuição de eventos a classes de centralidade).
  • Aprendizado Não Supervisionado: O algoritmo de agrupamento K-means foi aplicado para particionar eventos em classes de centralidade baseando-se apenas nos observáveis de entrada, sem rótulos de $b$ predefinidos.
• Estratégia de Validação Cruzada: Uma verificação rigorosa foi realizada onde modelos treinados em dados de um modelo de transporte (ou configuração específica) foram testados em dados gerados por diferentes modelos. Isso foi comparado contra um método de linha de base tradicional de ajuste polinomial de terceira ordem relacionando o rendimento de píons carregados ao parâio de impacto.

Principais Resultados

1. Desempenho de Regressão:

   • O algoritmo LightGBM alcançou um Erro Médio Absoluto (MAE) entre 0,2 e 0,4 fm em todos os cenários.
   • Crucialmente, essa alta precisão persistiu mesmo em testes cruzados entre modelos (ex: treinamento no UrQMD/CH e teste no AMPT). O MAE permaneceu baixo, indicando fortes capacidades de generalização.
   • Em contraste, o método tradicional de ajuste polinomial funcionou bem apenas quando os dados de treinamento e teste provinham do mesmo modelo. Quando aplicado a dados de diferentes modelos, o ajuste polinomial falhou significativamente, produzindo grandes desvios porque os parâmetros ajustados não eram transferíveis entre modelos com diferentes pressupostos físicos subjacentes.

2. Desempenho de Classificação:

   • O modelo de ML classificou com sucesso os eventos em seis classes de centralidade (0–5%, 5–10%, ..., >60%).
   • Na validação cruzada entre modelos, as frações previstas de eventos em cada classe de centralidade desviaram-se dos valores reais da simulação em apenas ~1%.
   • As distribuições de parâmetro de impacto preditas pelo ML mantiveram uma forma suave, do tipo Gaussiana, consistente com as simulações originais, demonstrando que o algoritmo aprendeu os padrões estatísticos gerais das HICs em vez de memorizar artefatos específicos do modelo.

3. Agrupamento Não Supervisionado:

   • O algoritmo K-means identificou autonomamente seis clusters distintos no espaço de características (multiplicidade de píons normalizada vs. momento transversal normalizado) que corresponderam diretamente às seis classes de centralidade.
   • Esses clusters mostraram sobreposição mínima e alinharam-se com a expectativa física de que colisões centrais (pequeno $b$) produzem alta multiplicidade e momento transversal, enquanto colisões periféricas (grande $b$) produzem valores baixos.
   • Isso foi alcançado sem qualquer dependência de binagem baseada em modelos predefinidos ou parâmetros de verdade fundamental (ground-truth) durante o processo de agrupamento.

Significância e Alegações
O artigo afirma que o aprendizado de máquina oferece uma solução robusta e independente de modelo para a determinação do parâmetro de impacto no regime de energia intermediária. A principal significância reside na capacidade de generalização demonstrada: um algoritmo de ML treinado em dados de um modelo de transporte pode prever com precisão os parâmetros de impacto para dados gerados por modelos inteiramente diferentes. Isso aborda a questão crítica da dependência de modelo que assola os métodos tradicionais de determinação de centralidade.

Os autores afirmam que esta abordagem:

• Supera as limitações do modelo de Glauber e do ajuste polinomial tradicional em energias intermediárias.
• Fornece um framework orientado por dados que pode ser generalizado para lidar com dados experimentais reais de instalações como STAR-FXT, NICA e FAIR.
• Estabelece uma base para a extração mais confiável de propriedades da matéria nuclear (como a equação de estado) ao reduzir as incertezas sistemáticas associadas à seleção de centralidade.

O estudo conclui que, embora o trabalho atual utilize dados de modelos de transporte, a forte robustez entre modelos sugere que o método está pronto para aplicação a observáveis experimentais, potencialmente melhorando a precisão de futuros experimentos de colisões de íons pesados.