⚛️ nuclear theory

Symbolic Regression for Interpretable Emulation of Proton Collective Flow in Intermediate-Energy Heavy-Ion Collisions

Este artigo demonstra que a regressão simbólica pode emular efetivamente o modelo de transporte Boltzmann-Uehling-Uhlenbeck dependente de isospin para prever observáveis de fluxo coletivo de prótons com precisão comparável a redes neurais profundas, ao mesmo tempo em que fornece expressões analíticas interpretáveis e avaliação mais rápida, apesar de exigir tempos de treinamento mais longos.

Autores originais: Nicholas Cox, Xavier Grundler, Bao-An Li

Publicado 2026-08-19

📖 5 min de leitura🧠 Leitura aprofundada

CC0 1.0

Autores originais: Nicholas Cox, Xavier Grundler, Bao-An Li

Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No coração da matéria, onde prótons e nêutrons se ligam para formar os núcleos dos átomos, reside um mundo governado por forças que são difíceis de medir diretamente. Quando cientistas colidem núcleos atômicos pesados em altas velocidades, essas partículas criam um estado de matéria efêmero e superdenso que mimetiza as condições encontradas nos núcleos de estrelas de nêutrons ou no universo primitivo. Para entender o que acontece nessas colisões, pesquisadores dependem de simulações computacionais complexas que atuam como laboratórios virtuais. Esses modelos calculam como as partículas interagem com base em regras específicas sobre forças nucleares e a rigidez da matéria. No entanto, executar essas simulações é incrivelmente lento e computacionalmente caro, tornando difícil testar cada possível variação das regras para ver qual delas corresponde à realidade. Os cientistas precisam de uma maneira de prever rapidamente o resultado dessas colisões sem esperar horas ou dias por um cálculo computacional completo, e também precisam trabalhar de trás para frente: olhar para os detritos de uma colisão e descobrir quais deveriam ter sido as regras subjacentes.

Uma equipe de pesquisadores da East Texas A&M University desenvolveu um novo método para resolver este problema, oferecendo uma maneira mais rápida e transparente de navegar pela física das colisões de íons pesados. Eles focaram em duas medições principais desses impactos: a maneira como os prótons fluem lateralmente e a maneira como eles se esticam em um formato oval enquanto voam para longe. Esses padrões de fluxo atuam como impressões digitais da matéria nuclear criada na colisão. A equipe utilizou uma técnica chamada regressão simbólica, que é uma forma de aprendizado de máquina projetada não apenas para encontrar padrões, mas para escrever as fórmulas matemáticas reais que os descrevem. Ao contrário dos modelos de inteligência artificial padrão que agem como caixas pretas — recebendo entradas e fornecendo saídas sem revelar como chegaram lá — esta nova abordagem produz equações claras e escritas que qualquer pessoa pode ler e entender. Os pesquisadores compararam este método com redes neurais profundas, o tipo mais comum de aprendizado de máquina usado na física, para ver qual ferramenta era melhor para emular as simulações lentas e pesadas.

O estudo descobriu que o método de regressão simbólica era tão preciso quanto as redes neurais profundas ao prever o fluxo de prótons a partir das condições de colisão. Mais importante ainda, ele forneceu as fórmulas explícitas que ligam as configurações de colisão aos resultados. Uma vez encontradas, essas fórmulas poderiam ser usadas para fazer previsões milhões de vezes mais rápidas do que as redes neurais. Embora as redes neurais fossem mais rápidas para configurar inicialmente, as fórmulas simbólicas eram tão eficientes que podiam realizar um milhão de cálculos em apenas alguns segundos, enquanto as redes neurais levavam vários minutos para realizar o mesmo trabalho. Essa velocidade é crucial para cientistas que precisam realizar testes estatísticos massivos para entender a incerteza em suas medições. Os pesquisadores também inverteram o processo, usando as fórmulas para trabalhar de trás para frente, partindo do fluxo observado para prever as propriedades da matéria nuclear, como o quanto as partículas resistem ao serem espremidas.

No entanto, os pesquisadores descobriram que trabalhar de trás para frente nem sempre era direto. Embora o método tenha previsto com sucesso uma propriedade fundamental relacionada a como as partículas se espalham umas das outras, ele teve mais dificuldade em prever a rigidez da matéria nuclear, especialmente em energias de colisão mais baixas. As fórmulas às vezes produziam resultados que variavam mais de uma execução para outra em comparação com as redes neurais, sugerindo que a relação entre o fluxo e a rigidez da matéria é complexa e talvez não seja totalmente capturada pelas fórmulas simples que permitiram ao computador encontrar. A equipe observou que os dados de fluxo sozinhos podem não conter informações suficientes para determinar a rigidez perfeitamente, ou que as formas matemáticas utilizadas eram simples demais para descrever as sutis ondulações e oscilações nos dados. Apesar desses desafios, a capacidade de gerar equações claras e legíveis que rodam em velocidade de relâmpago oferece uma ferramenta poderosa. Ela permite que os físicos vejam exatamente como diferentes fatores influenciam o resultado de uma colisão, em vez de apenas confiar no palpite de um computador.

Os pesquisadores testaram sua abordagem usando dados de experimentos reais conduzidos pelas colaborações FOPI e HADES, que estudam essas colisões há anos. Eles descobriram que, na maior parte do tempo, suas novas fórmulas podiam reproduzir os resultados das simulações computacionais pesadas com alta precisão. O método funcionou bem em uma ampla gama de velocidades de colisão, de 150 a 800 milhões de elétron-volts por núcleon. A equipe também verificou o quão sensíveis seus resultados eram à quantidade de dados usados para treinamento e teste, descobrindo que a precisão permaneceu estável mesmo quando alteravam o tamanho dos conjuntos de dados. Eles também confirmaram que o método funcionava igualmente bem, quer utilizassem os números brutos das simulações ou números que haviam sido reduzidos em escala para facilitar o manuseio, embora tenham optado por manter os números originais para garantir que as fórmulas finais fizessem sentido físico.

Em última análise, este trabalho demonstra que o aprendizado de máquina pode fazer mais do que apenas fazer previsões; pode ajudar os cientistas a descobrir a linguagem subjacente da natureza. Ao fornecer equações explícitas, a regressão simbólica faz a ponte entre modelos computacionais complexos e a compreensão humana. Embora as redes neurais continuem sendo uma ferramenta forte para consistência, o novo método oferece uma vantagem única: fornece aos pesquisadores um mapa rápido e transparente da física em jogo. Isso é particularmente valioso para estudos futuros, onde os cientistas precisam explorar vastas possibilidades para entender as propriedades fundamentais da matéria. O estudo sugere que, embora algumas relações na física nuclear sejam complexas demais para fórmulas simples, muitas outras podem ser capturadas de forma clara e rápida, abrindo as portas para insights mais profundos sobre os blocos de construção do universo sem a necessidade de execuções computacionais intermináveis e lentas.

Resumo Técnico: Regressão Simbólica para Emulação Interpretável do Fluxo Coletivo de Prótons em Colisões de Íons Pesados de Energia Intermediária

Definição do Problema
Em colisões de íons pesados de energia intermediária, a extração de propriedades da matéria nuclear (como a incompressibilidade da matéria nuclear simétrica, $K$ , e o fator de modificação da seção de choque núcleon-núcleon no meio, $X$ ) a partir de observáveis experimentais (especificamente a inclinação do fluxo direcionado de prótons $F_1$ e o fluxo elíptico $v_2$ ) requer tipicamente simulações de modelos de transporte computacionalmente dispendiosas. Embora redes neurais profundas (DNNs) tenham sido empregadas com sucesso como "emuladores" para acelerar essas análises, elas funcionam como "caixas pretas", carecendo de formas analíticas explícitas. Isso limita sua utilidade em estudos de sensibilidade, manipulação analítica e na exploração de mapeamentos inversos onde os observáveis predizem os parâmetros subjacentes. Os autores investigam se a regressão simbólica pode servir como uma alternativa interpretável que oferece precisão preditiva competitiva, ao mesmo tempo em que fornece relações analíticas explícitas entre os parâmetros de entrada e saída do modelo.

Metodologia
O estudo utiliza conjuntos de dados gerados pelo modelo de transporte isospin-dependente Boltzmann-Uehling-Uhlenbeck (IBUU), anteriormente utilizado para inferência bayesiana de propriedades de transporte baseada em dados das colaborações FOPI e HADES. A pesquisa compara dois tipos de modelos substitutos (surrogate models):

Emuladores/Inversores de DNN: Modificados de trabalhos anteriores, utilizando duas redes neurais separadas (uma para cada saída) com otimização L-BFGS e perda de erro quadrático médio (MSE).
Modelos de Regressão Simbólica: Implementados utilizando o pacote PySR (uma interface Python para SymbolicRegression.jl). O espaço de busca foi restringido a funções racionais usando operadores binários específicos (+, -, *, /) e operadores unários (potências de 2ª, 3ª e 4ª ordens) com limites de aninhamento estritos (máximo de potência aninhada de 8) para garantir a interpretabilidade e evitar singularidades.

O estudo aborda duas direções:

Problema Direto (Emulador): Predizer observáveis ( $F_1, v_2$ ) a partir de parâmetros físicos ( $X, K$ ).
Problema Inverso (Inversor): Predizer parâmetros físicos ( $X, K$ ) a partir de observáveis ( $F_1, v_2$ ).

A seleção de equações envolveu 25 execuções independentes por conjunto de dados. Os candidatos foram avaliados com base no MSE, no coeficiente de determinação ( $R^2$ ), complexidade (contagem de nós), ausência de singularidades dentro do domínio dos dados e reprodutibilidade entre as execuções. Foi utilizada uma abordagem de fronteira de Pareto para equilibrar precisão versus complexidade.

Resultos Principais

Emulação Direta: A regressão simbólica alcançou precisão comparável às DNNs para predizer $F_1$ e $v_2$ a partir de $X$ e $K$ . Para os conjuntos de dados FOPI, ambos os métodos atingiram um $R^2$ médio $> 0,98$ . Para os conjuntos de dados HADES, as DNNs mostraram um $R^2$ consistente de $\approx 0,97$ , enquanto a regressão simbólica variou entre 0,80 e 0,99 entre as execuções. As expressões simbólicas forneceram formas analíticas explícitas que descreveram os dados melhor do que as regressões lineares utilizadas em estudos anteriores.
Inversão Inversa:
- Predição de $X$ : Ambos os métodos performaram bem ( $R^2 > 0,9$ ) para os conjuntos de dados FOPI. A regressão simbólica forneceu relações analíticas úteis entre $X$ , $F_1$ e $v_2$ , embora tenha exibido maior variação entre as execuções ( $> 0,05$ ) em comparação com as DNNs ( $< 0,02$ ).
- Predição de $K$ : Isto provou ser significativamente mais desafiador. As DNNs superaram consistentemente a regressão simbólica, particularmente em baixas energias de feixe (ex: $R^2 \approx 0,35$ a 150 MeV/nucleão). A regressão simbólica teve dificuldade em capturar a dependência complexa de $K$ em relação aos observáveis de fluxo, falhando frequentemente em melhorar em relação à regressão linear. A análise de resíduos indicou uma tendência sistemática onde os modelos sobreprediziam $K$ em valores baixos e subprediziam em valores altos, sugerindo que a base de funções racionais restrita ou os observáveis limitados ( $F_1, v_2$ ) eram insuficientes para restringir totalmente $K$ .
Velocidade Computacional:
- Treinamento: A regressão simbólica foi substancialmente mais lenta para treinar (minutos) em comparação com as DNNs (~0,1 s) devido à busca estocástica sobre expressões candidatas.
- Avaliação: Uma vez treinados, os modelos de regressão simbólica foram significativamente mais rápidos para avaliações repetidas. Para $10^6$ chamadas, o modelo simbólico exigiu apenas alguns segundos, enquanto a DNN exigiu vários minutos. A avaliação direta das expressões analíticas armazenadas (ignorando a infraestrutura do PySR) reduziu ainda mais o tempo de predição para dezenas de segundos para $10^6$ avaliações.
Robustez: O desempenho do emulador foi relativamente insensível ao tamanho da divisão de treinamento/teste (5% a 50%). A normalização dos dados não melhorou significamente o $R^2$ , mas introduziu riscos de singularidades ao transformar de volta para unidades físicas; portanto, dados não normalizados foram utilizados.

Significância e Alegações
O artigo afirma que a regressão simbólica oferece um complemento interpretável promissor para os emuladores de DNN em modelos de transporte de física nuclear. Seu valor primário reside no fornecimento de expressões analíticas explícitas que podem ser inspecionadas, diferenciadas e incorporadas diretamente em estudos de sensibilidade e análises Bayesianas. Embora o custo de treinamento seja maior e a consistência entre execuções seja menor do que as DNNs, a velocidade de avaliação rápida e a transparência analítica tornam a regressão simbólica particularmente vantajosa para aplicações que requerem milhões de avaliações de modelos, como propagação de incerteza e inferência Bayesiana de larga escala.

Os autores observam modestamente que, embora o estudo atual utilize um framework simplificado de dois observáveis e dois parâmetros, a abordagem demonstra a viabilidade de obter mapeamentos inversos analíticos. Eles sugerem que extensões futuras para problemas de múltiplos observáveis podem favorecer emuladores diretos rápidos em vez de mapeamentos inversos analíticos explícitos, devido ao aumento da dimensionalidade e ao potencial de não existência de soluções analíticas únicas. O estudo não alega resolver perfeitamente o problema inverso para a incompressibilidade $K$ , mas destaca as limitações dos observáveis atuais e das formas funcionais em restringir este parâmetro.

Mais como este