DNN predictions for pp reference $p_\mathrm{T}$ spectra at unmeasured $\sqrt{s}$

本文提出了一种基于深度神经网络的方案，该方案利用大型强子对撞机（LHC）第 1 和第 2 次运行期间的 ALICE 数据进行了训练，旨在对与 LHC 第 3 次运行及未来阶段相关的未测量质心能量下的质子 - 质子横动量谱进行插值和外推。

要点

想象一下，你试图理解两个巨大的、超高温火球碰撞时会发生什么。在粒子物理学世界中，这些是重离子碰撞，它们会产生一种由基本粒子组成的“汤”，称为夸克 - 胶子等离子体。为了理解这种“汤”，科学家需要一个对照组：他们需要知道当两个简单粒子（质子）在完全相同的条件下碰撞时会发生什么，但不会形成这种“汤”。这被称为质子 - 质子（pp）参考。

问题在于，大型强子对撞机（LHC）是一台可以调节到不同能级的机器。有时，科学家会在已经测量过质子 - 质子碰撞的能级上进行实验。而有时，他们会在新的、未测量的能级上进行实验。当没有针对特定能级的直接测量数据时，他们必须推测质子 - 质子数据会是什么样子。

传统上，科学家使用两种方法进行推测：

1. 理论推测：使用复杂的数学公式（如 pQCD），这些公式对极快粒子效果很好，但对中等速度粒子则变得不可靠。
2. “连线”推测：在两个现有测量点之间画一条平滑线。如果你假设这条线遵循某种特定的简单形状（如直线或曲线），这种方法就有效，但真实数据可能是波动且复杂的。

新方案：“智能预测器”
本文介绍了一种使用**深度神经网络（DNN）**进行推测的新方法。可以将这个 DNN 想象成一名超级聪明的学生，他研读了一本关于质子碰撞数据的庞大教科书。

• 训练：这名学生（DNN）被喂食了来自 LHC 上 ALICE 实验的数据，涵盖了五个不同的能级（2.76、5.02、7、8 和 13 TeV）。它学习了粒子产生随能量变化的模式。
• 技巧：学生不仅仅是死记硬背数字，而是学习了数据的形状。研究人员教导学生以一种特殊的方式（使用对数）查看数据，这样粒子计数的巨大差异就不会让它感到困惑。
• 测试：在将其应用于真实数据之前，团队用两种不同的计算机模拟（PYTHIA 和 EPOS LHC）生成的“假”数据对学生进行了测试。该学生表现优异，准确预测了它从未见过的能级（无论是低于还是高于其学习过的能级）的数据。

学生现在能做什么
一旦证明该学生可靠，团队就用真实的 ALICE 数据对其进行了训练。现在，DNN 可以作为能级的通用翻译器。

• 填补空白：如果科学家在 9.62 TeV（一个新能级）进行实验，DNN 可以精确预测质子 - 质子参考数据应该是什么样子，即使没有人直接测量过它。
• “比率”魔法：为了使这些预测有用，DNN 不仅仅是猜测原始数字；它计算已知能级（如 5.02 TeV）与新能级之间的比率。这就像说：“如果能量 A 处的碰撞产生 100 个粒子，那么能量 B 处将产生 120 个粒子”，而不管实验的总规模如何。
• 比较：论文表明，这种“智能预测器”在高速下与最佳理论数学一致，在低速下与简单的“连线”方法匹配，并填补了其他方法难以应对的中间空白。

为什么这很重要
有了这个工具，科学家现在可以计算新实验（如 LHC 第 3 次运行中的实验）的“核修正因子”（$R_{AA}$），而无需等待数年才能获得直接的质子 - 质子测量数据。它提供了跨越广泛能级的粒子行为的连续、平滑图谱，消除了必须假设数据遵循某种特定、僵硬的数学形状的需求。

简而言之，本文提出了一种机器学习工具，它从过去的质子碰撞中学习，以准确预测我们在尚未测量的能级上未来碰撞会发生什么，从而作为研究宇宙中最热物质的可靠参考。

技术摘要

技术摘要：DNN 对未测量$\sqrt{s}$下 pp 参考$p_T$谱的预测

问题陈述
在通过高能重离子碰撞研究夸克 - 胶子等离子体（QGP）时，核修正因子（$R_{AA}$）是一个关键可观测量。其计算需要在与重离子碰撞相同的每核子对质心能量（$\sqrt{s_{NN}}$）下具备基准质子 - 质子（pp）参考测量值。然而，针对当前或未来重离子运行相关的特定能量，往往缺乏合适的 pp 测量数据。传统上，这些参考谱是通过利用理论能量依赖性（仅在高中$p_T$下可靠）对现有谱进行缩放，或通过假设函数形式（例如幂律或$x_T$标度）在实验点之间进行插值来构建的。这些经典方法依赖于关于粒子产生能量依赖性的特定假设，而这些假设可能无法在所有运动学区域（特别是中间$p_T$或未测量能量下）成立。

方法论
本工作提出了一种数据驱动方法，利用深度神经网络（DNN）对未测量碰撞能量下的全包容带电粒子横向动量（$p_T$）谱进行插值和外推，且无需假设特定的能量依赖函数形式。

• 数据集与预处理：模型在 ALICE 的 LHC 第 1 和第 2 次运行数据上进行训练，涵盖五个碰撞能量（$\sqrt{s} = 2.76, 5.02, 7, 8, \text{和 } 13 \text{ TeV}$）。数据集包含每个能量下$0.15 < p_T < 10 \text{ GeV}/c$范围内的 46 个$dN/dp_T$值。为优化性能，输入变量（$p_T, \sqrt{s}$）和输出（$dN/dp_T$）均经过对数变换。此外，对输出应用$1/p_T$缩放以辅助低$p_T$外推。通过在界限内对数据点进行 500 次变化来考虑系统不确定性。
• 模型架构与训练：在 TensorFlow 中实现的全连接 DNN 使用 Nadam 优化器进行训练，以最小化平均绝对误差（MAE）。架构通过超参数扫描（变化层数、节点数、激活函数、初始化器、学习率和批量大小）并利用贝叶斯优化确定。该扫描利用 PYTHIA（Monash 2013 调节）模拟数据来识别最佳架构。
• 不确定性估计：总不确定性源自两个来源：
  1. 偶然不确定性（Aleatoric uncertainty）：通过训练 20 个具有相同架构但不同初始化值的模型集合来量化。
  2. 认知不确定性（Epistemic uncertainty）：通过 5 个具有不同架构（超参数扫描中排名前五的架构）的模型集合来量化。
     总不确定性是这两个分量的二次方和。
• 验证与应用：通过 PYTHIA 选择的架构在独立的 EPOS LHC 模拟数据集上进行验证。随后，基于实际 ALICE 数据训练最终的“基于 ALICE 的 DNN"。为了改善高$p_T$外推，训练集通过添加参数化至$p_T = 50 \text{ GeV}/c$的幂律数据进行了扩展。

关键结果

• 插值与外推：DNN 对训练数据实现了极好的描述，并在测量能量范围内进行了精确插值。随着与训练数据的能量差异增大，外推性能下降；偏差在未测量的较低能量（$\sqrt{s} = 1.5 \text{ TeV}$）和高$p_T$（$> 10 \text{ GeV}/c$）处最为显著。
• 与其他方法的比较：
  • 在低$p_T$处，DNN 与 PYTHIA 模拟和幂律插值吻合良好。
  • 在中间$p_T$处，DNN 在高达$\approx 5 \text{ GeV}/c$的范围内与幂律方法保持一致。
  • 在高$p_T$处，DNN 预测在重叠区域（$3 < p_T < 50 \text{ GeV}/c$）与 NLO pQCD 计算及基于$x_T$的插值一致。
  • 与因逐区间拟合而表现出波动的幂律插值不同，DNN 提供了平滑、连续的预测。
• 参考谱的构建：作者展示了 LHC 第 3 次运行及以后（$\sqrt{s} = 5.36, 6.37, 9.62, \text{和 } 13.6 \text{ TeV}$）的 pp 参考$p_T$谱的构建。这是通过缩放基准测量值（$\sqrt{s} = 5.02 \text{ TeV}$）实现的，缩放因子为目标能量与基准能量下 DNN 预测值的比率，并针对总非弹性截面的比率进行了修正。这使得能够计算那些缺乏直接 pp 测量的碰撞（例如$\sqrt{s} = 9.62 \text{ TeV}$下的 pO 碰撞）的$R_{AA}$。

意义与主张
本文主张，基于 DNN 的方法为构建 pp 参考谱提供了一种稳健的、无假设的替代方案，以取代传统的理论驱动或函数插值方法。通过避免关于支配谱能量依赖性的底层物理过程的假设，该模型在宽$p_T$范围（$0.10 - 50 \text{ GeV}/c$）和能量范围（$1.5 - 27 \text{ TeV}$）内提供连续预测。作者指出，虽然模型是在全包容带电粒子上训练的，但该方法可扩展至单个粒子种类。该方法成功弥合了现有测量与未来重离子计划能量需求之间的差距，促进了即将到来的 LHC 运行中 QGP 性质的分析。