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

技术摘要：作为核结构干涉仪的超外围碰撞与可解释多任务深度学习

问题陈述
精确确定核结构，特别是同时提取集体形状形变（例如四极矩形变 $\beta_2$）和中子皮厚度（$\Delta r_{np}$），仍然是一个重大挑战。传统的探测手段（如弹性电子散射）面临着“结构纠缠问题”，即形变与中子皮的特征在观测值中是不可分割地耦合在一起的。虽然超外围碰撞（UPC）提供了一条实现相干干涉层析成像的路径——其中一个原子核的增强电磁场充当激光源，两个原子核充当双缝狭缝——但从由此产生的横向动量（$p_\perp$）分布中提取定量约束是一个困难的反问题。

核心困难源于“全息简并性”。在实验中，原子核是随机取向的，这种系综平均会导致干涉相位发生模糊。这种随机涨落会填补干涉极小值，并产生相关联的谱图畸变，使得简单的解析反演无法将其解耦。此外，实验现实中的有限探测器分辨率、非相干光致产背景以及中子标记效应，进一步重塑了有效冲击参数分布，从而掩盖了区分衍射（对中子皮敏感）与干涉（对形变敏感）模式的清晰界限。

方法论
作者提出了一个可解释的多任务深度学习框架，将其概念化为一种“AI增强透镜”，旨在将横向动量分布直接映射到多个核结构指标。

1. 物理建模： 研究利用 Glauber 矢量介子主导（VMD）框架，模拟了 $\sqrt{s_{NN}} = 200$ GeV 下 $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ 碰撞中的相干 $J/\psi$ 光致产过程。核密度采用包含四极矩（$\beta_2$）和八极矩（$\beta_3$）形变的变形 Woods–Saxon 轮廓进行建模，并结合不同的质子和中子分布来模拟皮型（skin-type）和晕型（halo-type）中子皮。
2. 数据生成： 模拟生成了经过欧拉角随机平均处理的二维横向动量分布（$p_x, p_y$）图像，以模拟实验中的系综平均。至关重要的是，训练数据集包含了相干信号和非相干背景（通过标准 Glauber 方法建模），以迫使网络学习能够抵御背景污染的鲁棒几何特征。
3. 网络架构： 该框架采用 ResNet-34 主干网络处理 224 $\times$ 224 的输入图像。架构利用共享特征提取器（阶段 1–4）以及三个任务特定的分支（head）：两个用于 $\beta_2$ 和 $\beta_3$ 回归的回归分支，以及一个用于中子皮类型（皮型、晕型或无）的分类分支。这种多任务设计迫使网络学习统一的潜在表示，以捕捉形变与结构效应对干涉图样的共同依赖关系。
4. 可解释性： 为了验证模型的物理相关性，作者应用了预测差异分析（PDA）来识别驱动特定推断的动量空间区域。

关键结果

• 性能： 该模型在包含非相干背景的压力测试环境中表现出高精度。在现实背景水平（$n=1$）下，框架实现了 $R^2 \approx 0.96$ 的 $\beta_2$ 精度和 $R^2 \approx 0.93$ 的 $\beta_3$ 精度，并在中子皮类型分类方面达到了 99.3% 的准确率。即使当非相干截面被放大两个数量级（$n=100$）时，该模型仍保持稳健的性能，尽管 $\beta_3$（其诱导的是更细微、局部的修改）的性能下降速度略快于 $\beta_2$。
• 特征解耦： 可解释性分析表明，网络成功分离了两个结构部门的物理驱动因素：形变参数（$\beta_2, \beta_3$）的回归主要由暗干涉条纹（相位敏感区域）驱动，而中子皮类型的分类则依赖于亮衍射斑边缘（振幅敏感区域）。
• 观测量的导出： 作者将这些学习到的特征转化为实验可及的运动学观测量：
  • 形变： 映射到“条纹平均值”（最低 5% 像素的平均强度），该值与极低 $p_T$（$< 0.005$ GeV/c）下的产额比以及低 $p_T$ 区域的各向异性流系数（$v_2, v_3$）相关。
  • 中子皮： 映射到亮斑的“半高全宽”（HWHM），该值与高 $p_T$ 区域（$0.14 < p_T < 0.16$ GeV/c）的平均横向动量 $\langle p_T \rangle$ 以及各向异性流系数相关。

意义与主张
本文声称为解决长期存在的无法同时约束核形变和中子皮厚度（且不存在传统拟合程序中的参数简并）的问题提供了方案。通过将 UPCs 处理为费米尺度下的双缝实验并应用深度学习，作者证明了可以有效地解耦核形状与表面弥散性的纠缠特征。

其主要贡献不仅在于深度学习的应用，更在于其可解释性，这架起了高维谱图形状与特定运动学窗口之间的桥梁。作者认为，这种方法为未来高亮度实验（如 RHIC、LHC 和 EIC）提供了一种“数据驱动协议”。具体而言，他们声称在确定的运动学窗口内，标准的流哈希（flow harmonics）和产额比可以作为复杂干涉图样的代理，从而在无需进行完整图像重建或依赖模型的全局拟合的情况下，实现对核几何结构的定量约束。这项工作表明，这种“AI 增强透镜”可以扩展到探测空间胶子密度和广义部分子分布（GPDs），为在费米尺度上成像原子核开辟了新路径。