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

技术摘要：利用机器学习确定 $\sqrt{s_{NN}} = 4$ 和 11 GeV 重离子碰撞中的碰撞参数

问题陈述
确定碰撞中心度（由碰撞参数 $b$ 定义）是分析重离子碰撞（HIC）实验的基本前提，尤其是在与 STAR-FXT、NICA/MPD 和 FAIR/CBM 等设施相关的中等能量（$\sqrt{s_{NN}} \approx$ 几个 GeV）阶段。与超相对论能量不同，由于德布罗意波长与原子核尺寸相当，传统的 Glauber 模型（依赖于埃亚科尼近似/eikonal approximation）在这些较低能量下变得不再可靠。此外，传统的中心度确定方法通常依赖于将实验观测值（例如带电粒子多重数）拟合到输运模型模拟中。这种方法本质上是依赖模型的；不同的输运模型（如 UrQMD、AMPT、JAM）对于相同的碰撞参数可能会产生显著不同的粒子产额和分布。因此，基于某一特定模型的中心度校准可能无法推广到其他模型或真实的实验数据，从而引入的系统不确定性可能与核物质状态方程本身不相上下。

方法论
作者采用监督学习和无监督学习的机器学习（ML）框架，重建了 $\sqrt{s_{NN}} = 4$ 和 11 GeV 下 Au+Au 碰撞的碰撞参数。

• 数据生成： 使用三种不同的输运模型（超相对论量子分子动力学模型 UrQMD、多相输运模型 AMPT 以及 JAM 模型）生成了标记数据集。为了最大化参数空间并测试鲁棒性，使用了六种特定的配置：
  • UrQMD 包含三种设置：平均场 + 硬球模型（MH）、级联 + 硬球模型（CH）以及级联 + Woods-Saxon 模型（CW）。
  • AMPT 的字符串熔融（string-melting）版本。
  • JAM 包含两种设置：Woods-Saxon 模型的级联模式（C）以及软状态方程的平均场模式（M）。
  • 对于每种配置，模拟了 10,000 个 Au+Au 事件。数据集被分为 6,000 个训练事件和 4,000 个测试事件。
• 输入特征： 选择了六个逐事件观测值作为输入特征：带电 $\pi^-$ 和 $\pi^+$ 的产额（$N_{\pi^-}, N_{\pi^+}$）、带电 $\pi^-$ 和 $\pi^+$ 的中快度产额（$n_{\pi^-}, n_{\pi^+}$）以及带电 $\pi^-$ 和 $\pi^+$ 的总横动量（$p_{t\pi^-}, p_{t\pi^+}$）。选择这些特征是因为它们具有可测量性，且与其他观测值相比，其逐事件波动相对较小。
• 算法：
  • 监督学习： 使用 LightGBM（轻量级梯度提升机）算法进行回归（预测连续的 $b$）和分类（将事件分配到中心度类别）。
  • 无监督学习： 应用 K-means 聚类算法，仅根据输入观测值将事件划分为中心度类别，而不使用预定义的 $b$ 标签。
• 交叉验证策略： 进行了一项严格的交叉检查，即使用从一种输运模型（或特定设置）训练的模型在由不同模型生成的测试数据上进行测试。这与传统的基准方法进行了对比：即通过将带电 $\pi^-$ 产额与碰撞参数进行三阶多项式拟合的方法。

关键结果

1. 回归性能：

   • LightGBM 算法在所有场景下的平均绝对误差（MAE）保持在 0.2 至 0.4 fm 之间。
   • 至关重要的是，即使在跨模型测试（例如，在 UrQMD/CH 上训练并在 AMPT 上测试）中，这种高精度依然保持。MAE 保持在较低水平，表明其具有强大的泛化能力。
   • 相比之下，传统的多项式拟合方法仅在训练数据和测试数据来自同一模型时表现良好。当应用于不同模型的数据时，多项式拟合效果显著下降，产生了巨大的偏差，因为拟合参数无法在具有不同底层物理假设的模型间迁移。

2. 分类性能：

   • ML 模型成功地将事件分类为六个中心度类别（0–5%、5–10%、...、>60%）。
   • 在跨模型验证中，预测的各中心度类别事件比例与真实的模拟值偏差仅为 ~1%。
   • ML 预测的碰撞参数分布保持了与原始模拟一致的平滑、类高斯形状，这证明了该算法学习到的是重离子碰撞的一般统计模式，而非仅仅记住了特定模型的伪影。

3. 无监督聚类：

   • K-means 算法在特征空间（归一化 $\pi^-$ 多重数 vs 归一化横动量）中自主识别出六个截然不同的簇，这些簇直接对应于六个中心度类别。
   • 这些簇之间的重叠极小，并且符合物理预期，即中心碰撞（小 $b$）产生高多重数和高横动量，而外围碰撞（大 $b$）产生低值。
   • 这一过程是在没有任何对预定义模型分箱或地面真值（ground-truth）碰撞参数依赖的情况下实现的。

意义与主张
本文声称，机器学习为中等能量范围内的碰撞参数确定提供了一种鲁棒且与模型无关的解决方案。其主要意义在于展示了泛化能力：经过一种输运模型数据训练的 ML 算法可以准确预测由完全不同的模型生成的数据的碰撞参数。这解决了困扰传统中心度确定方法的模型依赖性问题。

作者断言，这种方法：

• 超越了 Glauber 模型和传统多项式拟合在中等能量下的局限性。
• 提供了一个数据驱动的框架，可以推广到处理来自 STAR-FXT、NICA 和 FAIR 等设施的真实实验数据。
• 为通过减少与中心度选择相关的系统不确定性，从而更可靠地提取核物质性质（如状态方程）奠定了基础。

研究结论指出，尽管目前的工作使用的是输运模型数据，但其强大的跨模型鲁棒性表明，该方法已准备好应用于实验观测值，有望提高未来重离子碰撞实验的精度。