Symbolic Regression for Interpretable Emulation of Proton Collective Flow in Intermediate-Energy Heavy-Ion Collisions
本文表明，符号回归能够有效地模拟具有同位旋依赖性的玻尔兹曼-乌伦贝克-乌林（Boltzmann-Uehling-Uhlenbeck）输运模型，以媲美深度神经网络的准确度来预测质子集体流观测值，并提供具有可解释性的解析表达式和更快的评估速度，尽管其训练时间较长。
原始论文根据 CC0 1.0（http://creativecommons.org/publicdomain/zero/1.0/）发布到公有领域。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在物质的核心，质子和中子结合在一起形成原子核，那里存在着一个受难以直接测量的力所支配的世界。当科学家将重原子核以极高的速度撞击在一起时，这些粒子会创造出一种转瞬即逝的超高密度物质状态，模拟了中子星核心或早期宇宙中的条件。为了理解这些碰撞中发生了什么，研究人员依赖于复杂的计算机模拟，这些模拟充当了虚拟实验室。这些模型根据关于核力和物质硬度的特定规则来计算粒子的相互作用。然而，运行这些模拟过程极其缓慢且计算成本高昂，使得测试每一种可能的规则变化以观察其是否符合现实变得非常困难。科学家们需要一种方法，能够快速预测碰撞的结果，而无需等待数小时或数天进行完整的计算机计算；他们还需要一种逆向工作的方法：通过观察碰撞产生的碎片，来推断出底层的规则必须是什么。
东德克萨斯 A&M 大学的一个研究小组开发了一种新方法来解决这一问题，为探索重离子碰撞物理学提供了一种更快速、更透明的方式。他们专注于从这些碰撞中提取的两个关键测量指标：质子横向流动的路径，以及它们在飞散过程中拉伸成椭圆形的形态。这些流动模式就像是碰撞所产生的核物质的“指纹”。该团队使用了一种称为符号回归（symbolic regression）的技术，这是一种机器学习形式，其设计目的不仅是寻找模式，还要写下描述这些模式的实际数学公式。与那些表现得像“黑箱”一样（即只输入输出而不揭示其实现过程）的标准人工智能模型不同，这种新方法能产生清晰、可读的方程，任何人都能阅读并理解。研究人员将这种方法与深度神经网络（这是物理学中更常用的机器学习类型）进行了对比，以观察哪种工具在模拟缓慢且沉重的模拟过程方面表现更好。
研究发现，符号回归方法在预测碰撞条件下质子流动的准确性方面，与深度神经网络不相上下。更重要的是，它提供了连接碰撞设置与结果之间的显式公式。一旦找到这些公式，它们就可以比神经网络快数百万倍地进行预测。虽然神经网络在初始设置上更快，但符号公式的效率极高，可以在短短几秒钟内完成一百万次计算，而神经网络完成同样的工作则需要数分钟。这种速度对于需要进行大规模统计测试以了解测量不确定性的科学家来说至关重要。研究人员还反转了这一过程，利用这些公式从观测到的流动中逆向推导，以预测核物质的性质，例如粒子抵抗被挤压的程度。
然而，研究人员发现，逆向工作并不总是那么直接。虽然该方法成功预测了一个与粒子散射相关的关键属性，但在预测核物质的硬度（尤其是较低碰撞能量时）方面却显得较为吃力。这些公式产生的结果有时会比神经网络在多次运行中表现出更大的波动，这表明流动与物质硬度之间的关系非常复杂，或许并未被这些让计算机寻找的简单公式完全捕捉。团队指出，流动数据本身可能不足以完美地确定硬度，或者他们使用的数学形式过于简单，无法描述数据中微妙的起伏与涟漪。尽管面临这些挑战，生成清晰、可读方程的能力仍然提供了强大的工具。它让物理学家能够看清不同的因素是如何影响碰撞结果的，而不是仅仅信任计算机的猜测。
研究人员使用来自 FOPI 和 HADES 协作组进行的真实实验数据对他们的方法进行了测试，这些协作组多年来一直在研究这些碰撞。他们发现，在很大程度上，他们的新公式能够高精度地重现重型计算机模拟的结果。该方法在 150 到 8 亿电子伏特/核子的广泛碰撞速度范围内均表现良好。团队还检查了结果对用于训练和测试的数据量的敏感性，发现即使改变数据集的大小，准确性也能保持稳定。他们还确认，无论使用来自模拟的原始数值，还是经过缩放处理以使其更容易处理的数值，该方法的效果都同样出色，不过他们选择了保留原始数值，以确保最终公式具有物理意义。
最终，这项工作证明了机器学习不仅可以进行预测，还可以帮助科学家发现自然的底层语言。通过提供显式方程，符号回归架起了复杂计算机模型与人类理解之间的桥梁。虽然神经网络仍然是一个强大的工具，但新方法提供了一个独特的优势：它为研究人员提供了一张快速、透明的物理过程地图。这对于未来需要探索广阔的可能性以理解物质基本属性的研究尤为珍贵。研究表明，虽然在核物理学中有些关系过于复杂，无法用简单公式描述，但许多其他关系可以被清晰且快速地捕捉，这为在无需进行无休止、缓慢的计算机运行的情况下，深入洞察宇宙基本组成部分开启了大门。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。