机器学习仿真中能重离子碰撞的集体流与核阻止本领

Abstract

重离子碰撞实验结合输运模型模拟是提取核物质性质信息的重要手段之一。贝叶斯分析是一种能够从实验数据与理论计算的比较中提取信息的统计方法，因此得到广泛应用。在此过程中，通常需借助马尔可夫链蒙特卡罗方法在参数空间中进行采样，并随后开展输运模型模拟计算。然而，由于输运模型的计算复杂且耗时较长，为提高效率，可通过机器学习算法训练一个输运模型仿真器。本文采用高斯过程、多任务神经网络和随机森林三种机器学习算法，对极端相对论量子分子动力学（Ultra-relativistic Quantum Molecular Dynamics，UrQMD）输运模型仿真器进行训练。在与核物质性质相关的三个参数的先验分布范围内，选取了150组参数的结果作为训练集，并通过UrQMD输运模型模拟这些参数下入射能量为每核子0.25 GeV的金金碰撞。从末态粒子信息中提取自由质子的直接流、椭圆流以及核阻止本领等观测量。此外，随机选取20组参数的结果作为测试集以验证仿真器的效果。结果显示：高斯过程、多任务神经网络和随机森林三种算法在测试集上的预测结果决定系数R²分别为0.95、0.93和0.85，这表明高斯过程和多任务神经网络在模拟输运模型计算的观测量时具有较高的准确性，能够显著加速输运模型的计算过程。

Keywords

• 重离子碰撞
• 核物质状态方程
• 输运模型
• 机器学习
• 仿真器