基于机器学习从逐事件重离子碰撞提取物理信息

在重离子碰撞实验和输运模型模拟中均可逐事件获取观测量数据,然而,利用重离子碰撞研究核物质性质时通常只使用观测量对所有事件的平均值。机器学习拥有强大的数据分析和处理能力,可有效利用逐事件观测量数据中包含的丰富信息。本文通过极端相对论量子分子动力学(UrQMD)模型和机器学习算法的结合,为相关问题的研究提供新途径。研究结果显示,机器学习方法可从逐事件的观测量数据中提取关键物理参数的信息。此外,利用机器学习中特征量重要性归因方法,还可找出对提取相关参数最重要的特征量,从而对研究这些问题提供有价值的参考。

相对论重离子碰撞中逐事件横动量起伏的蒙特卡罗研究(英文)

用蒙特卡罗模型研究了相对论重离子碰撞中逐事件横动量起伏与多重数的关联,发现蒙特卡罗产生器HIJING不能描述实验现象.提出了一个简单的蒙特卡罗模型,可以与实验一致,有助于理解逐事件横动量起伏与多重数关联的动力学起源.

快度间隔分析与逐事件快度关联(英文)

本文推导了逐事件快度间隔的起伏与逐事件快度关联的关系.分析表明:快度间隔分析中新的和有意义的部分是推广的两粒子快度关联矩.对于一些特殊的两粒子和矩阶数这些矩有明确的物理意义.

相对论重离子碰撞中逐事件横动量起伏对多重数依赖性的蒙特-卡洛研究

利用RQMD与EPOS蒙特-卡洛事件产生器对STAR实验组130GeV金-金碰撞中逐事件横动量起伏的多重数依赖性进行了研究。发现两种蒙特-卡洛产生器都能得到单事件平均横动量随多重数变化。EPOS能够复现STAR所发现的差异因子!"ptn随多重数的升高而首先上升然后下降,但其变化比STAR实验观察到的更陡,且峰的位置比实验结果偏向较低的多重数。RQMD所得到的差异因子#$ptn随多重数的上升较缓,没有明显的峰。