使用深度学习与核碰撞判断中子皮类型的尝试
Abstract
中子在原子核内的分布对确定中子皮厚度、原子核的对称能、致密核物质状态方程以及中子星质量半径关系都极为重要. 但提取中子在原子核内的分布异常困难. 理论上, 重原子核的多体量子从头算方法遭遇维数灾难. 实验上, 中子不带电, 不像电荷分布(质子分布)那样可以直接测量. 杰佛逊实验室的宇称破缺电子散射实验, 通过宇称破缺测量弱荷(中子)分布. 我们尝试从重离子碰撞的末态强子分布提取中子在原子核内的分布. 原则上, 质子和中子在原子核内的分布对应着核碰撞的初态涨落和关联, 这些信息经过碰撞后的相对论流体力学演化和强子输运会最终转化为末态强子在动量空间的关联. 如何建立核结构的初态涨落与末态关联之间的映射, 是利用重离子碰撞确定初态核结构的关键. 正向过程中, 我们从halo类型、skin类型以及无中子皮(noskin)三种不同的中子分布抽样$^{208}\mathrm{Pb}$原子核,并使用相对论分子动力学模型SMASH进行halo-halo, skin-skin以及noskin-noskin三类核核碰撞模拟, 得到末态强子的动量信息.人工智能技术中的深度神经网络拥有非常强大的模式识别能力和在不同数据类型之间建立映射的能力. 我们使用点云神经网络和卷积神经网络, 分别根据抽样出的初态核子分布和碰撞后的末态强子分布, 判断$^{208}\mathrm{Pb}$原子核的中子皮类型. 因为涨落效应的存在, 深度神经网络使用初态核子的坐标仅可在halo和skin类型两分类任务中达到$62%$的分类精度. 使用末态强子的动量信息无法在统计误差范围内成功分类halo-halo和skin-skin两种类型的核碰撞.但在三分类任务中, 使用末态强子信息, 分类准确度达到$37.47%$, 超过3万个测试样本三分类随机猜测准确度($33.3%$)约4个百分点. 即人工神经网络虽然无法区分中子皮的种类, 但能以一定的概率从核碰撞末态确定$^{208}\mathrm{Pb}$原子核中是否存在中子皮.如果筛选出超级擦边碰撞事件, 使用多样本混合的方法和参与碰撞粒子的电荷信息, 人工神经网络在halo-halo和skin-skin分类中拥有大约$56%$的分类精度.
