[论文解读] Mapping properties of the quark gluon plasma in Pb-Pb and Xe-Xe collisions at energies available at the CERN Large Hadron Collider

L. Vermunt, Y. Seemann+6 more|arXiv (Cornell University)|Jan 1, 2023

High-Energy Particle Collisions Research参考文献 77被引用 1

一句话总结

本研究提出了一种基于神经网络代理模型的贝叶斯推断框架，用于提取LHC中Pb-Pb和Xe-Xe碰撞中夸克-胶子等离子体（QGP）的关键输运性质。通过结合TrENTo生成初始条件、FluiduM进行黏性流体动力学模拟，以及FastReso处理共振态衰变，该方法同时约束了剪切黏性系数与熵密度之比、体积黏性系数与熵密度之比、冻结温度、初始时间及熵密度，借助机器学习增强的参数推断，实现了高计算效率与稳健的不确定性量化。

ABSTRACT

A phenomenological analysis of the experimental measurements of transverse momentum spectra of identified charged hadrons and strange hyperons in Pb-Pb and Xe-Xe collisions at the LHC is presented. The analysis is based on the relativistic fluid dynamics description implemented in the numerically efficient extsc{Fluid{\it u}M} approach. Building on our previous work, we separate in our treatment the chemical and kinetic freeze-out, and incorporate the partial chemical equilibrium to describe the late stages of the collision evolution. This analysis makes use of Bayesian inference to determine key parameters of the QGP evolution and its properties including the shear and bulk viscosity to entropy ratios, the initialisation time, the initial entropy density, and the freeze-out temperatures. The physics parameters and their posterior probabilities are extracted using a global search in multidimensional space with modern machine learning tools, such as ensembles of neural networks. We employ our newly developed fast framework to assess systematic uncertainties in the extracted model parameters by systematically varying key components of our analysis.

研究动机与目标

• 采用全局贝叶斯拟合方法，确定重离子碰撞中夸克-胶子等离子体的剪切黏性系数与熵密度之比。
• 在流体动力学建模中分离化学冻结与动力学冻结过程，以更准确描述晚期演化行为。
• 通过引入考虑数据相关性与参数不确定性的贝叶斯方法，替代传统卡方最小化，以改进参数推断。
• 开发并应用一种快速神经网络代理模型，替代流体动力学模拟中的耗时完整模型计算，从而实现对模型参数系统性不确定性的高效探索。
• 利用LHC实验数据中识别强子与奇异超子的横向动量谱，约束初始熵密度与冻结温度。

提出的方法

• 采用TrENTo模型，为√sNN = 5.02与5.44 TeV的Pb-Pb和Xe-Xe碰撞生成事件相关的初始条件。
• 利用FluiduM框架进行相对论性黏性流体动力学模拟，采用模态分离技术提升计算速度，并引入受杨-米尔斯理论启发的剪切黏性系数与熵密度之比参数化形式。
• 应用FastReso代码模拟共振态衰变与末态粒子谱。
• 利用一种新型神经网络代理模型，该模型基于流体动力学模拟训练而成，用于在贝叶斯推断中替代耗时的完整模型评估，从而实现在高维参数空间中的快速采样。
• 通过马尔可夫链蒙特卡洛（MCMC）方法进行贝叶斯推断，结合神经网络代理模型，探索模型参数的后验分布。
• 系统性地改变分析组件（如初始条件模型、超子的包含与否），以量化关键参数推断中的系统性不确定性。

实验结果

研究问题

• RQ1 在LHC中Pb-Pb与Xe-Xe碰撞形成的QGP中，剪切黏性系数与熵密度之比η/s的后验分布为何？
• RQ2 化学冻结温度与动力学冻结温度有何差异？在流体动力学模型中分离二者会产生何种影响？
• RQ3 包含奇异超子与采用改进的初始条件在多大程度上影响推断出的QGP性质？
• RQ4 与传统高斯过程回归相比，神经网络代理模型在速度、精度与不确定性量化方面表现如何？
• RQ5 当关键分析组件（如初始条件模型、共振衰变处理方式）发生变化时，所提取参数的系统性不确定性如何？

主要发现

• 剪切黏性系数与熵密度之比η/s的后验分布与0.11–0.13附近的值一致，与理论预期及先前格点QCD估算相符。
• 体积黏性系数与熵密度之比ζ/s较小，其后验均值接近于零，表明流体行为接近理想流体。
• 化学冻结温度Tchem ≈ 105–115 MeV，而动力学冻结温度Tkin ≈ 85–95 MeV，表明两者之间存在显著的时间间隔。
• 流体动力学演化初始时间τ0被约束在τ0 ≈ 0.6–0.8 fm/c之间，与热化理论预期一致。
• 通过改变初始条件模型与共振衰变处理方式所获得的系统性不确定性已量化，关键参数如η/s与Tchem的不确定性在5–10%以内。
• 神经网络代理模型相较完整流体动力学模拟将计算成本降低了数量级，实现了高效的MCMC采样与稳健的不确定性量化。