利用机器学习研究中低能重离子碰撞中的物理问题

O571.6; 中低能重离子碰撞的内禀涨落破坏了重离子碰撞的初态输入量与末态观测量的一一对应关系,从而对利用机器学习从末态观测量反推感兴趣的初态输入物理量,如碰撞参数、状态方程等提出了新的挑战.本文从微观动力学输运模型出发,分析了末态观测量相对于初态输入量产生分布的原因.理论计算表明末态观测量对于初态输入量的涨落近似满足高斯形式.通过结合贝叶斯定理和无监督的机器学习算法,可以模型无关地分类碰撞的事件以及重构碰撞参数的分布.进一步利用两种神经网络对质子、中子在同位旋非对称介质中有效质量的劈裂进行了分析,指出末态实验数据的扁平化处理能提高卷积神经网络和简单神经网络分辨质子、中子有效质量劈裂的精度....

Full description

Saved in:
Bibliographic Details
Published in原子能科学技术 Vol. 57; no. 4; pp. 751 - 761
Main Authors 张英逊, 王方元, 李理, 陈响, 崔莹, 王馨钰, 杨钧评, 赵凯
Format Journal Article
LanguageChinese
Published 中国原子能科学研究院核物理研究所,北京 102413 01.04.2023
广西师范大学广西核物理与核技术重点实验室,广西桂林 541004%中国原子能科学研究院核物理研究所,北京 102413
Subjects
有效质量劈裂
重离子碰撞
碰撞参数
涨落机制
机器学习算法
输运理论模型
Online AccessGet full text
ISSN1000-6931
DOI10.7538/yzk.2023.youxian.0043

Cover

More Information
Summary:O571.6; 中低能重离子碰撞的内禀涨落破坏了重离子碰撞的初态输入量与末态观测量的一一对应关系,从而对利用机器学习从末态观测量反推感兴趣的初态输入物理量,如碰撞参数、状态方程等提出了新的挑战.本文从微观动力学输运模型出发,分析了末态观测量相对于初态输入量产生分布的原因.理论计算表明末态观测量对于初态输入量的涨落近似满足高斯形式.通过结合贝叶斯定理和无监督的机器学习算法,可以模型无关地分类碰撞的事件以及重构碰撞参数的分布.进一步利用两种神经网络对质子、中子在同位旋非对称介质中有效质量的劈裂进行了分析,指出末态实验数据的扁平化处理能提高卷积神经网络和简单神经网络分辨质子、中子有效质量劈裂的精度.
ISSN:1000-6931
DOI:10.7538/yzk.2023.youxian.0043