В работе проведен сравнительный анализ и поиск оптимальной модели машинного обучения, которая позволила бы предсказывать значения ненаблюдаемых величин, характеризующих центральность, основываясь на экспериментальных данных для наблюдаемых величин: числа заряженных частиц и числа нейтральных частиц, рождающихся во взаимодействии как тяжелых, так и легких ультрарелятивистских ядер. Искомыми ненаблюдаемыми величинами были число раненых нуклонов, участвующих во взаимодействии, и число бинарных нуклон-нуклонных столкновений. В качестве моделей машинного обучения были выбраны и рассмотрены линейная и полиномиальные регрессии различных степеней, дерево решений (ДР), случайный лес (СЛ) и многослойный перцептрон (МП). Точность предсказания моделей характеризовалась и проверялась коэффициентом детерминации. Установлено, что модели ДР, СЛ и МП с наибольшей точностью предсказывают искомые значения, т. е. дают одинаково хорошие результаты.

In the paper, a comparative analysis and a search for the optimal machine learning model have been conducted. The model should predict the values of unobservable centrality-related quantities based on the experimental data for observable quantities, namely, the number of charged particles and the number of neutral ones born in the interactions of both heavy and light ultrarelativistic nuclei. The sought-for unobservable values were the numbers of wounded nucleons involved in the interactions and of the binary nucleon-nucleon collisions. Linear and polynomial regressions of various degrees, a decision tree (DT), a random forest (RF), and a multilayer perceptron (MP) were chosen and considered as machine learning models. The prediction accuracy of the models was characterized and tested by the coefficient of determination. The DT, RF, and MP models were found to predict the desired values with the highest accuracy, i. e., they gave equally good results.

Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Сер.: Физико-математические науки. — Санкт-Петербург: СПбПУ, 2019 -. — Электрон. журнал. — Периодичность: 4 раза в год. — Выходит с 07.2019. — Свободный доступ из сети Интернет (чтение, печать, копирование). — Текст: электронный

Научно-технические ведомости Санкт-Петербургского государственного политехнического университета. Сер.: Физико-математические науки. — Санкт-Петербург: СПбПУ, 2019 -. Т. 16, № 2, 2023. — 1 файл (10,5 Мб). — Свободный доступ из сети Интернет (чтение, печать, копирование). — <URL:http://elib.spbstu.ru/dl/2/j23-381.pdf>.