Details

Данная работа продолжает исследования возможностей моделей машинного обучения, направленные на поиск оптимального пути предсказания значений ненаблюдаемых величин, характеризующих центральность, основываясь на экспериментальных данных для наблюдаемых величин: числа заряженных частиц и числа нейтронов, рождающихся во взаимодействии ультрарелятивистских ядер. Искомыми ненаблюдаемыми величинами были число раненых нуклонов, участвующих во взаимодействии, и число бинарных нуклон-нуклонных столкновений. В качестве моделей машинного обучения были протестированы дерево решений, случайный лес и многослойный перцептрон (МП). Точность предсказания моделей характеризовалась коэффициентом детерминации R{2}. Получены зависимости значений R{2} от начальных энергий (40 – 200 ГэВ) для разных систем сталкивающихся ядер. Установлено, что модель МП способна с хорошей точностью предсказывать значения искомых величин в широком диапазоне начальных энергий для различных систем ядерных взаимодействий.

This paper continues studies in machine learning models capabilities aimed to finding the best way to predict the values of unobservable quantities that characterize centrality, based on experimental data for observable quantities: the number of charged particles and the number of neutrons produced in ultrarelativistic nuclear interactions. The sought-for unobservable quantities were the number of wounded nucleons involved in the interaction and the number of binary nucleon-nucleon collisions. A decision tree, a random forest, and a multilayer perceptron (MP) were tested as machine learning models. The prediction accuracy of the models was characterized by the coefficient of determination R{2}. Dependences of R{2} values on initial energies (40 – 200 GeV) for different systems of colliding nuclei were obtained. The MP model was found to be able to predict the values of unknown quantities in a wide range of initial energies for different systems of nuclear interactions with good accuracy.