Details

Данная работа посвящена применению методов машинного обучения, в частности, генеративно-состязательных сетей (ГСС) для моделирования асимметрии эта-мезонов. Задачи, которые, решались в ходе исследования: Изучение особенностей моделирования рождения эта-мезонов в столкновении продольно-поляризованных протонов; разработка и обучение генеративно-состязательной сети (ГСС) для генерации кинематических переменных; сравнение предсказаний обученной ГСС с модельными и экспериментальными данными (верификация точности воспроизведения асимметрий). Основной предмет работы – анализ возможностей ГСС в предсказании двойной продольной спиновой асимметрий  и кинематических распределений эта-мезонов, рождающихся в продольно-поляризованных столкновениях протонов при энергии в системе центра масс. В отличие от традиционных Монте-Карло генераторов, данный подход не требует ручной настройки параметров, автоматически выявляя взаимосвязи в обучающих данных. Модель ГСС была обучена на событиях, сгенерированных с помощью генератора PYTHIA8 для продольно-поляризованных pp-столкновений при фиксированной энергии  . В качестве целевых переменных выступали компоненты импульса конечного эта-мезона. Сама же продольная асимметрия вычислялась по уже сгенерированным данным. Обученные данные показали высокую точность в воспроизведении асимметрии  и кинематических распределениях эта-мезона. Проведено прямое сравнение предсказанных данных с исходными PYTHIA8, а также с экспериментальными PHENIX [1]. Исследование подтвердило эффективность ГСС в моделировании кинематических распределений конечных частиц в поляризованных протонных столкновениях и показало, что модель способна генерировать псевдо-события, по которым корректно восстанавливаются спиновые асимметрии без прямого обучения на них.

This work is devoted to the application of machine learning methods, in particular, generative adversarial networks (GANs) for modeling the asymmetry of eta mesons. The objectives of the study were: Studying the specifics of modeling eta meson production in collisions of longitudinally polarized protons; developing and training a generative adversarial network (GAN) for generating kinematic variables; comparing the predictions of the trained GAN with model and experimental data (verifying the accuracy of asymmetry reproduction). The main focus of this work is an analysis of the capabilities of the GSS in predicting double longitudinal spin asymmetries  and kinematic distributions of eta mesons produced in longitudinally polarized proton collisions at energies in the center-of-mass system. Unlike traditional Monte Carlo generators, this approach does not require manual parameter tuning, automatically identifying relationships in the training data. The GAN model was trained on events generated using the PYTHIA8 generator for longitudinally polarized pp collisions at a fixed energy  . The target variables were the momentum components of the final eta meson  The longitudinal asymmetry itself was calculated post hoc using the generated data. The trained data showed high accuracy in reproducing the asymmetry  , as well as in reproducing the kinematic distributions of the eta meson. A direct comparison of the predicted data with the original PYTHIA8 data, as well as with the experimental PHENIX data [1], was performed. The results of the study can be used in experiments studying the proton structure to quickly generate pseudo-events to increase statistics, reduce systematic errors, and speed up data analysis. The proposed method is also applicable to the creation of event generators optimized for specific kinematic regions of η-meson production in polarized collisions. The study confirmed the effectiveness of the GAN in modeling the kinematic distributions of hadrons in polarized proton collisions and demonstrated that the neural network model is capable of generating pseudo-events from which spin asymmetries are correctly reconstructed without direct training.