Details

Данная работа посвящена разработке и проверке нейросетевой модели MCE-GAN, предназначенной для воспроизведения кинематической части конечных состояний ядро-ядерных столкновений, полученных с помощью транспортной модели UrQMD. Целью работы является разработка событийной генеративно-состязательной модели, способной воспроизводить импульсные характеристики конечных частиц. Задачами работы являются: изучение физических особенностей ультрарелятивистских столкновений ядер; рассмотрение метода Монте-Карло и транспортной модели UrQMD; подготовка событий UrQMD для обучения нейросетевой модели; разработка архитектуры генератора и дискриминатора; обучение модели MCE-GAN; генерация синтетических событий; сравнение результатов модели с данными UrQMD по распределениям px, py, pz, pT и быстроты. В работе использовались события UrQMD, представленные как наборы частиц переменной длины. Для обучения нейросети события приводились к фиксированной технической длине с использованием padding и маски реальных позиций. В качестве условия генерации использовался бин множественности события nch_bin. Генератор получал категориальные признаки частиц, маску события и условие по множественности, а на выходе формировал нормированные компоненты импульса px, py и pz. Проведенное сравнение показало, что модель MCE-GAN способна воспроизводить основные формы кинематических распределений для наиболее часто встречающихся частиц.

This work is devoted to the development and testing of the MCE-GAN neural network model designed to reproduce the kinematic part of final states of nucleus-nucleus collisions obtained with the UrQMD transport model. The aim of the work is to develop an event-based generative adversarial model capable of reproducing the momentum characteristics of final particles. The objectives of the work are: to study the physical features of ultrarelativistic nucleus-nucleus collisions; to consider the Monte Carlo method and the UrQMD transport model; to prepare UrQMD events for training a neural network model; to develop the generator and discriminator architectures; to train the MCE-GAN model; to generate synthetic events; and to compare the model results with UrQMD data using px, py, pz, pT and rapidity distributions. UrQMD events represented as variable-length sets of particles were used in this work. For neural network training, the events were transformed to a fixed technical length using padding and a mask of real particle positions. The event multiplicity bin nch_bin was used as the generation condition. The generator received particle categorical features, the event mask and the multiplicity condition as input, and produced normalized momentum components px, py and pz as output. The comparison showed that the MCE-GAN model is capable of reproducing the main shapes of kinematic distributions for the most frequently occurring particles.