高能碰撞中带电粒子多重分布的CCNN建模研究

"这篇论文探讨了质子-质子（反质子）碰撞中的多颗粒产生，特别是关于带电粒子的多重性分布（P（nch））的重要性。研究使用了级联相关（CC）算法的人工神经网络（ANN）黑盒建模方法，以计算和预测在不同中心能量下的质子-质子（反质子）非弹性相互作用的多重分布。通过CCNN模型，实验数据被用于经验性地计算平均多重分布<nch>与能量s的关系。结果与其他模型和实验数据进行了比较，显示出良好的一致性，并在大型强子对撞机（LHC）14 TeV能量下进行了预测。" 在这项研究中，作者El-Sayed A. El-Dahshan提出了一种新颖的方法来理解和预测高能碰撞中的多粒子生成。关键概念是多重性分布P（nch），这是理解多粒子生成机制的关键参数。在质子-质子和质子-反质子的碰撞中，这种分布提供了有关粒子生成过程的重要信息。 为了实现这一目标，研究人员利用了级联相关（CC）算法，这是一种人工神经网络（ANN）的建模技术。该算法以其高效的学习能力而闻名，能够处理复杂的数据模式。通过构建一个黑盒模型，他们能够预测不同中心能量下的非弹性相互作用产生的粒子多重性。模型的输入可能是碰撞的能量，输出则是预测的粒子数量（nch）。 CCNN（级联关联神经网络）模型被开发出来，用于经验性地计算平均多重分布<nch>，这依赖于能量s的变化。这个模型是根据多个不同能量级别的实验数据训练的，包括30.4 GeV到7 TeV。实验数据的广泛覆盖确保了模型的泛化能力，使其能够在未观测到的能源范围内进行预测。 论文中提到的结果与现有实验数据和其他理论模型进行了比较。这些比较表明，CCNN模型的预测与实测数据和理论模型之间存在高度一致性，特别是在LHC的运行能量（14 TeV）下。这一结果强调了所提出的黑盒建模方法的有效性和准确性，为高能物理研究提供了有价值的工具。 这项工作展示了智能计算技术如CCNN在高能物理领域的应用潜力，尤其是在理解和预测质子-质子和质子-反质子碰撞的多颗粒生成过程中。通过这种方法，研究人员可以更深入地探索基本粒子间的相互作用，从而增进我们对宇宙基本力的理解。