G5 Artikkeliväitöskirja
Probing properties of quark-gluon plasma using machine learning (2024)
Kvarkki-gluoniplasman ominaisuuksien tutkiminen koneoppimisen avulla

Hirvonen, H. (2024). Probing properties of quark-gluon plasma using machine learning [Doctoral dissertation]. University of Jyväskylä. JYU Dissertations, 818. https://urn.fi/URN:ISBN:978-952-86-0272-9

JYU-tekijät tai -toimittajat

Julkaisun tiedot

Julkaisun kaikki tekijät tai toimittajat: Hirvonen, Henry

eISBN: 978-952-86-0272-9

Lehti tai sarja: JYU Dissertations

eISSN: 2489-9003

Julkaisuvuosi: 2024

Sarjan numero: 818

Kirjan kokonaissivumäärä: 1 verkkoaineisto (93 sivua, 74 sivua useina numerointijaksoina, 9 numeroimatonta sivua)

Kustantaja: University of Jyväskylä

Kustannuspaikka: Jyväskylä

Julkaisumaa: Suomi

Julkaisun kieli: englanti

Pysyvä verkko-osoite: https://urn.fi/URN:ISBN:978-952-86-0272-9

Julkaisun avoin saatavuus: Avoimesti saatavilla

Julkaisukanavan avoin saatavuus: Kokonaan avoin julkaisukanava

Tiivistelmä

Tämä väitöskirja keskittyy ultrarelativististen raskasionitörmäysten mallintamiseen. Ensisijainen tavoite on tutkia ja määrittää kvarkki-gluoniplasman (QGP) ominaisuuksia vertaamalla fluididynaamisten simulaatioden tuloksia useiden CERN-LHC:ssä ja BNL-RHIC:ssä mitattujen virtausobservaabeleiden kanssa. Tämän saavuttamiseksi olemassa olevaa EKRT+fluididynamiikka -raskasionitörmäysmallia on jatkokehitetty ja koneoppimista hyödynnetty monimutkaisten simulaatioiden nopeuttamiseksi. Tälläiset edistysaskeleet ovat erittäin tarpeellisia QGP:n ominaisuuksien ymmärtämisen parantamiseksi. Väitöskirjan johdanto antaa yleiskatsauksen raskasioinitörmäysten kyseisellä mallilla simuloimisesta ja keskustelee tässä väitöskirjassa esitellyistä mallin uusista ominaisuuksista. Tämän työn päätulokset jakautuvat kolmelle kehitysalueelle: dynaaminen irtikytkeytyminen, neuroverkot ja Monte-Carlo EKRT -alkutilamalli. Ensinnäkin, dynaamisen irtikytkeytymisen lisääminen malliin paransi perifeeristen törmäyssysteemien kuvausta, mikä johti parempaan yhteneväisyyteen mitattujen virtauskertoimien kanssa. Toiseksi, neuroverkkoja koulutettiin ennustamaan virtausobservaabeleita suoraan alkutilasta, mikä efektiivisesti korvasi laskennallisesti raskaat virtausmekaniikkasimulaatiot ja vähensi tarvittavaa laskenta-aikaa useilla kertaluokilla. Viimeiseksi, uusi Monte Carlo EKRT -alkutilamalli esiteltiin ja sitä sovellettiin menestyksellisesti varattujen hiukkasten rapiditeettijakaumien ja virtauskertoimien sekä myös keskirapiditeetin mittaussuureiden tarkasteluun.

YSO-asiasanat: kvarkki-gluoniplasma; koneoppiminen; ionit; törmäykset; hydrodynamiikka; väitöskirjat

Vapaat asiasanat: relativistiset raskasionitörmäykset; relativistinen virtausmekaniikka

Liittyvät organisaatiot

Hankkeet, joissa julkaisu on tehty

OKM-raportointi: Kyllä

VIRTA-lähetysvuosi: 2024