报告题目：深度学习在高能核物理中的应用

报 告 人：周凯（FIAS, Frankfurt University)

报告时间：2018年11月19日  上午10:00

报告地点：主楼3区-401

报告摘要：目前人工智能尤其是其中机器学习和深度学习越来越在日常生活、社会发展中发挥重要的作用。作为一个擅长从数据中发现并有效表征内部规律与关联的手段，深度学习在科学研究中也开始发挥新颖而强有力的影响。我们在此讨论其在高能核物理中的相关应用。当下高能核物理中一个非常热门的领域是研究QCD（量子色动力学）的相图结构和相变，相对论重离子碰撞是地球上能有望可控研究QCD禁闭相变的唯一途径。由于碰撞的动力学演化过程非常短暂，实验中高温高密物质在发生解禁闭相变后又会迅速发生禁闭相变成为强子相，导致实验的末态观测只能是针对末态的各种强子态的动量分布谱而不能直接聚焦于碰撞早期有可能发生的QCD相变本身。同时，碰撞的动力学演化涉及多个目前理论上并未确定的因素，诸如碰撞演化初始状态的动力学和涨落、演化中热密介质的粘滞系数、热密介质本身的具体属性--状态方程（也即包含相变的属性）、介质逸出至强子相的动力学、强子相阶段的级联散射对末态强子谱的影响等等。当我们想通过比较实验数据与理论模型计算来研究和界定所关注的碰撞中的发生相变动力学属性时候，其中的多个未确定因素实际都会对结论产生不同方面的影响，这成为重离子碰撞领域研究的很大挑战。我们首次将深度学习技术用于学习和表征状态方程本身对末态强子谱的排他而唯一的影响，也即抽取从状态方程至末态观测的鲁棒的映射。通过用流体力学模型提供多种不同条件两类状态方程的事件模拟做训练数据，深度学习成功做到新的不同条件下碰撞事件中状态方程的分类，并表现出模型的无关性，说明这样一个映射在重离子碰撞中是存在的（虽然可能是非常隐含的），并且深度学习能帮助有效识别和表征出这一模式并应用于真实的实验数据中来研究QCD相变。除了重离子碰撞的实验手段外，目前研究QCD相变的另一强有力手段是格点场论模拟。我们也将通过复标量场来探讨在格点场论中应用深度学习的潜力。

报告人简介：

周凯，法兰克福高等研究院研究员。2009年获西安交通大学物理系学士学位，2014年获清华大学物理系博士学位，2014-2017年于歌德大学从事博士后研究，2017至今在法兰克福高等研究院工作，并担任研究组组长。周凯博士的研究领域和研究兴趣为人工智能，机器学习、深度学习及其在物理和工业界的应用；高能核物理，相对论重粒子碰撞中夸克物质的重味信号，输运模拟，流体力学，QCD相变等。