Identifying QCD transition using deep learning
- In this proceeding we review our recent work using supervised learning with a deep convolutional neural network (CNN) to identify the QCD equation of state (EoS) employed in hydrodynamic modeling of heavy-ion collisions given only final-state particle spectra ρ(pT, Ф). We showed that there is a traceable encoder of the dynamical information from phase structure (EoS) that survives the evolution and exists in the final snapshot, which enables the trained CNN to act as an effective “EoS-meter” in detecting the nature of the QCD transition.
Volltext Dateien herunterladen
Weitere Dienste
| Verfasserangaben: | Kai ZhouORCiD, Long-Gang PangORCiD, Nan SuORCiDGND, Hannah PetersenORCiDGND, Horst StöckerORCiDGND, Xin-Nian WangORCiDGND |
|---|---|
| URN: | urn:nbn:de:hebis:30:3-335777 |
| DOI: | https://doi.org/10.1051/epjconf/201817116005 |
| ISSN: | 2100-014X |
| Titel des übergeordneten Werkes (Englisch): | EPJ Web of Conferences |
| Verlag: | EDP Sciences |
| Verlagsort: | Les Ulis |
| Dokumentart: | Konferenzveröffentlichung |
| Sprache: | Englisch |
| Jahr der Fertigstellung: | 2018 |
| Datum der Erstveröffentlichung: | 02.02.2018 |
| Veröffentlichende Institution: | Universitätsbibliothek Johann Christian Senckenberg |
| Beteiligte Körperschaft: | 17th International Conference on Strangeness in Quark Matter (SQM 2017) |
| Datum der Freischaltung: | 04.04.2019 |
| Jahrgang: | 171 |
| Ausgabe / Heft: | Article Number 16005 |
| Seitenzahl: | 4 |
| HeBIS-PPN: | 448535610 |
| Institute: | Physik / Physik |
| DDC-Klassifikation: | 5 Naturwissenschaften und Mathematik / 53 Physik / 530 Physik |
| Sammlungen: | Universitätspublikationen |
| Lizenz (Deutsch): |  Creative Commons - Namensnennung 4.0 |
