MétaCan
Menu
Retour à la cohorte
Enregistrement W4410401006 · doi:10.1103/physrevc.111.054913

Bayesian inference analysis of jet quenching using inclusive jet and hadron suppression measurements

2025· article· en· W4410401006 sur OpenAlexafffund
R. J. Ehlers, Y. Chen, James Declan Mulligan, Yi Ji, Arun Kumar, Simon Mak, P. M. Jacobs, Abhijit Majumder, A. Angerami, R. Arora, Steffen A. Bass, Rashmi Datta, Lipei Du, Hannah Elfner, R. J. Fries, Charles Gale, Yayun He, B. V. Jacak, Sangyong Jeon, F. Jonas, L. Kasper, M. Kordell, R. Kunnawalkam Elayavalli, Joseph Latessa, Y.-J. Lee, R. Lemmon, Matthew Luzum, Andi Mankolli, C. De Martín, H. Mehryar, T. Mengel, C. Nattrass, J. Norman, Charles Thomas Parker, Jean-François Paquet, J. H. Putschke, Hendrik Roch, G. Roland, B. Schenke, L. Schwiebert, A. Sengupta, Chun Shen, Mayank Singh, C. Sirimanna, D. Soeder, R. A. Soltz, Ismail Soudi, Y. Tachibana, J. Velkovska, G. Vujanovic, X.-N. Wang, X. Wu, W. Zhao

Notice bibliographique

RevuePhysical review. C · 2025
Typearticle
Langueen
DomainePhysics and Astronomy
ThématiqueHigh-Energy Particle Collisions Research
Établissements canadiensMcGill UniversityUniversity of Regina
Organismes subventionnairesEuropean Research CouncilNuclear PhysicsNatural Sciences and Engineering Research Council of CanadaOffice of the Vice President for Research, Wayne State UniversityOffice of ScienceAcademy of FinlandNational Natural Science Foundation of ChinaCanada Research ChairsU.S. Department of EnergySan Diego Supercomputer CenterFundação de Amparo à Pesquisa do Estado de São PauloUniversity of ReginaNational Energy Research Scientific Computing CenterUniversity of Texas at AustinWayne State UniversityNational Science Foundation
Mots-clésHadronJet quenchingParticle physicsJet (fluid)InferenceBayesian probabilityNuclear physicsPhysicsBayesian inferenceQuenching (fluorescence)Computer scienceArtificial intelligenceMechanicsQuark–gluon plasmaOptics

Résumé

récupéré en direct d'OpenAlex

The Collaboration reports a new determination of the jet transport parameter <a:math xmlns:a="http://www.w3.org/1998/Math/MathML"> <a:mover accent="true"> <a:mi>q</a:mi> <a:mo>̂</a:mo> </a:mover> </a:math> in the quark-gluon plasma (QGP) using Bayesian inference, incorporating all available inclusive hadron and jet yield suppression data measured in heavy-ion collisions at the BNL Relativistic Heavy Ion Collider (RHIC) and the CERN Large Hadron Collider (LHC). This multi-observable analysis extends the previously published Bayesian inference determination of <c:math xmlns:c="http://www.w3.org/1998/Math/MathML"> <c:mover accent="true"> <c:mi>q</c:mi> <c:mo>̂</c:mo> </c:mover> </c:math> , which was based solely on a selection of inclusive hadron suppression data. is a modular framework incorporating detailed dynamical models of QGP formation and evolution, and jet propagation and interaction in the QGP. Virtuality-dependent partonic energy loss in the QGP is modeled as a thermalized weakly coupled plasma, with parameters determined from Bayesian calibration using soft-sector observables. This Bayesian calibration of <e:math xmlns:e="http://www.w3.org/1998/Math/MathML"> <e:mover accent="true"> <e:mi>q</e:mi> <e:mo>̂</e:mo> </e:mover> </e:math> utilizes active learning, a machine-learning approach, for efficient exploitation of computing resources. The experimental data included in this analysis span a broad range in collision energy and centrality, and in transverse momentum. In order to explore the systematic dependence of the extracted parameter posterior distributions, several different calibrations are reported, based on combined jet and hadron data; on jet or hadron data separately; and on restricted kinematic or centrality ranges of the jet and hadron data. Tension is observed in comparison of these variations, providing new insights into the physics of jet transport in the QGP and its theoretical formulation.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,879
Score d'incertitude au seuil0,482

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,039
Tête enseignante GPT0,426
Écart entre enseignants0,387 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations15
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePhysical review. CMême sujetHigh-Energy Particle Collisions ResearchTravaux en français237 207