Розподiл псевдошвидкостей заряджених частинок у Pb–Pb i Au–Au зiткненнях за моделлю нейронних мереж
The artificial neural network (ANN) approach is used to model the Pb–Pb and Au–Au collisions on the basis of the Levenberg–Marquardt learning algorithm. We simulate the rapidity distribution for п- and к+- produced in Pb–Pb collisions at different energies and the pseudorap...
Збережено в:
| Дата: | 2018 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Англійська |
| Опубліковано: |
Publishing house "Academperiodika"
2018
|
| Онлайн доступ: | https://ujp.bitp.kiev.ua/index.php/ujp/article/view/2018342 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Ukrainian Journal of Physics |
Репозитарії
Ukrainian Journal of Physics| _version_ | 1863131172655071232 |
|---|---|
| author | El-Bakry, M. Y. El-Dahshan, El-Sayed A. Abd El-Hamied, E. F. |
| author_facet | El-Bakry, M. Y. El-Dahshan, El-Sayed A. Abd El-Hamied, E. F. |
| author_sort | El-Bakry, M. Y. |
| baseUrl_str | https://ujp.bitp.kiev.ua/index.php/ujp/oai |
| collection | OJS |
| datestamp_date | 2019-03-08T08:31:35Z |
| description | The artificial neural network (ANN) approach is used to model the Pb–Pb and Au–Au collisions on the basis of the Levenberg–Marquardt learning algorithm. We simulate the rapidity distribution for п- and к+- produced in Pb–Pb collisions at different energies and the pseudorapidity distribution of charged particles in Au–Au collisions. Our functions obtained within the ANN model show a very good agreement with the experimental data for both types of collisions, which indicates that the trained network takes on the optimal generalization performance. Thus, the ANN model can be widely applied to the modeling of heavy-ion collisions. |
| doi_str_mv | 10.15407/ujpe58.08.0709 |
| first_indexed | 2025-10-02T01:14:26Z |
| format | Article |
| id | ujp2-article-2018342 |
| institution | Ukrainian Journal of Physics |
| keywords_txt_mv | keywords |
| language | English |
| last_indexed | 2025-10-02T01:14:26Z |
| publishDate | 2018 |
| publisher | Publishing house "Academperiodika" |
| record_format | ojs |
| spelling | ujp2-article-20183422019-03-08T08:31:35Z Charged Particle Pseudorapidity Distributions for Pb–Pb and Au–Au Collisions using Neural Network Model Розподiл псевдошвидкостей заряджених частинок у Pb–Pb i Au–Au зiткненнях за моделлю нейронних мереж El-Bakry, M. Y. El-Dahshan, El-Sayed A. Abd El-Hamied, E. F. charged particles neural network pseudorapidity distribution Pb–Pb and Au–Au collisions simulation The artificial neural network (ANN) approach is used to model the Pb–Pb and Au–Au collisions on the basis of the Levenberg–Marquardt learning algorithm. We simulate the rapidity distribution for п- and к+- produced in Pb–Pb collisions at different energies and the pseudorapidity distribution of charged particles in Au–Au collisions. Our functions obtained within the ANN model show a very good agreement with the experimental data for both types of collisions, which indicates that the trained network takes on the optimal generalization performance. Thus, the ANN model can be widely applied to the modeling of heavy-ion collisions. Моделюються Pb–Pb i Au–Au зiткнення в методi штучних нейронних мереж (ШНС) на основi навчального алгоритму Левенберга–Маркардта. Розраховано розподiл швидкостей для п- i к+-, народжених у Pb–Pb зiткненнях при рiзних енергiях i розподiлу псевдошвидкостей заряджених частинок у Au–Au зiткненнях. Функцiї, отриманi у ШНС моделi, дають дуже гарне узгодження з експериментом для обох типiв зiткнень. Це свiдчить про те, що навчена мережа дає оптимальнi загальнi характеристики, а ШНС модель може знайти широке застосування для опису зiткнень важких iонiв. Publishing house "Academperiodika" 2018-10-10 Article Article Peer-reviewed Рецензована стаття application/pdf https://ujp.bitp.kiev.ua/index.php/ujp/article/view/2018342 10.15407/ujpe58.08.0709 Ukrainian Journal of Physics; Vol. 58 No. 8 (2013); 709 Український фізичний журнал; Том 58 № 8 (2013); 709 2071-0194 2071-0186 10.15407/ujpe58.08 en https://ujp.bitp.kiev.ua/index.php/ujp/article/view/2018342/298 Copyright (c) 2018 Bogolyubov Institute for Theoretical Physics, National Academy of Sciences of Ukraine |
| spellingShingle | El-Bakry, M. Y. El-Dahshan, El-Sayed A. Abd El-Hamied, E. F. Розподiл псевдошвидкостей заряджених частинок у Pb–Pb i Au–Au зiткненнях за моделлю нейронних мереж |
| title | Розподiл псевдошвидкостей заряджених частинок у Pb–Pb i Au–Au зiткненнях за моделлю нейронних мереж |
| title_alt | Charged Particle Pseudorapidity Distributions for Pb–Pb and Au–Au Collisions using Neural Network Model |
| title_full | Розподiл псевдошвидкостей заряджених частинок у Pb–Pb i Au–Au зiткненнях за моделлю нейронних мереж |
| title_fullStr | Розподiл псевдошвидкостей заряджених частинок у Pb–Pb i Au–Au зiткненнях за моделлю нейронних мереж |
| title_full_unstemmed | Розподiл псевдошвидкостей заряджених частинок у Pb–Pb i Au–Au зiткненнях за моделлю нейронних мереж |
| title_short | Розподiл псевдошвидкостей заряджених частинок у Pb–Pb i Au–Au зiткненнях за моделлю нейронних мереж |
| title_sort | розподiл псевдошвидкостей заряджених частинок у pb–pb i au–au зiткненнях за моделлю нейронних мереж |
| topic_facet | charged particles neural network pseudorapidity distribution Pb–Pb and Au–Au collisions simulation |
| url | https://ujp.bitp.kiev.ua/index.php/ujp/article/view/2018342 |
| work_keys_str_mv | AT elbakrymy chargedparticlepseudorapiditydistributionsforpbpbandauaucollisionsusingneuralnetworkmodel AT eldahshanelsayeda chargedparticlepseudorapiditydistributionsforpbpbandauaucollisionsusingneuralnetworkmodel AT abdelhamiedef chargedparticlepseudorapiditydistributionsforpbpbandauaucollisionsusingneuralnetworkmodel AT elbakrymy rozpodilpsevdošvidkostejzarâdženihčastinokupbpbiauauzitknennâhzamodellûnejronnihmerež AT eldahshanelsayeda rozpodilpsevdošvidkostejzarâdženihčastinokupbpbiauauzitknennâhzamodellûnejronnihmerež AT abdelhamiedef rozpodilpsevdošvidkostejzarâdženihčastinokupbpbiauauzitknennâhzamodellûnejronnihmerež |