图. 训练后的神经网络在粒子横动量和方位角分布图中对判别状态方程的敏感度。

在国家自然科学基金项目(项目编号:11521064)等资助下，华中师范大学王新年教授研究团队与合作者利用机器深度学习研究高能重离子碰撞中的夸克胶子性质取得重要进展。研究成果以“An Equation-of-State-Meter of Quantum Chromodynamics Transition from Deep Learning” (利用深度学习辨别量子色动力学相变中的物态方程)为题，于2018年1月15日在Nature Communications(《自然·通讯》)上发表,论文链接为:https://www.nature.com/ articles/s41467-017-02726-3。

现代物理学中的一个重要前沿课题是在高能重离子碰撞实验中证实强相互作用中由强子到夸克胶子等离子体的相变以及测量夸克胶子等离子体的物理性质，这对人们了解早期宇宙中的物质形态至关重要。在高能重离子碰撞的研究中，确定夸克胶子等离子体的物态方程是该领域中的圣杯。实验上至今无法直接测量物态方程，而通过和理论模拟比较提取物态方程也有极大挑战性，因为探测到的末态粒子的产出会受到初始态、物质的输运性质等的影响，而从中提取与这些条件无关的状态方程则非常之难。

目前，华中师范大学王新年教授团队与合作者模仿用机器深度学习识别图像的方法,建造一个类似的神经网络用来辨别高能重离子碰撞中粒子谱中隐含的物态方程信息。首先把流体力学模型模拟出的末态粒子谱以二维图像的形式输入电脑来训练神经网络以识别每个事例中的物态方程;然后用训练后的神经网络辨别另一组事列中的物态方程。在这样的测试中，发现神经网络在学习大约22000张图像的重要特征后，辨别测试事例中物态方程的成功率高达95%,同时发现粒子谱中对物态方程比较敏感的区域(如图)。