Застосування генетичного алгоритму–алгоритму нейронної мережі зі зворотним зв'язком у фізиці високих енергій

  • M. Y. El-Bakry Ain Shams University, Faculty of Education, Physics Department, Roxi, Cairo, Egypt
  • E. A. El-Dahshan Egyptian E-Learning University- 33 El-mesah St., El-Dokki- Giza- Postal code 11566 University, Faculty of Sciences, Physics Department, Abbassia, Cairo, Egypt
  • A. Radi Ain Shams University, Faculty of Sciences, Physics Department, Abbassia, Cairo, Egypt
  • M. Tantawy Ain Shams University, Faculty of Education, Physics Department, Roxi, Cairo, Egypt
  • M. A. Moussa Ain Shams University, Faculty of Education, Physics Department, Roxi, Cairo, Egypt Buraydah Colleges, Al-Qassim, Buraydah, King Abdulazziz Road, East Qassim University, P.O.Box 31717, KSA
Ключові слова: фізика високих і надвисоких енергій, адронно-ядерні (h - A) взаємодії, розподіл швидкостей, розрахунок і моделювання, гібридна еволюційна нейромодель

Анотація

Механізм створення багаточасткових пучків є одним із великого ряду явищ, пов'язаних з фізикою високих енергій. У цій роботі використовується еволюційний генетичний алгоритм (GA), для оптиміззації параметрів нейронних мереж із зворотним зв'язком (BPNN). Гібридна еволюційна нейромодель (GA - BPNN) була підготовлена для моделювання розподілу швидкості 1/N*(dN/dY) потоків позитивних і негативних піонів достатніх для взаємодії p-Au, p−Ag and p−Mg, при імпульсі в лабораторній системі (PLab)=100 GeV/c, а також для усього об'єму заряджених позитивних і негативних піонів для взаємодій p−Ar,p−Xe при PLab = 200 GeV/c. І, нарешті, моделюється повний об'єм заряджених часток для зіткнення p−Pb при енергії в системі центра мас ( s ) = 5.02 TeV. За допомогою GA розроблена ефективна мережа ANN з різними параметрами зв'язку (вага і зміщення), щоб вичислити і передбачити розподіл швидкостей як функцію експериментального імпульсу, масового числа (A) і кількості часток на тілесний кут (Y). Будо проведено порівняня результатів нашого моделювання з експериментальними даними, і була визначена їх відповідність один одному. Відмічено, що модернізована модель GA - BPNN для розподілу швидкості дає вищі результати.

Завантаження

##plugins.generic.usageStats.noStats##

Посилання

Tantawy M., El-Mashad M., El-Bakry M.Y. Multiparticle Production Process in High Energy Nucleus-Nucleus Collisions // Ind. J. Phys. – 1998. –Vol. 72A. – No.1. – P.73-82.

Tantawy M., El Mashad M., Gamiel S., El Nagdy M.S. Multiplicity distribution of heavy particles for hadron–nucleus interactions // Chaos Soliton Fract. – 2002. – Vo1.3. – No.4. – P.919–928.

Ranft J. Secondary particle production according to the thermodynamical model and new experimental data // Phys. Lett. B. – 1970. – Vol.31. – No.8. – P.529-532.

Fermi E. High Energy Nuclear Events // Prog. Theor. Phys. – 1950. – Vol.5. – No.4. – P.570 -583.

Fermi E. Angular Distribution of the Pions Produced in High Energy Nuclear Collisions // Phys. Rev. – 1951. – Vol 81. – No.5. – P.683-687.

Jacob M., Slansky R. Inclusive pion distributions at present machine energy // Phys. Lett. B. – 1971. – Vol. 37. – No.4. - P. 408-412.

Hwa R.C. Multiplicity Distribution and Single-Particle Spectrum in the Diffractive Model // Phys. Rev. Lett.. – 1971. – Vol.26. – No.18. – P.1143.

Hwa R.C. Bootstrap Model for Diffractive Processes: Complementarity of the Yang and Regge Models // Phys. Rev. D. - 1970. – Vol.1. – No.6. – P.1790.

Kisslinger L.S. Nuclear physics and quark/gluon QCD // Nucl. Phys. A. – 1985. – Vol.446. – No.1. – P.479-488.

Gyulassy M. Introduction to QCD thermodynamics and the quark-gluon plasma // Progress in Particle and Nuclear Physics. - 1985. – Vol.15. – P.403-442.

Nambu Y. The confinement of quarks // Sci Am. – 1976. – Vol.235. – No.45. – P. 48-61.

Xu, C., Wei-Qin, C., Ta-Chung, M., Chao-Shang, H. (1986). Statistical approach to nondiffractive hadron-hadron collisions: Multiplicity distributions and correlations in different rapidity intervals // Phys. Rev. D. – Vol.33. – No.5. – P. 1287.

El-Bakry S.Y., El-Dahshan E.S., El-Bakry M.Y. Total cross section prediction of the collisions of positrons and electrons with alkali atoms using Gradient Tree Boosting // Ind. J. Phys. 2011. – Vol. 85. – No.9. – P.1405-1415.

El-Bakry M.Y. Feed forward neural networks modeling for K–P interactions // Chaos Soliton Fract. – 2003. – Vol. 18. – No.5. –P. 995-1000.

El-Dahshan, E., Radi, A., El-Bakry M.Y. Artificial Neural Network and Genetic Algorithm Hybrid Technique for Nucleus-Neucleus Collisions // Int. J. of Mod. Phys. C. – 2008. – Vol.19. – No.12. – P.1787-1795.

El-Bakry M.Y., El-Dahshan E.S.A., El-Bakry S.Y. Mathematical modelling for pseudorapidity distribution of hadron-hadron collisions // Eur. Phys. J. Plus. – 2015. – Vol.130. – No.1. – P.1-7.

El-Bakry M.Y., El-Dahshan E.S.A., Radi A. ,Tantawy M., Moussa M.A. Modeling and Simulation for High Energy Sub-Nuclear Interactions Using Evolutionary Computation Technique // Journal of Applied Mathematics and Physic – 2016. - Vol.4. – No.1. – P. 53-65.

Whitmore J.J., Persi F., Toothacker W.S., Elcombe P.A., Hill J.C., Neale W.W., Ammar R. Inclusive charged pion production in hadron-nucleus interactions at 100 and 320 GeV/c // Z. Phys. C Part Field. – 1994. – Vol.62. – No.2. – P. 199-227.

De Marzo C., De Palma M., Distante A., Favuzzi C., Germinario G., Lavopa P. & Spinelli P. Multiparticle production on hydrogen, argon, and xenon targets in a streamer chamber by 200-GeV/c proton and antiproton beams // Phys. Rev. D. – 1982. – Vol.26. – No.5. – P.1019.

Arneodo M., Arvidson A., Aubert J.J., Badełek B., Beaufays J., Bee C.P., Böhm, E. Comparison of multiplicity distributions to the negative binomial distribution in muon-proton scattering // Z. Phys. C. Part Field. – 1987. – Vol.35. – No.3. – P.335-345.

Kittel W. Combining inclusive and exclusive data analyses-what have we learned so far? //J. Phys A-Math. Gen. – 1973. – Vol.6. – No.6. – P.733.

Abelev B., Adam J., Adamová D., Adare A.M., Aggarwal M.M., Rinella G.A., Ahmad N. Pseudorapidity density of charged particles in p+ Pb collisions at 02.5SNN= TeV // Phys. Rev. lett. – 2013. – Vol.110. – No.3. – P.032301.

Guettler K., Duff, B.G., Prentice M.N., Sharrock S.J., Gibson W.M., Duane A., Henning S. Inclusive production of low-momentum charged pions at x= 0 at the CERN intersecting storage rings // Phys. Lett. B. – 1976. – Vol. 64. – No.1. – P.111-116.

Adamovich M.I., Chernjavskii M.M., Dremin I.M., Gershkovich A.M., Kharlamov S.P., Larionova V.G., Yagudina F.R. Clusters and the rapidity interval method. Il Nuovo Cimento A. – 1976. – Vol.33. – No.1. – P.183-194.

Haykin S.S., et al. Neural networks and learning machines. – 2009. – Vol.3. Upper Saddle River: Pearson Education. 26. Chipperfield A.J., Fleming P.J. The MATLAB genetic algorithm toolbox / Applied control techniques using MATLAB, IEE Colloquium on. – 1995, January. – P.10/1-10/4.

Опубліковано
2016-08-11
Цитовано
Як цитувати
El-Bakry, M. Y., El-Dahshan, E. A., Radi, A., Tantawy, M., & Moussa, M. A. (2016). Застосування генетичного алгоритму–алгоритму нейронної мережі зі зворотним зв’язком у фізиці високих енергій. Східно-європейський фізичний журнал, 3(2), 4-14. https://doi.org/10.26565/2312-4334-2016-2-01