📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

عندما يصطدم نويان ثقيلان ببعضهما بسرعة هائلة، لا يتصادمان بالكامل مثل كرات البلياردو. بل يتلامس جزء فقط من مادتهما. عدد النويات (البروتونات والنيوترونات) التي تشارك فعليًا في التصادم، وعدد تلك التي تمر دون اصطدام، غير معروف مسبقًا. تعتمد جميع القياسات اللاحقة على هذا العدد، لكن لا يمكن رؤيته مباشرة.

في السابق، كانت الأحداث تُفرز حسب عدد الجسيمات المشحونة الناتجة: جسيمات كثيرة تعني تصادمًا مباشرًا، وقليلة تعني تصادمًا انزلاقيًا. لكن هذا الفرز تقريبي. الأحداث التي لها نفس عدد الجسيمات قد تختلف في عدد المشاركين. الأمر أشبه بمحاولة تخمين حجم المطبخ من عدد الضيوف في حفلة: أحيانًا تكون الغرفة الصغيرة مزدحمة، بينما تكون الكبيرة واسعة.

الطريقة الجديدة تعمل بشكل مختلف. فهي لا تُسند لكل حدث فئة واحدة، بل تحسب احتمال كل عدد ممكن من المشاركين والاصطدامات الثنائية. ولتحقيق ذلك، تُستخدم نموذج معروف لكيفية تداخل الأنوية، وإحصاءات حول عدد الجسيمات التي تُنتج عادةً عند عدد معين من المشاركين. والنتيجة ليست وسمًا جامدًا، بل توزيع احتمالات.

هذا النهج يزيل جزءًا من عدم اليقين الذي كان يختفي سابقًا تحت مسمى «مركزية» الحدث. الآن يمكننا القول بصراحة: لا نعرف العدد الدقيق للمشاركين، لكننا نعرف مدى احتمال كل قيمة. الأمر أشبه بالانتقال من صورة أبيض وأسود إلى صورة بتدرجات رمادية — تظهر التفاصيل حتى لو لم تكن الحدة مثالية.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2608.14045v1

We propose the Inference-driven Participant Determination (IPD) method, a Bayesian framework for inferring event-by-event posterior distributions of the number of participants ($$N_{\text{part}}$$) and binary collisions ($$N_{\text{coll}}$$) from final-state charged-particle multiplicities in relativistic heavy-ion collisions. The joint distribution of $$(N_{\text{part}}, N_{\text{coll}})$$ obtained from the Monte-Carlo Glauber model is used as the prior, while negative binomial distributions calibrated to charged-particle multiplicity fluctuations define the likelihood. This approach replaces conventional hard-cut centrality classification with a probabilistic assignment based on $$N_{\text{part}}$$, making the multiplicity--geometry smearing explicit and reducing the impact of volume fluctuations on downstream observables. A closure test using an UrQMD-MCG hybrid model at $$\sqrt{s_{NN}} = 19.6$$~GeV shows that the method yields well-calibrated posterior distributions with negligible bias and improves the reconstruction of net-proton cumulants relative to conventional multiplicity-based centrality selection.