Recently the STAR Collaboration discovered the "subatomic swirls", that is, the most vortical fluid flow structures in the quark-gluon plasma produced via the AuAu collisions at the Relativistic Heavy Ion Collider (RHIC). Published in Nature and featured as a cover story, this discovery attracted significant interest and generated wide enthusiasm. For such an important finding, it is crucial to look for independent evidences of confirmation and to critically test the current interpretation of the global polarization measurement. We suggest that the CuCu and CuAu colliding systems at RHIC provide such opportunity. Interestingly, our calculations reveal that the fluid vorticity in the CuCu or CuAu collision is comparable to that in the AuAu Collision. Surprisingly, we find the computed $\Lambda$ hyperon polarization effect is stronger in the CuCu and CuAu systems than the AuAu system at the same collisional beam energy and centrality class, with an interesting hierarchy CuCu $>$ CuAu $>$ AuAu due to interplay between $\Lambda$ production timing and the time evolution of the vorticity. These predictions can be readily tested by experimental data.


翻译:最近,STAR合作机制发现了“亚原子螺旋”,即通过AuAuu相撞产生的在AuAuau相撞的夸克-格鲁翁等离子体中最软质的流体结构。在自然中出现,作为封面故事,这一发现引起了极大的兴趣并产生了广泛的热情。对于这样一个重要发现,关键是要寻找独立的证据,并严格测试当前对全球两极分化测量的解释。我们建议RHIC的CuCuCu和CuAu相撞系统提供这种机会。有趣的是,我们的计算表明,CuCu或CuAuAu相撞的流体流体与AuAuAu相撞时相仿。令人惊讶的是,我们发现Cu和CuAuau系统计算到的美元(Lambda$)的高度对两极分化效应比AuAuAu系统在同一相撞的能量和中心级系统要强,而一个有趣的Cuuu $ > Cuau $ > Auau $ Auau $ $。由于Auau的实验性预测数据在Aualestalvicalvicial disl disl disl disl dislation dislental dislation am dal dislationalizationalizationdaliztal daliztaldaldaldaldaldal be the thes am dal dal daldaldaldaldaldaldal 和这些实验性实验性数据制的Aualdental disaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldaldal 数据,我们。。 。 。我们, 。 和C和Cu和Cualdaldal dal dal dal dal dal daldal dal dal daldal dal dal dal daldaldal dal daldaldaldaldaldaldaldaldaldaldal 。我们。我们。 。 。

0
下载
关闭预览

相关内容

Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
计算机 | IUI 2020等国际会议信息4条
Call4Papers
6+阅读 · 2019年6月17日
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Revealing the Dark Secrets of BERT
Arxiv
4+阅读 · 2019年9月11日
Accelerated Methods for Deep Reinforcement Learning
Arxiv
6+阅读 · 2019年1月10日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
Arxiv
5+阅读 · 2018年6月12日
Arxiv
7+阅读 · 2018年3月22日
VIP会员
相关VIP内容
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
151+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
相关资讯
计算机 | IUI 2020等国际会议信息4条
Call4Papers
6+阅读 · 2019年6月17日
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
计算机类 | ISCC 2019等国际会议信息9条
Call4Papers
5+阅读 · 2018年12月25日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
On Feature Normalization and Data Augmentation
Arxiv
15+阅读 · 2020年2月25日
Revealing the Dark Secrets of BERT
Arxiv
4+阅读 · 2019年9月11日
Accelerated Methods for Deep Reinforcement Learning
Arxiv
6+阅读 · 2019年1月10日
Efficient and Effective $L_0$ Feature Selection
Arxiv
5+阅读 · 2018年8月7日
Arxiv
5+阅读 · 2018年6月12日
Arxiv
7+阅读 · 2018年3月22日
Top
微信扫码咨询专知VIP会员