⚛️ nuclear theory

NucleiML: A machine learning framework of ground-state properties of finite nuclei for accelerated Bayesian exploration

यह शोध पत्र NucleiML को प्रस्तुत करता है, जो एक मशीन लर्निंग फ्रेमवर्क है जो परमाणु अवस्था के समीकरणों (nuclear equations of state) के बेयसियन अन्वेषण (Bayesian exploration) को त्वरित करने के लिए परिमित नाभिकीय ग्राउंड-स्टेट गुणों की गणना में $\sim 10^4$ गुना गति प्रदान करता है और साथ ही उचित सटीकता बनाए रखता है, जिससे परिमित नाभिकीय और न्यूट्रॉन स्टार बाधाओं का कुशल एकीकरण सक्षम होता है।

मूल लेखक: Anagh Venneti, Chiranjib Mondal, Sk Md Adil Imam, Sarmistha Banik, Bijay K. Agrawal

प्रकाशित 2026-04-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anagh Venneti, Chiranjib Mondal, Sk Md Adil Imam, Sarmistha Banik, Bijay K. Agrawal

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक न्यूट्रॉन स्टार (Neutron Star) की संरचना को समझने की कोशिश कर रहे हैं—एक शहर के आकार का पदार्थ का गोला जो इतना घना है कि उसका एक चम्मच हिस्सा एक अरब टन वजन का होगा। इसे करने के लिए, भौतिकविदों को यह जानना आवश्यक है कि अत्यधिक दबाव के तहत परमाणु नाभिक (atomic nuclei) कैसे व्यवहार करते हैं, इसके "खेल के नियम" क्या हैं। इन नियमों को इक्वेशन ऑफ स्टेट (Equation of State - EoS) कहा जाता है।

दशकों से, वैज्ञानिक दो चीजों को देखकर इन नियमों को समझने की कोशिश कर रहे हैं:

छोटी चीजें: प्रयोगशालाओं में पृथ्वी पर मौजूद परमाणु नाभिक (फाइनाइट न्यूक्लिआई)।
बड़ी चीजें: अंतरिक्ष में मौजूद न्यूट्रॉन स्टार।

समस्या यह है कि छोटी चीजें ही नियम निर्धारित करने के लिए सबसे महत्वपूर्ण हैं, लेकिन उनके व्यवहार की गणना करना अत्यंत धीमा है। यह एक जटिल सुडोकू पहेली को हल करने जैसा है, लेकिन हर बार जब आप एक चाल चलते हैं, तो आपको कंप्यूटर द्वारा यह जांचने के लिए कि क्या वह मान्य है, 2 सेकंड इंतजार करना पड़ता है। यदि आप ब्रह्मांड से मेल खाने वाले सही नियम सेट को खोजने के लिए लाखों अलग-अलग नियम परीक्षण करना चाहते हैं, तो आप वर्षों तक इंतजार करते रह जाएंगे।

यह पेपर NucleiML पेश करता है, जो एक "स्मार्ट शॉर्टकट" है जो इस प्रक्रिया को 10,000 गुना तेज कर देता है।

यह कैसे काम करता है, यहाँ सरल उपमाओं के साथ समझाया गया है:

1. पुराना तरीका: स्लो कुकर (Slow Cooker)

पारंपरिक भौतिकी मॉडल (जिसे रिलेटिविस्टिक मीन फील्ड या RMF कहा जाता है) को एक स्लो कुकर के रूप में सोचें।

किसी भोजन (एक नाभिक के वजन या आकार की भविष्यवाणी) को प्राप्त करने के लिए, आपको सामग्री (भौतिकी पैरामीटर) डालनी होगी और उसे पकने के लिए लंबे समय तक इंतजार करना होगा।
यदि आप सही एक को खोजने के लिए 10,000 अलग-अलग व्यंजनों का स्वाद चखना चाहते हैं, तो आप बहुत लंबे समय तक रसोई में फंसे रहेंगे।
इस सुस्ती का मतलब था कि वैज्ञानिकों को अक्सर छोटे परमाणु नाभिकों पर "स्वाद परीक्षण" करने से बचना पड़ता था और केवल बड़े सितारों के आधार पर अनुमान लगाना पड़ता था, जो बहुत सटीक नहीं होता है।

2. नया तरीका: फूड क्रिटिक और मास्टर शेफ (NucleiML)

लेखकों ने NucleiML नामक एक मशीन लर्निंग सिस्टम बनाया है। हर बार शून्य से खाना बनाने के बजाय, उन्होंने एक स्मार्ट AI को एक फूड क्रिटिक (खाद्य समीक्षक) और एक मास्टर शेफ (मुख्य रसोइया) के रूप में कार्य करने के लिए प्रशिक्षित किया है।

इस सिस्टम के दो भाग हैं:

भाग A: फूड क्रिटिक (द क्लासिफायर)

AI द्वारा भोजन की भविष्यवाणी करने से पहले, यह एक द्वारपाल की तरह कार्य करता है।

कार्य: यह आपके द्वारा चुनी गई सामग्रियों को देखता है। "हे, नमक और चीनी का यह संयोजन आपदा मचाने वाला है। यह ठीक से नहीं पकेगा।"
उपमा: भौतिकी में, संख्याओं के कुछ संयोजन समझ में नहीं आते (जो "गैर-स्वीकार्य" होते हैं)। पुराना तरीका इन खराब व्यंजनों को बनाने में समय बर्बाद करता जब तक कि कंप्यूटर क्रैश न हो जाए या कोई त्रुटि (error) न दे दे।
समाधान: समीक्षक तुरंत कहता है, "नहीं, इसे फेंक दो।" यह 95% बार खराब विचारों को छानकर बाहर निकाल देता है, जिससे भारी मात्रा में समय बचता है।

भाग B: मास्टर शेफ (द रिग्रेसर)

यदि समीक्षक कहता है, "हाँ, यह एक वैध रेसिपी लग रही है," तो मास्टर शेफ काम संभाल लेता है।

कार्य: वास्तव में भोजन पकाने (धीमे भौतिकी सिमुलेशन को चलाने) के बजाय, शेफ सामग्रियों को देखता है और कहता है, "मैंने यह पहले भी देखा है। मेरे प्रशिक्षण के आधार पर, इसका स्वाद ठीक वैसा ही होगा जैसा कि 100 ग्राम वजन और 5 सेमी त्रिज्या वाले व्यंजन का होता है।"
उपमा: शेफ ने हजारों व्यंजनों का स्वाद चखा है (स्लो कुकर के डेटा से सीखा है)। उसे यह जानने के लिए भोजन पकाने की आवश्यकता नहीं है कि इसका स्वाद कैसा होगा। वह परिणाम की तुरंत भविष्यवाणी करता है।
परिणाम: यह धीमे भौतिकी सिमुलेशन के सेकंडों के बजाय मिलीसेकंड में नाभिक के वजन और आकार की भविष्यवाणी करता है, और इसकी सटीकता लगभग स्लो कुकर जितनी ही होती है।

3. "प्रशिक्षण" चरण (The Training Phase)

AI ने कैसे सीखा?

वैज्ञानिकों ने AI को "कुकबुक्स" (डेटा) का एक विशाल पुस्तकालय दिया। उन्होंने हजारों अलग-अलग परमाणु नाभिकों पर स्लो कुकर चलाया ताकि "इनपुट सामग्री" बनाम "अंतिम व्यंजन" का एक विशाल डेटासेट तैयार किया जा सके।
उन्होंने AI को पैटर्न पहचानने के लिए प्रशिक्षित किया। "ओह, जब भी आप पैरामीटर A का इतना और पैरामीटर B का इतना हिस्सा जोड़ते हैं, तो नाभिक भारी हो जाता है।"
उन्होंने इसे उन "अजीब" नाभिकों को भी संभालने के लिए सिखाया जिन्हें इसने पहले नहीं देखा था, इसके लिए इसे विविध उदाहरण दिखाए।

4. बड़ी जीत: बेयसियन अन्वेषण (The Bayesian Exploration)

अंतिम लक्ष्य इस गति का उपयोग बेयसियन विश्लेषण करने के लिए करना था।

उपमा: कल्पना कीजिए कि आप घास के ढेर में एक विशिष्ट सुई खोजने की कोशिश कर रहे हैं, लेकिन घास का ढेर आकाशगंगा के आकार का है। आपको घास के हर टुकड़े की जांच करनी होगी।
NucleiML के बिना: आप हर 2 सेकंड में एक घास का टुकड़ा चेक करते हैं। आप अपने जीवनकाल में कभी नहीं ढूंढ पाएंगे।
NucleiML के साथ: आप हर 0.002 सेकंड में एक घास का टुकड़ा चेक करते हैं। आप मिनटों में पूरी आकाशगंगा को स्कैन कर सकते हैं।

NucleiML का उपयोग करके, शोधकर्ता निम्नलिखित कार्य करने में सक्षम थे:

एक एकल नाभिक के लिए गणनाओं को 10,000 गुना तेज किया।
पूरे खोज की गति को 1,000 गुना बढ़ाया (4.5 घंटे के इंतजार को केवल 15 सेकंड में बदल दिया)।
बेहतर उत्तर प्राप्त किए: क्योंकि वे बहुत अधिक संभावनाओं की जांच कर सके, उन्होंने न्यूट्रॉन स्टार के काम करने के नियमों का एक बहुत अधिक सटीक सेट खोजा, यह सुनिश्चित करते हुए कि नियम पृथ्वी पर मौजूद सूक्ष्म परमाणुओं और अंतरिक्ष में मौजूद विशाल सितारों दोनों पर फिट बैठते हैं।

सारांश

NucleiML एक क्रिस्टल बॉल (भविष्य बताने वाला गोला) देने जैसा है जो परमाणु नाभिक के गुणों की तुरंत भविष्यवाणी कर सकता है। यह असंभव विचारों को तुरंत छान देता है और बाकी चीजों की उच्च सटीकता के साथ भविष्यवाणी करता है, जिससे वैज्ञानिक स्लो कुकर की गति के बजाय प्रकाश की गति से ब्रह्मांड के रहस्यों की खोज कर सकते हैं।

इसका मतलब यह नहीं है कि उन्होंने कठिन भौतिकी करना छोड़ दिया; उन्होंने बस उबाऊ, दोहराव वाली गणनाओं के लिए AI का उपयोग किया ताकि वे बड़ी खोजों पर ध्यान केंद्रित कर सकें।

यहाँ शोध पत्र "A machine learning framework of ground-state properties of finite nuclei for accelerated Bayesian exploration: NucleiML" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

न्यूट्रॉन स्टार (NS) के गुणों को समझने के लिए न्यूक्लियर इक्वेशन ऑफ स्टेट (EoS) का वैश्विक व्यवहार अत्यंत महत्वपूर्ण है। जबकि परिमित नाभिक (Finite Nuclei - FN) के डेटा (बाइंडिंग एनर्जी, चार्ज रेडियस) से प्राप्त प्रतिबंध्स (constraints) सैचुरेशन डेंसिटी तक EoS को आकार देने के लिए आवश्यक हैं, इन प्रतिबंधों को बेयसियन इन्फरेंस फ्रेमवर्क में स्पष्ट रूप से शामिल करना कम्प्यूटेशनल रूप से अत्यधिक कठिन है।

बाधा (The Bottleneck): पारंपरिक रिलेटिविस्टिक मीन-फील्ड (RMF) मॉडल, जो न्यूक्लियर बलों का सूक्ष्म विवरण प्रदान करते हैं, प्रत्येक पैरामीटर सेट के लिए जटिल फील्ड समीकरणों को हल करने की आवश्यकता रखते हैं। एक एकल मूल्यांकन में सेकंड लगते हैं, लेकिन विविध नाभिकों के लिए लाखों लाइकलीहुड गणनाओं की आवश्यकता वाले बेयसियन विश्लेषण में घंटों या दिन लग सकते हैं।
चुनौती (The Challenge): वर्तमान विधियाँ अक्सर "स्पष्ट" प्रतिबंधों (विशिष्ट नाभिकों के डेटा के साथ सीधे मॉडल भविष्यवाणियों की तुलना करने) के बजाय "निहित" (implicit) प्रतिबंधों (सिमेट्री एनर्जी पैरामीटर्स को सीमित करने) पर निर्भर करती हैं क्योंकि बड़े पैमाने पर सैंपलिंग के लिए बाद की कम्प्यूटेशनल लागत बहुत अधिक है।

2. कार्यप्रणाली: NucleiML फ्रेमवर्क (Methodology: The NucleiML Framework)

लेखक NucleiML (NML) पेश करते हैं, जो एक मशीन लर्निंग फ्रेमवर्क है जिसे RMF मॉडल का उच्च गति और उचित सटीकता के साथ अनुकरण (emulate) करने के लिए डिज़ाइन किया गया है। यह फ्रेमवर्क दो अलग-अलग न्यूरल नेटवर्क घटकों से बना है:

A. डेटा जनरेशन (Data Generation)

स्रोत: प्रशिक्षण डेटा (training data) एक विशिष्ट लैग्रेंजियन (जिसमें $\sigma$ , $\omega$ , और $\rho$ मेसॉन शामिल हैं) के साथ RMF सिद्धांत का उपयोग करके उत्पन्न किया गया है।
इनपुट: सात न्यूक्लियर मैटर पैरामीटर्स (NMPs) को भौतिक सीमाओं (जैसे $\rho_0$ , $K_0$ , $J_0$ आदि) के भीतर रैंडमली सैंपल किया गया है।
आउटपुट: विशिष्ट क्लोज्ड-शेल स्फेरिकल नाभिकों के ग्राउंड-स्टेट गुण (Binding Energy $BE$ और Charge Radius $R_{ch}$ )।

B. द्वि-चरणीय आर्किटेक्चर (The Two-Step Architecture)

क्लासिफायर (Admissibility Filter):
- कार्य: यह निर्धारित करता है कि क्या दिए गए NMPs और एक विशिष्ट नाभिक ( $A, Z$ ) एक भौतिक रूप से सार्थक, संख्यात्मक रूप से अभिसरण (converged) RMF समाधान प्रदान करेंगे।
- वर्ग (Classes): "Admissible" (अभिसरण, वैध कपलिंग पैरामीटर्स, प्रयोगात्मक मूल्यों के 20% के भीतर) बनाम "Non-admissible" (अपसारी/divergent, अभौतिक कपलिंग, या बड़े विचलन)।
- आर्किटेक्चर: 4 हिडन लेयर्स (प्रत्येक 64 न्यूरॉन्स) वाला एक फुली कनेक्टेड न्यूरल नेटवर्क, जिसमें ReLU एक्टिवेशन और SoftMax आउटपुट का उपयोग किया गया है।
- उद्देश्य: यह एक गेटकीपर के रूप में कार्य करता है ताकि रिग्रेसर को अभौतिक पैरामीटर सेट्स के लिए मानों की भविष्यवाणी करने से रोका जा सके, जिससे बेयसियन सैंपलिंग स्थिर क्षेत्रों में बनी रहे।
रिग्रेसर (Property Predictor):
- कार्य: "Admissible" के रूप में वर्गीकृत इनपुट के लिए बाइंडिंग एनर्जी और चार्ज रेडियस की भविष्यवाणी करता है।
- आर्किटेक्चर: समान (4 हिडन लेयर्स, 64 न्यूरॉन्स) लेकिन आउटपुट लेयर के लिए लीनियर एक्टिवेशन फंक्शन का उपयोग करता है।
- लॉस फंक्शन (Loss Function): मीन एब्सोल्यूट परसेंटेज एरर (MAPE)।
- प्रशिक्षण रणनीति: मॉडल को $\sim$ 1 मिलियन सैंपल्स के डेटासेट पर प्रशिक्षित किया गया है। लेखकों ने बेहतर सामान्यीकरण (generalization) के लिए एक "Initial Set" (5 नाभिक) से "Extended Sets" (न्यूट्रॉन-समृद्ध और भारी नाभिक जोड़ना) तक प्रशिक्षण सेट के विस्तार के प्रभाव का परीक्षण किया।

3. मुख्य योगदान (Key Contributions)

novel एम्यूलेटर: बेयसियन न्यूट्रॉन स्टार EoS अध्ययनों में सरोगेट मॉडल का उपयोग करके परिमित नाभिक बाधाओं (बाइंडिंग एनर्जी और चार्ज रेडियस) को स्पष्ट रूप से एकीकृत करने वाला पहला फ्रेमवर्क, NucleiML का विकास।
हाइब्रिड आर्किटेक्चर: एक क्लासिफायर (अभौतिक पैरामीटर स्पेस को फ़िल्टर करने के लिए) और एक रिग्रेसर (अवलोकनीय गुणों की भविष्यवाणी करने के लिए) का अनूठा संयोजन, जो मीन-फील्ड मॉडलों में निहित संख्यात्मक अस्थिरता के मुद्दे को संबोधित करता है।
बेयसियन एकीकरण: NML के माध्यम से प्राप्त NMPs के मार्जिनलाइज्ड पोस्टीरियर वितरणों को पूर्ण RMF मॉडल द्वारा प्राप्त वितरणों के साथ सफलतापूर्वक मेल खाते हुए दिखाया गया है, जो इसके सफल बेयसियन एकीकरण को सिद्ध करता है।

4. मुख्य परिणाम (Key Results)

प्रदर्शन मेट्रिक्स (Performance Metrics)

क्लासिफायर सटीकता: Admissible और Non-admissible पैरामीटर सेट्स के बीच अंतर करने में 95% सटीकता प्राप्त की। प्रिसिजन और रिकॉल स्कोर दोनों वर्गों के लिए लगातार 0.93 से ऊपर रहे।
रिग्रेसर सटीकता:
- वैश्विक प्रदर्शन (Global Performance): टेस्ट डेटासेट में 0.998 का ग्लोबल $R^2$ स्कोर प्राप्त किया।
- विचलन (Deviation): 95% टेस्ट डेटा के लिए, अनुमानित बाइंडिंग एनर्जी और चार्ज रेडियस में विचलन 5% से कम था।
- विशिष्ट नाभिक: प्रशिक्षण नाभिकों (जैसे $^{40}\text{Ca}$ , $^{208}\text{Pb}$ ) के लिए उच्च सहसंबंध देखा गया।
- सामान्यीकरण (Generalization): अनदेखे (unseen) नाभिकों की भविष्यवाणी करने की मॉडल की क्षमता में तब महत्वपूर्ण सुधार हुआ जब प्रशिक्षण सेट को विविध, न्यूट्रॉन-समृद्ध नाभिकों (जैसे $^{24}\text{O}$ , $^{78}\text{Ni}$ ) को शामिल करने के लिए विस्तारित किया गया।

कम्प्यूटेशनल स्पीडअप (Computational Speedup)

एकल मूल्यांकन: गणना समय को ~2 सेकंड (RMF) से घटाकर ~1.5 मिलीसेकंड (NML) कर दिया, जो $\sim 1.5 \times 10^4$ का स्पीडअप है।
बेयसियन विश्लेषण: बेयसियन सैंपलिंग अभियान के लिए कुल रनटाइम को ~4.5 घंटे से घटाकर ~15 सेकंड कर दिया, जो $\sim 10^3$ का स्पीडअप है।

बेयसियन इन्फरेंस वैलिडेशन (Bayesian Inference Validation)

पोस्टीरियर वितरण: NML का उपयोग करके NMPs (जैसे $E_0, K_0, J_0, L_0$ ) के लिए प्राप्त मार्जिनलाइज्ड पोस्टीरियर वितरण, पूर्ण RMF मॉडल द्वारा प्राप्त वितरणों के लगभग समान थे।
सांख्यिकीय समानता: NML और RMF पोस्टीरियर वितरणों के बीच जेन्सन-शैनन (JS) डाइवर्जेंस लगातार < 0.1 था, जो सहसंबंधों और अनिश्चितताओं को पकड़ने में उच्च निष्ठा (fidelity) को दर्शाता है।
क्लासिफायर का प्रभाव: क्लासिफायर को हटाने से पोस्टीरियर वितरणों में व्यवस्थित बदलाव और उच्च JS डाइवर्जेंस देखा गया, जो एडमिसिबिलिटी फिल्टर की आवश्यकता को सिद्ध करता है।

5. महत्व और भविष्य की संभावनाएं (Significance and Outlook)

स्पष्ट बाधाओं को सक्षम बनाना: NucleiML वैश्विक बेयसियन विश्लेषणों में 'इम्प्लिसिट' बाधाओं से आगे बढ़कर 'एक्सप्लिसिट' परिमित नाभिक बाधाओं (बाइंडिंग ऊर्जा और चार्ज रेडियस) को शामिल करना कम्प्यूटेशनल रूप से संभव बनाता है।
अनिश्चितता परिमाणीकरण (Uncertainty Quantification): पैरामीटर स्पेस के अन्वेषण को तेज करके, यह फ्रेमवर्क न्यूक्लियर EoS के लिए अधिक मजबूत अनिश्चितता परिमाणीकरण की अनुमति देता है।
भविष्य की दिशाएं:
- विस्तार: फ्रेमवर्क को बेहतर सामान्यीकरण के लिए बड़े, अधिक विविध नाभिकों के सेट (विकृत/deformed नाभिकों सहित) में विस्तारित किया जा सकता है।
- अनुप्रयोग: इस आर्किटेक्चर को संगत डेटासेट्स पर पुनः प्रशिक्षित करके अन्य एनर्जी डेंसिटी फंक्शनल (EDF) परिवारों (जैसे Skyrme, Gogny) के लिए अनुकूलित किया जा सकता है।
- एस्ट्रोफिजिक्स: यह टूल पूरे न्यूक्लियर चार्ट और भारी-आयन टकराव (heavy-ion collision) तथा खगोलीय अवलोकन संबंधी डेटा का उपयोग करके न्यूट्रॉन स्टार गुणों को एक साथ बाधित करने वाले भविष्य के अध्ययन का मार्ग प्रशस्त करता है।

निष्कर्षतः, NucleiML न्यूक्लियर एस्ट्रोफिजिक्स में एक महत्वपूर्ण प्रगति है, जो उच्च-निष्ठा वाले सूक्ष्म न्यूक्लियर मॉडलों और आधुनिक बेयसियन इन्फरेंस की कम्प्यूटेशनल मांगों के बीच के अंतर को सफलतापूर्वक पाटता है।