🔬 physics

Physics-Embedded Bayesian Neural Network (PE-BNN) to predict Energy Dependence of Fission Product Yields with Fine Structures

यह शोध पत्र एक भौतिकी-अंतर्निहित बेयसियन न्यूरल नेटवर्क (PE-BNN) ढांचे को प्रस्तुत करता है जो ऊर्जा-स्वतंत्र घटनात्मक शेल कारक (phenomenological shell factor) और WAIC-आधारित हाइपरपैरामीटर अनुकूलन को एकीकृत करता है ताकि सूक्ष्म संरचनाओं वाले ऊर्जा-निर्भर विखंडन उत्पाद उपज (fission product yields) की सटीक भविष्यवाणी की जा सके और ज्ञात परमाणु शेल प्रभावों के साथ निकट सहमति प्राप्त की जा सके।

मूल लेखक: Jingde Chen, Yuta Mukobara, Kazuki Fujio, Satoshi Chiba, Tatsuya Katabuchi, Chikako Ishizuka

प्रकाशित 2026-03-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jingde Chen, Yuta Mukobara, Kazuki Fujio, Satoshi Chiba, Tatsuya Katabuchi, Chikako Ishizuka

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

एक बड़ी तस्वीर: अनिश्चितता की भविष्यवाणी करना

कल्पना कीजिए कि आप एक शेफ हैं जो यह अनुमान लगाने की कोशिश कर रहे हैं कि एक विशाल, जटिल केक को तोड़ने पर वह ठीक कैसे बिखरेगा। परमाणु भौतिकी (nuclear physics) की दुनिया में, यह "केक" एक परमाणु (जैसे यूरेनियम) है, और "तोड़ना" एक न्यूट्रॉन का उससे टकराना है, जिससे वह विभाजित (fission) हो जाता है।

जब एक परमाणु विभाजित होता है, तो वह केवल दो समान टुकड़ों में नहीं टूटता। यह सैकड़ों अलग-अलग छोटे टुकड़ों (जिन्हें fission products कहा जाता है) में बिखर जाता है। वैज्ञानिकों को यह जानना आवश्यक है कि प्रत्येक टुकड़े का कितना हिस्सा बनता है, विशेष रूप से जब "टक्कर" अलग-अलग ऊर्जा (जैसे एक हल्का स्पर्श बनाम एक ज़ोरदार प्रहार) के साथ होती है।

द दशकों से, वैज्ञानिक इस टूटने की प्रक्रिया के सूक्ष्म, लहरदार विवरणों (wiggly details) की भविष्यवाणी करने में कठिनाई महसूस कर रहे हैं, विशेष रूप से तब जब ऊर्जा बदलती है। यह शोध पत्र एक नया "स्मार्ट शेफ" पेश करता है जो इन विवरणों की उच्च सटीकता के साथ भविष्यवाणी कर सकता है।

समस्या: "चिकना" बनाम "ऊबड़-खाबबड़"

सोचिए कि वैज्ञानिकों के पास मौजूद डेटा एक मानचित्र (map) है।

पुराना मानचित्र (Linear Interpolation): पारंपरिक रूप से, यदि वैज्ञानिकों को "कम ऊर्जा" (जैसे 0.5 MeV) और "उच्च ऊर्जा" (जैसे 14 MeV) पर परिणाम पता होते थे, तो वे बीच में क्या हुआ, इसका अनुमान लगाने के लिए उनके बीच एक सीधी रेखा खींच देते थे। यह ऐसा है जैसे यह मान लेना कि दो शहरों के बीच की सड़क पूरी तरह से समतल है।
वास्तविकता: सड़क समतल नहीं है। इसमें पहाड़, घाटियाँ और उभार हैं। इन "उभारों" को fine structures कहा जाता है। ये परमाणु के आंतरिक "कंकाल" (nuclear shells) के कारण होते हैं, जो कुछ विशिष्ट टुकड़ों के बनने की संभावना को बढ़ा देते हैं।
अंतराल (Gap): मौजूदा कंप्यूटर मॉडल सड़क के सामान्य आकार (global trend) को बनाने में तो अच्छे थे, लेकिन विशिष्ट उभारों (fine structures) की भविष्यवाणी करने में बहुत खराब थे।

समाधान: "फिजिक्स-एम्बेडेड" स्मार्ट शेफ

लेखकों ने एक Physics-Embedded Bayesian Neural Network (PE-BNN) बनाया है। आइए उस फैंसी नाम को समझते हैं:

न्यूरल नेटवर्क (मस्तिष्क): यह एक प्रकार का AI है जो हजारों उदाहरणों को देखकर सीखता है। यह एक ऐसे छात्र की तरह है जिसने परमाणु विखंडन (nuclear fission) पर लिखी गई हर पाठ्यपुस्तक पढ़ ली है।
बेयसियन (आत्मविश्वास का मीटर): एक मानक AI के विपरीत, जो केवल एक उत्तर देता है, यह एक उत्तर और उसके साथ एक आत्मविश्वास स्कोर भी देता है। यह कहता है, "मुझे लगता है कि उत्तर X है, और मैं 95% आश्वस्त हूँ।" यह एक मौसम विज्ञानी की तरह है जो केवल यह नहीं कहता कि "बारिश होगी," बल्कि कहता है कि "95% संभावना है कि बारिश होगी।"
फिजिक्स-एम्बेडेड (गुप्त सामग्री): यह सबसे महत्वपूर्ण हिस्सा है। आमतौर पर, आप AI को केवल कच्चा डेटा देते हैं और उसे सब कुछ समझने के लिए छोड़ देते हैं। लेकिन यहाँ, लेखकों ने AI को वास्तविक भौतिकी (physics) पर आधारित एक "चीट शीट" दी।

"शेल फैक्टर" (Shell Factor) सादृश्य

कल्पना कीजिए कि परमाणु ईंटों से बनी एक इमारत है। कुछ मंजिलों को स्टील से सुदृढ़ किया गया है (ये nuclear shells हैं)। जब इमारत ढहती है, तो सुदृढ़ मंजिलें कमजोर मंजिलों की तुलना में अलग तरह से टिकी रहती हैं।

लेखकों ने "Shell Factor" नामक एक विशेष इनपुट फीचर बनाया।

शेल फैक्टर के बिना: AI मलबे को देखकर केवल टूटने के पैटर्न का अनुमान लगाने की कोशिश करता है। वह ढेर का सामान्य आकार तो सही बता देता है, लेकिन विशिष्ट सुदृढ़ हिस्सों को मिस कर देता है।
शेल फैक्टर के साथ: AI को एक ब्लूप्रिंट दिया जाता है जिसमें लिखा है, "हे, लेवल 134 और 140 पर एक सुपर-स्ट्रॉन्ग स्टील फ्लोर है।" अचानक, AI सटीक रूप से भविष्यवाणी कर सकता है कि भारी टुकड़े कहाँ गिरेंगे।

व्यवहार में यह कैसे काम करता है

शोधकर्ताओं ने इस AI को पिछले प्रयोगों और सैद्धांतिक गणनाओं के एक विशाल डेटासेट पर प्रशिक्षित किया। उन्होंने इसे केवल यह नहीं बताया कि "उपज (yield) की भविष्यवाणी करें।" उन्होंने इसे बताया:

टुकड़ों के द्रव्यमान (mass) को देखें।
आने वाले न्यूट्रॉन की ऊर्जा को देखें।
महत्वपूर्ण रूप से: "शेल फैक्टर" (परमाणु की आंतरिक संरचना का ब्लूप्रिंट) को देखें।

उन्होंने WAIC नामक एक विशेष गणितीय नियम का भी उपयोग किया जो एक सख्त शिक्षक के रूप में कार्य करता है। इस नियम ने AI को डेटा को "रटने" (overfitting) से रोका और इसे खेल के वास्तविक नियमों को सीखने के लिए मजबूर किया।

परिणाम: यह क्यों मायने रखता है

परिणाम प्रभावशाली थे, जैसे कोई छात्र बिना पढ़ाई किए परीक्षा में अव्वल आ गया हो:

उभारों को पकड़ना: AI सफलतापूर्वक "fine structures" की भविष्यवाणी करने में सफल रहा—डेटा में वे विशिष्ट शिखर (peaks) और घाटियाँ जिन्हें अन्य मॉडल नहीं पकड़ सके।
ऊर्जा का रुझान: इसने सही ढंग से भविष्यवाणी की कि जैसे-जैसे "टक्कर" कठिन होती जाती है (उच्च ऊर्जा), विशिष्ट "उभार" (shell effects) चिकने होने लगते हैं, ठीक वैसे ही जैसे नदी में बहते हुए एक खुरदरे पत्थर का चिकना कंकड़ बन जाना।
"जादुई" संबंध: यहाँ सबसे रोमांचक हिस्सा है। AI को न्यूट्रॉन (वे सूक्ष्म कण जो परमाणु के फटने पर बाहर निकलते हैं) के बारे में कभी नहीं सिखाया गया था। इसे केवल टुकड़ों के बारे में सिखाया गया था।
- हालांकि, क्योंकि AI ने परमाणु के टूटने की गहरी भौतिकी को सीख लिया था, इसने स्वतंत्र रूप से यह पता लगा लिया कि टुकड़े उस तरह से शिफ्ट होते हैं जो उड़ते हुए न्यूट्रॉन के ज्ञात व्यवहार से पूरी तरह मेल खाता है।
- सादृश्य: कल्पना कीजिए कि एक जासूस जो अपराध स्थल पर केवल टूटे हुए कांच को देखता है। बंदूक को देखे बिना भी, वह कांच के पैटर्न का विश्लेषण करके ठीक से अनुमान लगा लेता है कि गोली कितनी ज़ोर से लगी थी और किस तरह की बंदूक का उपयोग किया गया था। AI ने भी यही किया: इसने विभाजन की भौतिकी को इतनी अच्छी तरह से सीखा कि इसने न्यूट्रॉन के व्यवहार को खुद ही "खोज" लिया।

निष्कर्ष

यह शोध पत्र दिखाता है कि हमें "शुद्ध डेटा विज्ञान" (कंप्यूटर को अनुमान लगाने देना) और "शुद्ध भौतिकी" (जटिल समीकरणों का उपयोग करना) के बीच चुनाव करने की आवश्यकता नहीं है।

AI के मस्तिष्क में सीधे भौतिकी के ज्ञान को शामिल करके, हमें एक ऐसा उपकरण मिलता है जो है:

अधिक बुद्धिमान: यह संख्याओं के पीछे के "क्यों" को समझता है।
अधिक सटीक: यह उन सूक्ष्म विवरणों की भविष्यवाणी करता है जो परमाणु रिएक्टरों और सुरक्षा के लिए महत्वपूर्ण हैं।
विश्वसनीय: यह जानता है कि वह कब आश्वस्त है और कब केवल अनुमान लगा रहा है।

यह नया ढांचा परमाणु भौतिकी की अस्त-व्यस्त, जटिल वास्तविकता और आधुनिक AI की स्वच्छ, शक्तिशाली भविष्यवाणियों के बीच एक सेतु है, जो हमें सुरक्षित रिएक्टरों को डिजाइन करने और ब्रह्मांड को बेहतर ढंग से समझने में मदद करता है।

यहाँ शोध पत्र "Physics-Embedded Bayesian Neural Network (PE-BNN) to predict Energy Dependence of Fission Product Yields with Fine Structures" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

विखंडन उत्पाद प्राप्ति (Fission Product Yields - FPYs) परमाणु रिएक्टरों, खगोलीय नाभिकीय संश्लेषण (astrophysical nucleosynthesis), और परमाणु फोरेंसिक के लिए महत्वपूर्ण अवलोकन हैं। हालाँकि, वर्तमान परमाणु डेटा लाइब्रेरी (जैसे JENDL, ENDF) दो प्रमुख सीमाओं का सामना करती हैं:

विविक्त ऊर्जा बिंदु (Discrete Energy Points): लाइब्रेरी आमतौर पर केवल तीन विशिष्ट न्यूट्रॉन ऊर्जाओं (थर्मल, 0.5 MeV, और 14 MeV) पर FPY डेटा प्रदान करती हैं। मध्यवर्ती ऊर्जाओं के लिए रैखिक इंटरपोलेशन (linear interpolation) का उपयोग किया जाता है, जो हाल के प्रयोगों में दिखाया गया है कि महत्वपूर्ण विचलन के कारण सटीक नहीं है।
सूक्ष्म संरचनाओं को पुनरुत्पादित करने में असमर्थता (Inability to Reproduce Fine Structures): न तो पारंपरिक घटनात्मक मॉडल (phenomenological models) और न ही मानक मशीन लर्निंग (ML) दृष्टिकोण विभिन्न आइसोटोप्स और आपतित न्यूट्रॉन ऊर्जाओं के माध्यम से वैश्विक ऊर्जा प्रवृत्तियों और "सूक्ष्म संरचनाओं" (न्यूक्लियर शेल प्रभावों के कारण स्थानीय भिन्नता) को एक साथ कैप्चर कर सकते हैं।
डेटा की कमी (Data Scarcity): मोनो-एनर्जेटिक न्यूट्रॉन स्रोतों की कमी के कारण व्यापक प्रयोगात्मक जांच सीमित है, जिसके लिए मजबूत सैद्धांतिक मॉडलों की आवश्यकता है।

2. कार्यप्रणाली (Methodology)

लेखकों ने एक फिजिक्स-एम्बेडेड बेयसियन न्यूरल नेटवर्क (PE-BNN) फ्रेमवर्क विकसित किया है जो ML आर्किटेक्चर में सीधे पूर्व परमाणु भौतिकी ज्ञान को एकीकृत करता है।

A. मॉडल आर्किटेक्चर (Model Architecture)

बेयसियन न्यूरल नेटवर्क (BNN): मॉडल एक दो-परत वाला हिडन लेयर आर्किटेक्चर (11-11 न्यूरॉन्स के लिए अनुकूलित) उपयोग करता है। यह मॉडल मापदंडों के पोस्टीरियर वितरण $p(W|D)$ का अनुमान लगाने के लिए NumPyro लाइब्रेरी के भीतर No-U-Turn Sampler (NUTS) का उपयोग करता है, जिससे अनिश्चितता परिमाणीकरण (uncertainty quantification/credible intervals) संभव होता है।
प्रशिक्षण डेटा (Training Data): डेटासेट में JENDL-5 का 80%, EXFOR से प्रयोगात्मक डेटा और सैद्धांतिक मॉडल आउटपुट शामिल हैं। शेष 20% JENDL-5 का उपयोग सत्यापन सेट (validation set) के रूप में किया जाता है। प्रशिक्षण लक्ष्य पोस्ट-न्यूट्रॉन इंडिपेंडेंट मास यील्ड्स हैं।

B. भौतिकी-एम्बेडेड इनपुट फीचर्स (Physics-Embedded Input Features)

मुख्य नवाचार परमाणु संरचना भौतिकी को एनकोड करने के लिए एक स्पष्ट इनपुट फीचर के रूप में शेल फैक्टर (Shell Factor - SF) का परिचय देना है:
$SF = \exp\left(-\frac{E}{kT}\right) \times \sum_{i=1}^{3} W_i (N_i + N_{i+3})$

उत्तेजना ऊर्जा डैम्पिंग (Excitation Energy Damping): पद $\exp(-E/kT)$ बोल्ट्ज़मैन फैक्टर का प्रतिनिधित्व करता है, जहाँ $E$ उत्तेजना ऊर्जा है और $kT \approx 1.5$ MeV है (जो फर्मी-गैस संबंधों और लैंग्विन सिमुलेशन से प्राप्त है)। यह इस भौतिक वास्तविकता को मॉडल करता है कि आपतित न्यूट्रॉन ऊर्जा बढ़ने के साथ शेल प्रभाव कम हो जाते हैं।
शेल संरचना एनकोडिंग (Shell Structure Encoding): गॉसियन पद $N_i$ द्रव्यमान संख्या $A=134$ (डबली मैजिक), $A=140$ , और $A=144$ (विकृत शेल/deformed shells) पर केंद्रित हैं, जिनके संगत मिरर टर्म्स हल्के अंशों (light fragments) के लिए भी हैं। यह स्पष्ट रूप से नेटवर्क को शेल-स्थिर क्षेत्रों को पहचानने के लिए निर्देशित करता है।
हाइपरपैरामीटर अनुकूलन (Hyperparameter Optimization): ओवरफिटिंग को रोकने और यह सुनिश्चित करने के लिए कि मॉडल बिना किसी पुनरावृत्ति पैरामीटर ट्यूनिंग के अच्छी तरह से सामान्यीकरण (generalize) करे, मॉडल चयन और हाइपरपैरामीटर ट्यूनिंग Watanabe-Akaike Information Criterion (WAIC) का उपयोग करके की जाती है।

C. सत्यापन रणनीति (Validation Strategy)

मॉडल को निम्नलिखित के विरुद्ध सत्यापित किया गया था:

हाल के उच्च-परिशुद्धता अध्ययनों (जैसे टोंचेव एट अल.) से स्वतंत्र प्रयोगात्मक संचयी यील्ड ( $\gamma$ -रे स्पेक्ट्रोस्कोपी के माध्यम से मापा गया)।
प्रॉम्प्ट न्यूट्रॉन मल्टीप्लिसिटी डेटा (जिसका उपयोग प्रशिक्षण में नहीं किया गया था) ताकि उभरती हुई भौतिक निरंतरता (emergent physical consistency) की जाँच की जा सके।
अर्ध-अनुभवजन्य GEF मॉडल और JENDL-5 के रैखिक इंटरपोलेशन के साथ तुलना।

3. मुख्य योगदान (Key Contributions)

एकीकृत ढांचा (Unified Framework): PE-BNN सांख्यिकीय शिक्षण और परमाणु भौतिकी के बीच के अंतर को सफलतापूर्वक पाटता है, जो एकल मॉडल में वैश्विक ऊर्जा रुझानों और सूक्ष्म संरचनात्मक विविधताओं दोनों को पुनरुत्पादित करता है।
स्पष्ट भौतिक एनकोडिंग (Explicit Physics Encoding): "ब्लैक-बॉक्स" ML के विपरीत, यह दृष्टिकोण शेल जानकारी (SF के माध्यम से) को सीधे इनपुट लेयर में एनकोड करता है, जिससे मॉडल का व्यवहार व्याख्या योग्य और भौतिक रूप से आधारित बनता है।
उभरती भौतिक निरंतरता (Emergent Physical Consistency): मॉडल प्रॉम्प्ट न्यूट्रॉन मल्टीप्लिसिटी के अनुरूप ऊर्जा-निर्भर व्यवहारों की भविष्यवाणी करता है, जबकि इसे कभी भी न्यूट्रॉन उत्सर्जन डेटा पर प्रशिक्षित नहीं किया गया था। यह दर्शाता है कि नेटवर्क ने FPY डेटा से ही द्रव्यमान यील्ड और न्यूट्रॉन उत्सर्जन के बीच अंतर्निहित भौतिक सहसंबंधों को सीख लिया है।
श्रेष्ठ इंटरपोलेशन (Superior Interpolation): यह फ्रेमवर्क मध्यवर्ती न्यूट्रॉन ऊर्जाओं (0.5–14 MeV) के लिए सटीक भविष्यवाणियां प्रदान करता है, जो पारंपरिक रैखिक इंटरपोलेशन से बेहतर प्रदर्शन करता है जो गैर-रैखिक ऊर्जा निर्भरता को पकड़ने में विफल रहता है।

4. मुख्य परिणाम (Key Results)

सूक्ष्म संरचना का पुनरुत्पादन (Fine Structure Reproduction): शेल फैक्टर (SF) को शामिल करने से मॉडल के लॉग-लाइक्लीहुड (log-likelihood) में 21.3% (प्रशिक्षण) और 34.6% (परीक्षण) का सुधार हुआ। मॉडल ने $^{235}\text{U}$ , $^{232}\text{Th}$ , और $^{243}\text{Cm}$ जैसे आइसोटोप्स के लिए भारी और हल्के पीक्स में सूक्ष्म संरचनाओं को सफलतापूर्वक पुनरुत्पादित किया।
ऊर्जा निर्भरता (Energy Dependence):
- भारी अंश (Heavy Fragments): मॉडल ने आपतित न्यूट्रॉन ऊर्जा बढ़ने के साथ भारी पीक के निम्न द्रव्य संख्या की ओर शिफ्ट होने की सही भविष्यवाणी की। यह उच्च उत्तेजना ऊर्जाओं पर बढ़े हुए प्रॉम्प्ट न्यूट्रॉन उत्सर्जन के कारण है, जो ब्रोस (Brosa) के विखंडन मॉडल के अनुरूप व्यवहार है।
- हल्के अंश (Light Fragments): मॉडल ने हल्के अंश पीक्स (जैसे $A \approx 99-105$ ) की सापेक्ष स्थिरता और उनकी कमजोर ऊर्जा निर्भरता को कैप्चर किया, जो इस क्षेत्र में स्थिर प्रॉम्प्ट न्यूट्रॉन मल्टीप्लिसिटी के अनुरूप है।
शेल प्रभाव पदानुक्रम (Shell Effect Hierarchy): परिणामों ने शेल स्थिरीकरण में एक पदानुक्रम का खुलासा किया: $A=134$ (डबली मैजिक) पर पीक बढ़ती ऊर्जा के विरुद्ध मजबूत बना रहता है, जबकि $A=138$ और $A=143$ (विकृत शेल) पर पीक तेजी से कम और गायब हो जाते हैं।
सत्यापन (Validation): $^{235}\text{U}$ , $^{238}\text{U}$ , और $^{239}\text{Pu}$ के लिए PE-BNN भविष्यवाणियां एक विस्तृत ऊर्जा रेंज (0.5–14.8 MeV) में प्रयोगात्मक डेटा के $\pm 1\sigma$ और $\pm 2\sigma$ विश्वसनीय अंतरालों (credible intervals) के भीतर रहीं, जो रैखिक इंटरपोलेशन से काफी बेहतर है और विशिष्ट ऊर्जा क्षेत्रों में GEF मॉडल की तुलना में प्रयोगात्मक रुझानों के साथ बेहतर सहमति दिखाती है।

5. महत्व (Significance)

रिएक्टर भौतिकी और सुरक्षा (Reactor Physics & Safety): मध्यवर्ती ऊर्जाओं पर FPY की सटीक भविष्यवाणी करने की क्षमता रिएक्टर क्रिटिकैलिटी मूल्यांकन, बर्नअप गणना, और सुरक्षा आकलन के लिए महत्वपूर्ण है जहाँ मानक लाइब्रेरी डेटा की कमी होती है।
परमाणु फोरेंसिक (Nuclear Forensics): ऊर्जा-निर्भर यील्ड भविष्यवाणियों में सुधार परमाणु सामग्रियों के मूल और इतिहास की पहचान करने की क्षमता को बढ़ाता है।
पद्धतिगत प्रगति (Methodological Advancement): यह कार्य प्रदर्शित करता है कि "फिजिक्स-एम्बेडेड" मशीन लर्निंग, परमाणु डेटा मूल्यांकन के लिए एक व्यवहार्य और बेहतर रणनीति है। यह केवल डेटा फिटिंग से आगे बढ़कर ऐसे मॉडल बनाता है जो मौलिक भौतिक नियमों (शेल प्रभाव, डैम्पिंग तंत्र) का सम्मान करते हैं और बेयसियन निष्कर्ष (Bayesian inference) की पैटर्न रिकग्निशन शक्ति का लाभ उठाते हैं।
सामान्यीकरण (Generalizability): यह फ्रेमवर्क अन्य जटिल परमाणु अवलोकनों (observables) के लिए समान फिजिक्स-एम्बेडेड रणनीतियों को लागू करने का मार्ग सुझाता है जहाँ व्यवस्थित विशेषताओं को मॉडल इनपुट के रूप में एनकोड किया जा सकता है।