Machine learning-based b-jet tagging in $pp$ collisions at $\sqrt{s}=13$ TeV

ब्रह्मांड की कल्पना एक विशाल, उच्च-गति वाले रेसट्रैक के रूप में करें जहाँ सूक्ष्म कण प्रकाश की गति के करीब दौड़ रहे हैं। जब दो प्रोटॉन आपस में टकराते हैं, तो यह एक सूक्ष्म स्तर के कार एक्सीडेंट (pile-up) जैसा होता है, लेकिन मुड़े हुए धातु के बजाय, वे नए, क्षणिक कणों की बौछार में फट जाते हैं। वैज्ञानिक इसे "हेवी-फ्लेवर" (heavy-flavor) भौतिकी कहते हैं क्योंकि इनमें से कुछ कण भारी और अल्पजीवी होते हैं, जो उप-परमाणु दुनिया के "हेवी हिटर्स" की तरह हैं। इस अराजकता को समझने के लिए, शोधकर्ता "जेट्स" (jets) का उपयोग करते हैं—इन्हें टक्कर से बाहर निकलने वाले मलबे की बौछार के रूप में समझें। कुछ जेट विशेष होते हैं क्योंकि उनमें एक भारी "ब्यूटी" क्वार्क (जिसे अक्सर "बी-क्वार्क" कहा जाता है) होता है। इन ब्यूटी जेट्स को खोजना एक विशाल, बहु-रंगीन विस्फोट में एक विशिष्ट, दुर्लभ रंग के कंफेटी (confetti) को पहचानने जैसा है। यह वैज्ञानिकों को यह जांचने में मदद करता है कि ब्रह्मांड कैसे काम करता है, इससे संबंधित उनके सिद्धांत सही हैं या नहीं, और यह उन अत्यधिक टकरावों को समझने के लिए एक संदर्भ बिंदु के रूप में कार्य करता है, जैसे कि वे स्थितियाँ जो प्रारंभिक ब्रह्मांड को फिर से निर्मित करती हैं। बड़ी चुनौती क्या है? ये ब्यूटी जेट्स सामान्य, "लाइट-फ्लेवर" जेट्स जैसे ही दिखते हैं, और उनमें अंतर करना अन्य सुइयों से बनी घास के ढेर में एक विशिष्ट सुई खोजने जैसा है।

यह शोध पत्र इन सुई-में-घास-के-ढेर वाली समस्या को हल करने के लिए एक सुपर-स्मार्ट डिजिटल जासूस बनाने के बारे में है। लेखक, जो 13 TeV की ऊर्जा पर प्रोटॉन टकरावों से प्राप्त सिम्युलेटेड डेटा के साथ काम कर रहे थे, ने इन ब्यूटी जेट्स को खोजने के लिए पुराने "नियम-आधारित" (rule-based) तरीकों का उपयोग करना बंद करने का निर्णय लिया। इसके बजाय, उन्होंने एक मशीन लर्निंग मॉडल को प्रशिक्षित किया—जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है—जो एक अनुभवी जासूस की तरह कार्य करता है जो केवल एक सुराग नहीं देखता, बल्कि एक साथ दर्जनों सूक्ष्म विवरणों को जोड़ता है। उन्होंने अपने AI को 16 करोड़ सिम्युलेटेड टकरावों के एक विशाल डेटासेट में प्रशिक्षित किया, जिससे उसे एक ब्यूटी जेट के अद्वितीय "फिंगरप्रिंट" को पहचानना सिखाया गया। यह फिंगरप्रिंट केवल एक चीज़ नहीं है; यह एक जटिल पैटर्न है जिसमें शामिल है कि जेट के भीतर कण कैसे चलते हैं, वे कहाँ से उत्पन्न होते प्रतीत होते हैं, और क्षय (decay) होने से पहले वे कितनी दूरी तय करते हैं।

इस शोध पत्र का मुख्य निष्कर्ष यह है कि यह AI जासूस अपने काम में पारंपरिक तरीकों की तुलना में काफी बेहतर है। जबकि पुराने तरीके एक एकल चर (variable) की जाँच करने पर निर्भर थे—जैसे कि किसी कण के टूटने से पहले तय की गई दूरी को मापना—नया मॉडल एक "कन्वोल्यूशनल न्यूरल नेटवर्क" (एक फैंसी शब्द जो ऐसे AI के लिए है जो पैटर्न पहचानने में बहुत अच्छा है, ठीक वैसे ही जैसे आपका मस्तिष्क एक चेहरा पहचानता है) का उपयोग करता है। यह मॉडल पूरे जेट को एक इकाई के रूप में देखता है, व्यक्तिगत कणों के ट्रैक्स और "सेकेंडरी वर्टिक्स" (वे छोटे स्थान जहाँ भारी कण क्षय होते हैं) का एक साथ विश्लेषण करता है। परिणाम क्या है? AI ने ब्यूटी जेट्स की पहचान करने में लगभग 90% सटीकता हासिल की, और पारंपरिक तरीकों की तुलना में, इसने समान दक्षता स्तर पर 30% अधिक शुद्धता (purity) प्रदान की। सरल शब्दों में, प्रत्येक 100 जेट जिन्हें AI ने "ब्यूटी" के रूप में चिह्नित किया, वह पुराने नियमों की तुलना में बहुत अधिक बार सही साबित हुआ।

हालाँकि, यह ध्यान देना महत्वपूर्ण है कि यह सफलता एक सिमुलेशन से आई है, अभी तक किसी वास्तविक प्रयोग से नहीं। लेखकों ने टक्कर के डेटा को उत्पन्न करने के लिए PYTHIA8 नामक एक कंप्यूटर प्रोग्राम का उपयोग किया और फिर वास्तविक डिटेक्टर (विशेष रूप से लार्ज हैड्रॉन कोलाइडर पर ALICE डिटेक्टर) की खामियों की नकल करने के लिए संख्याओं को "स्मियर" (smear) किया। उन्होंने अभी तक इसे कोलाइडर के वास्तविक डेटा पर नहीं चलाया है; उन्होंने केवल यह सिद्ध किया है कि यह विधि एक नियंत्रित, सिम्युलेटेड वातावरण में काम करती है। शोध पत्र स्पष्ट रूप से इस विचार का खंडन करता है कि सिंगल-वेरिएबल कट्स (केवल एक माप देखना) सबसे अच्छा तरीका है, और इसके बजाय यह दिखाता है कि मशीन लर्निंग के माध्यम से कई चरों को जोड़ना एक बेहतर दृष्टिकोण है। हालाँकि परिणाम उत्साहजनक हैं, लेखक सावधानीपूर्वक यह भी कहते हैं कि यह सुनिश्चित करने के लिए भविष्य में और कार्य की आवश्यकता है कि मॉडल वास्तविक प्रयोगात्मक डेटा पर भी उतना ही अच्छा काम करे, जहाँ स्थितियाँ सिमुलेशन से थोड़ी भिन्न हो सकती हैं।

उन्होंने इस जासूस को कैसे बनाया, इसकी कहानी एक यात्रा की तरह है। सबसे पहले, उन्होंने टक्कर का सिमुलेशन किया। उन्होंने आवेशित कणों के कच्चे डेटा को लिया और उस पर "स्मियरिंग" (smearing) लागू की, जो रेडियो सिग्नल में थोड़ा सा शोर (static) जोड़ने जैसा है ताकि वह वास्तविक लगे, जो यह दर्शाता है कि एक वास्तविक डिटेक्टर किसी कण की गति या स्थिति को कैसे थोड़ा गलत पढ़ सकता है। फिर, उन्होंने "एंटी-kT" नामक एक विशिष्ट एल्गोरिदम का उपयोग करके इन कणों को जेट्स में समूहित किया। एक बार जेट बन जाने के बाद, उन्होंने सुराग निकालना शुरू किया। उन्होंने जेट की ऊर्जा, उसके कोण और उसके भीतर कणों की संख्या को देखा। लेकिन असली खजाना विवरणों में था: उन्होंने जेट के "इम्पैक्ट पैरामीटर" (कण का पथ टकराव के केंद्र के कितने करीब आता है) और "सेकंडरी वर्टिक्स" (जहाँ भारी कण क्षय होते हैं) को देखा।

उनका बनाया गया AI मॉडल थोड़ा एक तीन-सिर वाले राक्षस जैसा है, लेकिन अच्छे अर्थ में। इसके दो "सिर" कन्वोल्यूशनल न्यूरल नेटवर्क (CNNs) हैं, जो छवियों या डेटा के अनुक्रमों को संसाधित करने में उत्कृष्ट हैं। एक सिर ने जेट में शीर्ष 10 कण ट्रैक्स को देखा, और दूसरे ने शीर्ष 10 सेकेंडरी वर्टिक्स को देखा। इन दो सिरों ने स्थानीय विवरणों को संसाधित किया और फिर अपने निष्कर्षों को एक "रिकरेंट न्यूरल नेटवर्क" (RNN) को सौंपा, जो यह समझने में अच्छा है कि चीजें समय या अनुक्रम के साथ कैसे बदलती हैं। तीसरा "सिर" पूरे जेट के वैश्विक गुणों (global properties) को देखता है। तीनों सिरों ने अंतिम निर्णय लेने के लिए अपने अंतर्दंद्वों को जोड़ा। मॉडल को 20 लाख ब्यूटी जेट्स, 20 लाख चार्म जेट्स और 20 लाख लाइट-फ्लेवर जेट्स पर प्रशिक्षित किया गया, जिससे उसने जटिल, बहु-आयामी पैटर्न को खोजकर उनके बीच अंतर करना सीखा जो मानव या सरल नियम नहीं देख पाते।

परिणाम प्रभावशाली थे। जब उन्होंने मॉडल का परीक्षण किया, तो इसने लगभग 0.977 का "रिसीवर ऑपरेटिंग कैरेक्टरिस्टिक" (ROC) कर्व और "एरिया अंडर द कर्व" (AUC) उत्पन्न किया। सांख्यिकी की दुनिया में, 1.0 का AUC पूर्ण (perfect) होता है, और 0.5 एक रैंडम अनुमान है। इसलिए, 0.977 एक बहुत ही उच्च स्कोर है, जो यह दर्शाता है कि मॉडल सिग्नल (ब्यूटी जेट्स) को शोर (बाकी सब कुछ) से अलग करने में अत्यंत कुशल है। "कन्फ्यूजन मैट्रिक्स", जो एक रिपोर्ट कार्ड की तरह है जो यह दिखाता है कि मॉडल कितनी बार सही या गलत हुआ, ने दिखाया कि मॉडल लगभग 90% बार ब्यूटी जेट्स की सही पहचान करता है। इससे भी महत्वपूर्ण बात यह है कि जब उन्होंने इसकी तुलना पारंपरिक "इम्पैक्ट पैरामीटर" पद्धति से की, तो AI मॉडल कहीं अधिक श्रेष्ठ था। उदाहरण के लिए, यदि वे 50% ब्यूटी जेट्स को पकड़ना चाहते हैं, तो AI मॉडल ने पुराने तरीके की तुलना में नकली जेट्स (लाइट-फ्लेवर जेट्स) को अनदेखा करने में बहुत बेहतर काम किया।

शोध पत्र ने यह भी पता लगाया कि मॉडल विभिन्न गतियों (मोमेंटम) पर कैसा प्रदर्शन करता है। यह उच्च-गति वाले जेट्स के लिए सबसे अच्छा काम करता है, जहाँ कण अधिक दूरी तय करते हैं और स्पष्ट निशान छोड़ते हैं। कम गति पर, इसका प्रदर्शन थोड़ा गिर जाता है क्योंकि विश्लेषण करने के लिए कम कण होते हैं, जिससे सूक्ष्म अंतरों को पहचानना कठिन हो जाता है। यह समझ में आता है: यदि आपके पास एक धीमी फुसफुसाहट है, तो यह बताना कठिन है कि वह एक गुप्त संदेश है या केवल बैकग्राउंड शोर। लेकिन इन चुनौतियों के बावजूद, AI ने हर क्षेत्र में पारंपरिक तरीकों को पछाड़ दिया।

अंत में, यह शोध पत्र सुझाव देता है कि इन दुर्लभ ब्यूटी जेट्स को खोजने का भविष्य मशीन लर्निंग में निहित है। कंप्यूटर को केवल एक पहेली के एक टुकड़े के बजाय पूरी तस्वीर देखने के लिए प्रशिक्षित करके, वैज्ञानिक उप-परमाणु दुनिया का बहुत स्पष्ट दृश्य प्राप्त कर सकते हैं। हालाँकि यह विशिष्ट अध्ययन एक सिमुलेशन था, यह वास्तविक डेटा (ALICE प्रयोग से) पर इन शक्तिशाली उपकरणों को लागू करने के लिए आधार तैयार करता है। लेखक आशावादी हैं कि भविष्य में, यह डिजिटल जासूस उन्हें उन भारी-फ्लेवर कणों के नए रहस्यों को खोलने में मदद करेगा जो हमारे ब्रह्मांड की समझ को आकार देते हैं, बशर्ते वास्तविक दुनिया का डेटा उनके सिमुलेशन के जितना करीब हो सके उतना करीब हो।