Vision Transformers for End-to-End Quark-Gluon Jet Classification from Calorimeter Images

लार्ज हैड्रॉन कोलाइडर के विशाल वलय (रिंग) के भीतर, कण लगभग प्रकाश की गति से आपस में टकराते हैं, जिससे मलबे का एक अराजक छिड़काव पैदा होता है जिसे भौतिकविदों को ब्रह्मांड के मौलिक नियमों को समझने के लिए छाँटना पड़ता है। जब प्रोटॉन आपस में टकराते हैं, तो वे अक्सर दो अलग-अलग प्रकार के कणों के छिड़काव उत्पन्न करते हैं, जिन्हें 'जेट्स' कहा जाता है: एक क्वार्क से जन्मा और दूसरा ग्लूऑन से। हालांकि डिटेक्टर के लिए दोनों ऊर्जा के अव्यवस्थित शंकु (कोन) की तरह दिखते हैं, लेकिन वे मौलिक रूप से भिन्न होते हैं। क्वार्क प्रोटॉन और न्यूट्रॉन के निर्माण खंड हैं, जबकि ग्लूऑन वह 'गोंद' है जो उन्हें एक साथ थामे रखता है। ग्लूऑन एक अधिक शक्तिशाली "रंग आवेश" (कलर चार्ज) वहन करते हैं, जो प्रबल परमाणु बल का एक गुण है, जिसके कारण वे एक क्वार्क के तुलनात्मक रूप से सघन और स्वच्छ छिड़काव की तुलना में, कणों के अधिक विस्तृत और भीड़भाड़ वाले छिड़काव में टूट जाते हैं। इन दोनों के बीच अंतर करना वैज्ञानिकों के लिए अत्यंत महत्वपूर्ण है। यदि वे उन्हें अलग नहीं कर पाते हैं, तो वे पृष्ठभूमि के शोर में छिपे नए, अज्ञात भौतिकी के सूक्ष्म संकेतों को मिस कर सकते हैं, या वे किसी सामान्य घटना को कुछ असाधारण समझ सकते हैं। दशकों से, भौतिकविद इन जेट्स को अलग करने के लिए जटिल गणितीय नियमों पर भरोसा करते आए हैं, लेकिन पैटर्न इतने जटिल और डेटा इतना विशाल है कि मानव-निर्मित नियम अक्सर विफल हो जाते हैं।

शोधकर्ताओं की एक टीम ने अब इस समस्या को हल करने के लिए एक अलग प्रकार की बुद्धिमत्ता की ओर रुख किया है: मानव मस्तिष्क की तरह मॉडल की गई कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस)। यह लिखने की कोशिश करने के बजाय कि क्वार्क और ग्लूऑन के बीच के अंतर का वर्णन करने वाले समीकरण क्या हैं, उन्होंने एक कंप्यूटर को कणों के टकराव की कच्ची छवियों (इमेज) को देखना और अपने आप अंतर सीखना सिखाया। उन्होंने सीर्न (CERN) के सीएमएस (CMS) प्रयोग के डेटा का उपयोग किया, जो कणों के डिटेक्टर की परतों से गुजरने पर छोड़े गए ऊर्जा जमाव को रिकॉर्ड करता है। इन जमावों को डिजिटल चित्रों में बदल दिया जाता है, जहाँ चमकीले धब्बे अधिक ऊर्जा का प्रतिनिधित्व करते हैं। शोधकर्ताओं ने 'विज़न ट्रांसफॉर्मर' नामक एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस का परीक्षण किया। पुराने कंप्यूटर विज़न टूल्स के विपरीत जो एक इमेज को एक-एक करके छोटे, स्थानीय पैच को स्कैन करके देखते हैं, एक विज़न ट्रांसफॉर्मर पूरी इमेज को एक साथ देखता है। यह तुरंत देख सकता है कि इमेज के एक कोने में चमकीला धब्बा दूसरी तरफ के धुंधले धब्बे से कैसे संबंधित है, जिससे यह एक ही नज़र में जेट के वैश्विक आकार और संरचना को पकड़ लेता है।

इस अध्ययन में कंप्यूटर को लाखों ऐसे सिम्युलेटेड (कृत्रिम) जेट इमेज खिलाना शामिल था, जिनमें से आधे क्वार्क जेट और आधे ग्लूऑन जेट थे। इमेज को तीन अलग-अलग प्रकार के डिटेक्टर डेटा से बनाया गया था: आवेशित कणों द्वारा छोड़े गए ट्रैक, इलेक्ट्रोमैग्नेटिक कैलोरीमीटर में मापी गई ऊर्जा, और हैड्रोनिक कैलोरीमीटर में मापी गई ऊर्जा। इन्हें एक एकल, बहु-परतीय चित्र में संयोजित करके, शोधकर्ताओं ने एआई को घटना का एक पूर्ण दृश्य प्रदान किया। इसके बाद उन्होंने इन नए विज़न ट्रांसफॉर्मर्स का पारंपरिक, लंबे समय से चले आ रहे टूल्स के विरुद्ध प्रदर्शन की तुलना की, जो छोटे स्थानीय क्षेत्रों को स्कैन करने पर निर्भर करते हैं। परिणाम स्पष्ट और सुसंगत थे। विज़न ट्रांसफॉर्मर्स, विशेष रूप से अन्य उन्नत आर्किटेक्चर के साथ मिलकर, दोनों प्रकार के जेट्स को अलग करने में काफी बेहतर साबित हुए। उन्होंने उच्च सटीकता हासिल की और बिना गलती किए जेट्स की सही पहचान करने में बेहतर प्रदर्शन किया, जो वैज्ञानिक खोज के लिए एक महत्वपूर्ण संतुलन है।

शोधकर्ताओं ने पाया कि एक साथ पूरी तस्वीर देखने की क्षमता ने नए मॉडलों को एक विशिष्ट लाभ दिया। क्वार्क और ग्लूऑन जेट सूक्ष्म, लंबी दूरी के पैटर्न में भिन्न होते हैं; ऊर्जा पूरे डिटेक्टर में कैसे फैलती है, यह अक्सर एक एकल पिक्सेल की तीव्रता से अधिक महत्वपूर्ण होता है। पुराने टूल्स, जो स्थानीय विवरणों पर ध्यान केंद्रित करते हैं, इन दूरस्थ बिंदुओं को जोड़ने में संघर्ष करते हैं। हालाँकि, विज़न ट्रांसफॉर्मर्स ने इस वैश्विक संदर्भ का लाभ उठाया, और ग्लूऑन जेट्स की जटिल, विस्तृत संरचनाओं को अधिक सघन क्वार्क जेट्स के मुकाबले सफलतापूर्वक मैप किया। अध्ययन में इन नए मॉडलों को पुराने मॉडलों के साथ मिलाने के विभिन्न तरीकों का भी पता लगाया गया, जिससे हाइब्रिड सिस्टम बने जिन्होंने दोनों दुनियाओं के सर्वश्रेष्ठ गुणों को जोड़ा। इन हाइब्रिड मॉडलों ने और भी बेहतर प्रदर्शन किया, जो यह सुझाव देता है कि कण भौतिकी विश्लेषण का भविष्य पारंपरिक तरीकों की स्थानीय सटीकता को आधुनिक ट्रांसफॉर्मर की व्यापक, प्रासंगिक समझ के साथ मिलाने में निहित है।

हालांकि ये निष्कर्ष उत्साहजनक हैं, शोधकर्ता सावधानी बरतते हुए यह उल्लेख करते हैं कि उनका कार्य सिम्युलेटेड डेटा का उपयोग करके किया गया था, जो डिटेक्टरों के व्यवहार का एक अत्यधिक सटीक कंप्यूटर मॉडल है। अगला कदम इन मॉडलों को कोलाइडर के वास्तविक डेटा पर टेस्ट करना होगा ताकि यह देखा जा सके कि क्या वे एक वास्तविक प्रयोग की अव्यवस्थित और अप्रत्याशित स्थितियों में टिक पाते हैं। इसके अलावा, इन शक्तिशाली मॉडलों को चलाने के लिए महत्वपूर्ण कंप्यूटिंग शक्ति की आवश्यकता होती है, जो भविष्य में वास्तविक समय के विश्लेषण के लिए एक बाधा बन सकती है। इन सीमाओं के बावजूद, यह अध्ययन एक नया मानक स्थापित करता है कि मशीन लर्निंग को कण भौतिकी में कैसे लागू किया जा सकता है। यह दिखाता है कि कंप्यूटर को केवल उसके हिस्सों के बजाय पूरी घटना को एक समग्र रूप में देखने देकर, वैज्ञानिक उप-परमाणु दुनिया की गहरी समझ विकसित कर सकते हैं, जो संभावित रूप से उस नई भौतिकी को प्रकट कर सकती है जो अब तक उनकी आँखों के सामने ही छिपी हुई थी।