Mind the Gap: Navigating Inference with Optimal Transport Maps

कण त्वरकों (particle accelerators) के भीतर होने वाले विशाल, उच्च-ऊर्जा टकरावों में, वैज्ञानिक ब्रह्मांड के बारे में कुछ सबसे मौलिक प्रश्नों के उत्तर खोजने का प्रयास कर रहे हैं। इसे करने के लिए, वे वास्तविक दुनिया के प्रयोगों और कंप्यूटर सिमुलेशन के बीच एक नाजुक साझेदारी पर भरोसा करते हैं। जब कण आपस में टकराते हैं, तो वे मलबे की एक बौछार पैदा करते हैं जिसे डिटेक्टर रिकॉर्ड करते हैं, लेकिन ये कच्चे संकेत अक्सर सीधे व्याख्या करने के लिए बहुत जटिल होते हैं। वैज्ञानिक इन टकरावों के दौरान क्या होना चाहिए, इसका अनुकरण करने के लिए परिष्कृत कंप्यूटर प्रोग्रामों का उपयोग करते हैं, जिससे डेटा का एक सैद्धांतिक मानचित्र तैयार होता है। वास्तविक डेटा की इन सिमुलेशन से तुलना करके, वे नए कणों को पहचान सकते हैं या ज्ञात कणों को अविश्वसनीय सटीकता के साथ माप सकते हैं। हालाँकि, इस साझेदारी में एक दोष है: सिमुलेशन कभी भी पूर्ण नहीं होते। वे भौतिकी की हमारी वर्तमान समझ पर आधारित होते हैं, लेकिन वे अक्सर इस बात के सूक्ष्म विवरणों को चूक जाते हैं कि डिटेक्टर वास्तव में कैसे कार्य करते हैं या कण कैसे परस्पर क्रिया करते हैं। जब सिमुलेशन वास्तविक डेटा से मेल नहीं खाता, तो विश्लेषण के परिणाम पक्षपाती हो सकते हैं, जिससे वैज्ञानिक ब्रह्मांड की प्रकृति के बारेनों गलत निष्कर्ष निकाल सकते हैं।

शोधकर्ताओं की एक टीम ने इस बेमेल स्थिति को ठीक करने का एक नया तरीका विकसित किया है, विशेष रूप से आधुनिक कण भौतिकी प्रयोगों द्वारा उत्पन्न जटिल, उच्च-आयामी (high-dimensional) डेटा के लिए। सिमुलेशन को बाद में ठीक करने की कोशिश करने या अंतरों को अनदेखा करने के बजाय, उन्होंने 'ऑप्टिमल ट्रांसपोर्ट' (optimal transport) नामक एक गणितीय ढांचे का उपयोग किया ताकि सिम्युलेटेड डेटा को पुनर्गठित किया जा सके ताकि यह वास्तविक डेटा के साथ पूरी तरह से संरेखित हो सके। उन्होंने इस पद्धति का परीक्षण कणों के एक विशिष्ट प्रकार के स्प्रे पर किया जिसे "जेट" (jet) कहा जाता है, जो टकराव के दौरान क्वार्क या ग्लूऑन के उत्पादन से बनता है। शोधकर्ताओं ने इन जेट्स के मूल को पहचानने के लिए एक शक्तिशाली आर्टिफिशियल इंटेलिजेंस सिस्टम को प्रशिक्षित किया, जिससे डेटा का एक समृद्ध, 128-आयामी आंतरिक प्रतिनिधित्व (internal representation) बना। इसके बाद उन्होंने इस नए अंशांकन (calibration) तकनीक को इस आंतरिक प्रतिनिधित्व पर लागू किया, जिससे अपूर्ण सिमुलेशन को वास्तविक दुनिया के अवलोकनों से मेल खाने वाले रूप में प्रभावी ढंग से परिवर्तित किया जा सका। परिणाम एक अंशांकित डेटासेट था जहाँ सिम्युलेटेड जेट्स बिल्कुल वास्तविक जेट्स की तरह दिखते और व्यवहार करते थे, जिससे बहुत अधिक सटीक और निष्पक्ष वैज्ञानिक निष्कर्ष निकालना संभव हो गया।

सिमुलेशन को वास्तविकता के साथ संरेखित करने की चुनौती लंबे समय से कण भौतिकी में एक बाधा रही है। दशकों से, वैज्ञानिक "वर्टिकल कैलिब्रेशन" (vertical calibration) नामक एक विधि का उपयोग करते आए हैं। इस दृष्टिकोण में प्रत्येक सिम्युलेटेड इवेंट के लिए एक भार (weight) की गणना करना शामिल है, जो अनिवार्य रूप से कंप्यूटर को यह बताता है कि कुछ इवेंट्स को अधिक बार और दूसरों को कम बार गिनना है ताकि सिमुलेशन डेटा से मेल खा सके। हालांकि यह सरल, कम-आयामी डेटा के लिए अच्छा काम करता है, लेकिन जब डेटा जटिल और उच्च-आयामी हो जाता है, तो यह विफल हो जाता है। इन मामलों में, सिमुलेशन और वास्तविकता के बीच का अंतर इतना बड़ा होता है कि आवश्यक भार अत्यधिक उच्च हो जाते हैं, या सिमुलेशन वास्तविक डेटा में देखे गए संभावनाओं के दायरे को कवर ही नहीं कर पाता है। शोधकर्ताओं ने पाया कि उनके द्वारा अध्ययन किए जा रहे जटिल जेट डेटा के लिए, यह पारंपरिक विधि न केवल अक्षम थी, बल्कि इसे बिना सभी सांख्यिकीय शक्ति खोए लागू करना गणितीय रूप से असंभव था। सिम्युलेटेड डेटा और वास्तविक डेटा इतने अलग थे कि वे शायद ही एक-दूसरे के ऊपर आते थे, जिससे एक को दूसरे जैसा दिखाने के लिए पुन: भारित (reweight) करना असंभव हो गया था।

इसे हल करने के लिए, टीम ने एक अलग रणनीति की ओर रुख किया जिसे "होरिजॉन्टल कैलिब्रेशन" (horizontal calibration) कहा जाता है, जो न्यूनतम प्रयास के साथ एक वितरण से दूसरे वितरण में द्रव्यमान (mass) स्थानांतरित करने के गणित पर निर्भर करती है। कल्पना कीजिए कि आपके पास रेत का एक ढेर है जो आपके सिमुलेशन का प्रतिनिधित्व करता है और एक अलग ढेर है जो आपके वास्तविक डेटा का प्रतिनिधित्व करता है। दूसरे ढेर से मेल खाने के लिए रेत के व्यक्तिगत कणों की ऊंचाई बदलने के बजाय, आप पहले ढेर के कणों को भौतिक रूप से नई स्थितियों में तब तक ले जाते हैं जब तक कि ढेर का आकार दूसरे ढेर के समान न हो जाए। यह उस 'ऑप्टिमल ट्रांसपोर्ट मैप' का सार है जिसे शोधकर्ताओं ने विकसित किया है। उन्होंने एक न्यूरल नेटवर्क बनाया जिसने जेट्स के डेटा को वास्तविक जेट्स में बदलने के सबसे कुशल तरीके को सीखा। यह रूपांतरण सीधे जेट्स के 128-आयामी आंतरिक "लेटेंट" (latent) प्रतिनिधित्व पर लागू किया गया था, एक ऐसा स्थान जहाँ आर्टिफिशियल इंटेलिजेंस ने पहले ही कण स्प्रे की सभी जटिल विशेषताओं का सारांश बना लिया था। इस आंतरिक स्थान को अंशांकित करके, उन्होंने यह सुनिश्चित किया कि डेटा की मौलिक संरचना सुरक्षित रहे जबकि गलत मॉडलिंग को सुधारा जा सके।

शोधकर्ताओं ने अपने तरीके का परीक्षण 'लार्ज हैड्रोन कोलाइडर' के 'कॉम्पैक्ट म्यूऑन सोलेनोइड' प्रयोग से प्रेरित एक डेटासेट का उपयोग करके किया। उन्होंने डेटा के दो सेट बनाए: एक स्रोत सेट जो मानक सिमुलेशन का प्रतिनिधित्व करता था, और एक लक्ष्य सेट जिसने ज्ञात त्रुटियों और विविधताओं, जैसे कि डिटेक्टर द्वारा कणों की स्थिति को मापने के तरीके में बदलाव को पेश करके वास्तविक प्रयोगात्मक डेटा की नकल की। फिर उन्होंने विभिन्न प्रकार के जेट्स (जैसे कि हिग्स बोसॉन से आने वाले बनाम साधारण क्वार्क से आने वाले) के बीच अंतर करने के लिए अपने आर्टिफिशियल इंटेलिजेंस क्लासिफायर को प्रशिक्षित किया। अंशांकन से पहले, क्लासिफायर आसानी से सिम्युलेटेड डेटा और टारगेट डेटा के बीच अंतर कर सकता था, जो एक महत्वपूर्ण बेमेल का संकेत देता था। ऑप्टिमल ट्रांसपोर्ट मैप लागू करने के बाद, क्लासिफायर दोनों के बीच अंतर नहीं कर सका; सिम्युलेटेड डेटा को वास्तविक डेटा की तरह दिखने के लिए सफलतापूर्वक रूपांतरित कर दिया गया था। शोधकर्ताओं ने विभिन्न भौतिक मात्राओं की जांच करके इसकी पुष्टि की, जिससे पता चला कि अंशांकित सिमुलेशन अब माप की एक विस्तृत श्रृंखला में टारगेट वितरण के साथ मेल खाता है।

इस कार्य की सबसे महत्वपूर्ण खोजों में से एक यह है कि आंतरिक 128-आयामी प्रतिनिधित्व पर किया गया अंशांकन उन सभी डाउनस्ट्रीम कार्यों के लिए काम आया जो उस पर निर्भर थे। भले ही अंशांकन न्यूरल नेटवर्क के भीतर गहराई में लागू किया गया था, लेकिन सुधार अंतिम आउटपुट तक पहुँच गया, जैसे कि विशिष्ट कणों की पहचान करने के लिए उपयोग किए जाने वाले संभाव्यता स्कोर (probability scores)। शोधकर्ताओं ने दिखाया कि अंशांकित डेटा का उपयोग उन सांख्यिकीय परीक्षणों के निर्माण के लिए किया जा सकता है जो सिमुलेशन त्रुटियों से उत्पन्न पूर्वाग्रह से मुक्त हैं। यह "फाउंडेशन मॉडल्स" (foundation models) के उपयोग की दिशा में एक महत्वपूर्ण कदम है। ये बड़े, पूर्व-प्रशिक्षित आर्टिफिशियल इंटेलिजेंस मॉडल हैं जिन्हें कई अलग-अलग कार्यों के लिए अनुकूलित किया जा सकता है। यदि ये मॉडल ठीक से अंशांकित नहीं हैं, तो उनके अनुमान पक्षपाती होंगे, जिससे उनकी उपयोगिता सीमित हो जाएगी। यह प्रदर्शित करके कि ऑप्टिमल ट्रांसपोर्ट इन उच्च-आयामी आंतरिक प्रतिनिधित्वों को अंशांकित कर सकता है, शोधकर्ताओं ने इन शक्तिशाली उपकरणों का सटीक और निष्पक्ष तरीके से उपयोग करने के लिए एक मार्ग प्रशस्त किया है।

इस कार्य के निहितार्थ केवल जेट्स की पहचान करने से कहीं आगे तक विस्तृत हैं। यह विधि उच्च-आयामी सिमुलेशन को सुधारने के लिए एक सामान्य ढांचा प्रदान करती है, जहाँ भी जटिल मॉडल वास्तविक दुनिया की घटनाओं की भविष्यवाणी करने के लिए उपयोग किए जाते हैं। शोधकर्ताओं ने उल्लेख किया कि हालांकि उनका विशिष्ट अनुप्रयोग कण भौतिकी में था, लेकिन अंतर्निहित गणित सार्वभौमिक है। उन्होंने इस बात पर जोर दिया कि इस दृष्टिकोण के लिए सिमुलेशन का पूर्ण होना आवश्यक नहीं है; इसके लिए केवल यह आवश्यक है कि वास्तविक डेटा तक पहुँचने के लिए एक अपूर्ण सिमुलेशन को मैप करने का कोई तरीका मौजूद हो। मॉडल के अंतिम आउटपुट को सुधारने के बजाय उसके आंतरिक प्रतिनिधित्व को सुधारने पर ध्यान केंद्रित करके, वैज्ञानिक अब पहले की तुलना में बहुत अधिक जटिल डेटा को संभाल सकते हैं। यह मौलिक कणों के अधिक सटीक मापन और संभावित रूप से उस नई भौतिकी की खोज का द्वार खोलता है जो पहले सिमुलेशन की सीमाओं के कारण छिपी हुई थी।

अध्ययन इस निष्कर्ष के साथ समाप्त होता है कि यह अंशांकन रणनीति कण भौतिकी प्रयोगों में उन्नत मशीन लर्निंग को एकीकृत करने के लिए एक व्यवहार्य मार्ग है। यह सुझाव देता है कि क्षेत्र प्रत्येक विश्लेषण के लिए कई, तदर्थ (ad-hoc) सुधारों पर निर्भर रहने के बजाय, अपने मॉडलों के आंतरिक प्रतिनिधित्व को अंशांकित करने के लिए एक एकीकृत दृष्टिकोण अपनाने की ओर बढ़ सकता है। शोधकर्ता सावधानीपूर्वक नोट करते हैं कि हालांकि उनके सिमुलेशन ने उत्कृष्ट परिणाम दिखाए, लेकिन यह सुनिश्चित करने के लिए और अधिक कार्य की आवश्यकता है कि अंशांकन कोई नया, सूक्ष्म विसंगति उत्पन्न न करे। वे यह भी सुझाव देते हैं कि भविष्य के शोध में प्रदर्शन को और बेहतर बनाने के लिए इन अंशांकित प्रतिनिधित्वों का उपयोग करके मॉडलों को फाइन-ट्यून करने के तरीके तलाशे जा सकते हैं। फिलहाल के लिए, यह कार्य एक प्रमाण (proof of concept) है कि सिमुलेशन और वास्तविकता के बीच के अंतर को पाटा जा सकता है, अंतरों को अनदेखा करके नहीं, बल्कि सिमुलेशन को गणितीय रूप से बदलकर दुनिया के अनुरूप ढालकर।