⚛️ high-energy experiments

How to Deep-Learn the Theory behind Quark-Gluon Tagging

यह शोध पत्र प्रमुख गुप्त विशेषताओं (latent features) की पहचान करके, सहसंबद्ध इनपुट (correlated inputs) में शापली मानों (Shapley values) की सीमाओं का मूल्यांकन करके, और टैगर के आउटपुट का अनुमान लगाने वाले संक्षिप्त सूत्रों को व्युत्पन्न करने के लिए सिम्बोलिक रिग्रेशन (symbolic regression) का उपयोग करके क्वार्क-ग्लूऑन जेट टैगर्स की व्याख्यात्मकता (explainability) को बढ़ाता है।

मूल लेखक: Sophia Vent, Ramon Winterhalder, Tilman Plehn

प्रकाशित 2026-03-18

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sophia Vent, Ramon Winterhalder, Tilman Plehn

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 जासूस हैं जो एक विशाल, अफरा-तफरी से भरी पार्टी में एक अपराध को सुलझाने की कोशिश कर रहे हैं। यहाँ "अपराध" दो प्रकार के मेहमानों के बीच अंतर करना है: क्वार्क (Quarks) और ग्लूऑन (Gluons)।

कण भौतिकी (particle physics) की दुनिया में, ये पदार्थ के निर्माण खंड हैं। जब वे एक डिटेक्टर के माध्यम से तेजी से गुजरते हैं, तो वे मलबे का एक निशान छोड़ते हैं जिसे "जेट" (jet) कहा जाता है।

क्वार्क जेट्स (Quark jets) एक साथ चलने वाले दोस्तों के एक घनिष्ठ समूह की तरह होते; वे संख्या में कम होते हैं और केंद्र के करीब रहते हैं।
ग्लूऑन जेट्स (Gluon jets) एक उग्र भीड़ (mosh pit) की तरह होते; वे अधिक संख्या में होते हैं, फैले हुए होते हैं और अराजक होते हैं क्योंकि उनका "चार्ज" अधिक शक्तिशाली होता है जो उन्हें अधिक आक्रामक रूप से ऊर्जा उत्सर्जित करने के लिए प्रेरित करता है।

वर्षों से, भौतिकविदों ने इन मेहमानों को छाँटने के लिए जटिल कंप्यूटर प्रोग्राम (मशीन लर्निंग) का उपयोग किया है। ये प्रोग्राम अविश्वसनीय रूप से अच्छे हैं, लेकिन वे "ब्लैक बॉक्स" (black boxes) हैं। वे उत्तर तो देते हैं ("यह एक क्वार्क है!"), लेकिन वे यह नहीं बताते कि क्यों। यह एक प्रतिभाशाली शेफ की तरह है जो एक बेहतरीन व्यंजन तो बनाता है लेकिन अपनी रेसिपी साझा करने से इनकार कर देता है।

यह शोध पत्र उस रेसिपी को खोलने (crack करने) के बारे में है। लेखक इस ब्लैक बॉक्स को खोलना चाहते हैं, यह देखना चाहते हैं कि कंप्यूटर वास्तव में क्या देख रहा है, और इसके जटिल गणित को सरल, मानव-पठनीय सूत्रों (formulas) में बदलना चाहते हैं।

उन्होंने इसे चार सरल चरणों में कैसे किया, यहाँ दिया गया है:

1. "कंप्रेशन" की तकनीक (मुख्य सुराग ढूंढना)

कंप्यूटर जेट में प्रत्येक कण (उसकी ऊर्जा, कोण, प्रकार, आदि) के लिए डेटा की एक विशाल सूची से शुरू होता है। यह हर मेहमान के लिए 64 पन्नों की एक विस्तृत फाइल होने जैसा है। लेखकों ने पूछा: "क्या हमें वास्तव में सभी 64 पन्नों की आवश्यकता है?"

उन्होंने PCA (प्रिंसिपल कंपोनेंट एनालिसिस) नामक एक तकनीक का उपयोग किया, जो एक अत्यंत बुद्धिमान संपादक की तरह है। यह सभी 64 पन्नों को पढ़ता है और कहता है, "वास्तव में, कहानी को समझने के लिए आपको केवल तीन मुख्य बिंदुओं की आवश्यकता है।"

सुराग #1 (भीड़ का आकार): वहां कितने कण हैं? (ग्लूऑन में अधिक होते हैं)।
सुराग #2 (फैलाव): गड़बड़ी कितनी चौड़ी है? (ग्लूऑन अधिक चौड़े होते हैं)।
सुराग #3 (मिश्रण): ऊर्जाएं कैसे साझा की जाती हैं? (क्वार्क का एक "कठोर" कोर होता है)।

उन्होंने पाया कि कंप्यूटर ने स्वाभाविक रूप से इन तीन सटीक चीजों को सीख लिया था, भले ही उसे यह बताया नहीं गया था। उसने अपने आप भौतिकी के नियमों को फिर से खोज लिया!

2. "आंखों पर पट्टी" वाली समस्या (SHAP टेस्ट)

इसके बाद, उन्होंने यह देखने के लिए कि कौन से सुराग सबसे महत्वपूर्ण थे, SHAP नामक एक टूल का उपयोग करने की कोशिश की। SHAP एक खेल की तरह है जहाँ आप एक बार में एक सुराग हटाते हैं और देखते हैं कि कंप्यूटर का आत्मविश्वास कितना कम हो जाता है।

हालाँकि, उन्हें एक बाधा का सामना करना पड़ा। क्योंकि सुराग आपस में जुड़े हुए हैं (उदाहरण के लिए, एक चौड़ा जेट आमतौर पर अधिक कणों के साथ होता है), टूल भ्रमित हो गया। यह शेफ के कौशल का आकलन करने के लिए नमक हटाने की कोशिश करने जैसा था, लेकिन यह भूल जाने जैसा था कि नमक इसलिए डाला गया था क्योंकि सूप बहुत फीका था। टूल ने भ्रामक परिणाम दिए, गलत चीजों को दोष दिया।

समाधान: उन्होंने महसूस किया कि उन्हें पहले सुरागों को "डी-कोरिलेट" (de-correlate) करने की आवश्यकता है। उन्होंने नए, स्वतंत्र चर (variables) बनाए (जैसे कणों की गिनती किए बिना जेट के "आकार" को मापना)। एक बार जब उन्होंने ऐसा किया, तो SHAP टूल ने अंततः एक स्पष्ट, ईमानदार उत्तर दिया: "हाँ, कणों की संख्या सबसे महत्वपूर्ण सुराग है, उसके बाद आकार आता है।"

3. "रेसिपी" की खोज (सिंबोलिक रिग्रेशन)

यह सबसे दिलचस्प हिस्सा है। लेखक कंप्यूटर के जटिल निर्णय लेने की प्रक्रिया को एक सरल गणितीय समीकरण में बदलना चाहते थे जिसे एक इंसान नैपकिन पर लिख सके। इसके लिए उन्होंने सिंबोलिक रिग्रेशन (Symbolic Regression) नामक विधि का उपयोग किया।

इसे एक जेनेटिक एल्गोरिदम के रूप में सोचें जो गणितीय सूत्रों को विकसित करता है। यह 1 / (particles की संख्या) जैसे सरल अनुमानों से शुरू होता है और इसमें बदलाव (mutate) करता रहता है, हजारों संयोजनों को तब तक आज़माता रहता है जब तक कि इसे एक ऐसा सूत्र न मिल जाए जो कंप्यूटर के दिमाग से पूरी तरह मेल खाता हो।

परिणाम:
उन्होंने पाया कि कंप्यूटर के जटिल "दिमाग" को एक आश्चर्यजनक रूप से संक्षिप्त सूत्र द्वारा बदला जा सकता है।

एक एकल सुराग के लिए, सूत्र कुछ ऐसा था: Probability = tanh(1 / number of particles).
पूर्ण सेट के सुरागों के लिए, यह थोड़ा लंबा था लेकिन फिर भी पठनीय था: इसने जेट के "फैलाव", कणों की "विविधता" और "ऊर्जा संतुलन" को एक व्यवस्थित समीकरण में जोड़ा।

4. यह क्यों मायने रखता है?

वे इतनी मेहनत क्यों कर रहे हैं?

विश्वास (Trust): यदि कंप्यूटर कहता है "यह एक क्वार्क है," तो एक भौतिक विज्ञानी अब सूत्र को देखकर कह सकता है, "आह, मैं समझ गया। यह एक क्वार्क है क्योंकि कणों की संख्या कम है और आकार संकीर्ण है।" यह विश्वास पैदा करता है।
गति (Speed): एक न्यूरल नेटवर्क भारी होता है और विशाल डेटासेट पर चलाने में धीमा होता है। एक सरल गणितीय सूत्र बिजली की तरह तेज़ होता है। भविष्य में, ये सूत्र वास्तविक समय के प्रयोगों में भारी कंप्यूटरों की जगह ले सकते हैं।
खोज (Discovery): यह समझकर कि कंप्यूटर कैसे सोचता है, हम नए भौतिकी पैटर्न की खोज कर सकते हैं जिन्हें हमने पहले छोड़ दिया था।

बड़ी तस्वीर

कल्पना कीजिए कि आपके पास एक सुपर-इंटेलिजेंट एलियन है जो बाघ को शेर से तुरंत पहचान सकता है। आप पूछते हैं, "आप यह कैसे करते हैं?"

पुराना तरीका: एलियन कहता है, "भरोसा करो, मुझे बस पता है।" (ब्लैक बॉक्स)।
इस शोध पत्र का तरीका: एलियन कहता है, "मैं धारीदार पैटर्न, कान का आकार और पूंछ की लंबाई देखता हूँ। यदि मैं इन तीन नंबरों को इस विशिष्ट सूत्र का उपयोग करके जोड़ता हूँ, तो मुझे उत्तर मिल जाता है।"

लेखकों ने सफलतापूर्वक डीप लर्निंग की "एलियन भाषा" को भौतिकी सूत्रों की "मानव भाषा" में अनुवादित किया, यह साबित करते हुए कि सबसे जटिल AI को भी समझा जा सकता है, समझाया जा सकता है और सरल बनाया जा सकता है।

यहाँ वेंट, विंटरहाल्डर और प्लेहन के शोध पत्र "How to Deep-Learn the Theory behind Quark-Gluon Tagging" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

क्वार्क-ग्लूऑन (QG) टैगिंग, हाई एनर्जी फिजिक्स (HEP) में एक महत्वपूर्ण कार्य है, जो क्वार्क से शुरू होने वाले जेट्स को ग्लूऑन से शुरू होने वाले जेट्स से अलग करने के लिए उपयोग किया जाता है। बीयॉन्ड स्टैंडर्ड मॉडल (BSM) भौतिकी की खोज और प्रिसिजन स्टैंडर्ड मॉडल (SM) मापन में सिग्नल को बैकग्राउंड से अलग करने के लिए यह क्षमता आवश्यक है।

हालाँकि, QG टैगिंग अद्वितीय चुनौतियाँ प्रस्तुत करती है:

सैद्धांतिक अस्पष्टता (Theoretical Ambiguity): QCD में लीडिंग ऑर्डर के परे क्वार्क और ग्लूऑन जेट्स के बीच का अंतर स्पष्ट रूप से परिभाषित नहीं है और यह सॉफ्ट/कोलीनियर स्प्लिटिंग्स, पार्टोन शावर्स और हैड्रोनाइजेशन के प्रति अत्यधिक संवेदनशील है।
ब्लैक बॉक्स प्रकृति (Black Box Nature): आधुनिक मशीन लर्निंग (ML) टैगर्स (जैसे ParticleNet), जो लो-लेवल डिटेक्टर इनपुट्स पर काम करते हैं, पारंपरिक हाई-लेवल ऑब्जर्वेबल-आधारित तरीकों से बेहतर प्रदर्शन करते हैं। हालाँकि, उनकी आंतरिक निर्णय लेने की प्रक्रिया अपारदर्शी होती है।
व्याख्यात्मकता की आवश्यकता (Need for Interpretability): अपने प्रायोगिक विश्लेषणों में इन उपकरणों पर भरोसा करने और संभावित रूप से नई भौतिकी की खोज करने के लिए, यह समझना आवश्यक है कि नेटवर्क किन विशेषताओं (features) पर निर्भर करता है, क्या वे ज्ञात भौतिकी के अनुरूप हैं, और क्या उन्हें संक्षिप्त विश्लेषणात्मक सूत्रों द्वारा अनुमानित किया जा सकता है।

2. कार्यप्रणाली (Methodology)

लेखक ParticleNet-Lite आर्किटेक्चर के विश्लेषण के लिए एक बहु-चरणीय व्याख्यात्मक एआई (XAI) पाइपलाइन का उपयोग करते हैं, जिसे क्वार्क और ग्लूऑन जेट्स पर प्रशिक्षित किया गया है। वर्कफ़्लो में शामिल हैं:

डेटासेट: Pythia 8.2 का उपयोग करके उत्पन्न 2 मिलियन जेट्स (और Herwig 7.1 के साथ सत्यापित)। डेटासेट $Z(\to \nu\bar{\nu}) + \text{jet}$ प्रक्रियाओं से प्राप्त लाइट-फ्लेवर जेट्स पर केंद्रित है।
मॉडल: एक संक्षिप्त ParticleNet-Lite (ग्राफ कनवल्शनल नेटवर्क) जो अनऑर्डर्ड जेट कंस्टिट्यूएंट्स (फोर-वेक्टर्स और PID) के सेट को प्रोसेस करता है ताकि 64-डायमेंशनल लेटेंट फीचर वेक्टर आउटपुट दे सके।
विश्लेषण तकनीकें:
1. डायमेंशनलिटी रिडक्शन (Dimensionality Reduction): मुख्य घटक विश्लेषण (PCA) और एक डिसेन्टैंगल्ड लेटेंट क्लासिफायर (DLC) (एक ऑटोएनकोडर जिसमें क्लासिफिकेशन हेड और डेकोरलेशन लॉस है) का उपयोग करके 64D लेटेंट स्पेस को संकुचित करना और प्रमुख दिशाओं की पहचान करना।
2. फीचर एट्रिब्यूशन (Feature Attribution): हाई-लेवल ऑब्जर्वेबल्स के महत्व का आकलन करने के लिए SHAP (SHapley Additive exPlanations) मानों का उपयोग। लेखक विशेष रूप से सहसंबंधित (correlated) इनपुट्स के संबंध में SHAP की सीमाओं को संबोधित करते हैं और इसके लिए डेकोरिलेटेड फीचर सेट्स का निर्माण करते हैं।
3. सिंबोलिक रिग्रेशन (Symbolic Regression): हाई-लेवल ऑब्जर्वेबल्स के आधार पर न्यूरल नेटवर्क के आउटपुट का अनुमान लगाने वाले गणितीय सूत्रों को विकसित करने के लिए PySR फ्रेमवर्क (जेनेटिक एल्गोरिदम) का उपयोग।

3. मुख्य योगदान और परिणाम (Key Contributions & Results)

A. लेटेंट स्पेस विश्लेषण (रैखिक और गैर-रैखिक)

लेखकों ने 64-डायमेंशनल ParticleNet आउटपुट को सफलतापूर्वक कुछ भौतिक रूप से व्याख्या योग्य दिशाओं में संकुचित किया:

PC1 (बहुलता और विविधता - Multiplicity & Diversity): यह पार्टिकल मल्टीप्लिसिटी ( $n_{pf}$ ) और पार्टिकल आइडेंटिफिकेशन (PID) एंट्रॉपी ( $S_{PID}$ ) द्वारा संचालित है। यह कणों की मात्रा और विविधता को कैप्चर करता है, जो ग्लूऑन जेट्स के उच्च रेडिएशन को दर्शाता है।
PC2 (रेडियल प्रोफाइल - Radial Profile): यह मल्टीप्लिसिटी से स्वतंत्र रूप से रेडियल ऊर्जा वितरण (जेट चौड़ाई/आकार) को कैप्चर करता है। यह गर्थ ( $w_{pf}$ ) और एलिप्टिसिटी जैसे ऑब्जर्वेबल्स के साथ सह-संबंधित है। लेखक इस फीचर को आइसोलेट करने के लिए एक डेकोरिलेटेड ऑब्जर्वेबल $r_\lambda$ (लेस हौचेस एंगुलरिटीज का अनुपात) पेश करते हैं।
PC3 (फ्रैगमेंटेशन - Fragmentation): यह इस बात को एनकोड करता है कि ऊर्जा को कंस्टिट्यूएंट्स के बीच कैसे साझा किया जाता है (फ्रैगमेंटेशन पैटर्न), जो फ्रैगमेंटेशन एंट्रॉपी ( $S_{frag}$ ) और ऊर्जा सहसंबंध कार्यों (energy correlation functions) के साथ सह-संबंधित है।
DLC सत्यापन: एक डिसेन्टैंगल्ड लेटेंट क्लासिफायर ने पुष्टि की कि 3 लेटेंट डायमेंशन्स पूर्ण नेटवर्क के प्रदर्शन (AUC $\approx$ 0.902) को पुनः प्राप्त करने के लिए पर्याप्त हैं, जो यह प्रमाणित करता है कि नेटवर्क एक लो-डायमेंशनल फिजिकल मैनिफोल्ड सीखता है।

B. SHAP के माध्यम से फीचर महत्व

यह अध्ययन जेट फिजिक्स में SHAP लागू करने के एक महत्वपूर्ण दोष को उजागर करता है:

सहसंबंध विरूपण (Correlation Distortion): मानक SHAP स्वतंत्र इनपुट्स मानकर चलता है। जब इसे सहसंबंधित ऑब्जर्वेबल्स (जैसे $n_{pf}$ और $w_{pf}$ ) पर लागू किया जाता है, तो यह विकृत एट्रिब्यूशन (जैसे क्वार्क जेट्स के लिए $w_{pf}$ को गलत तरीके से नकारात्मक महत्व देना) उत्पन्न करता है।
समाधान: डेकोरिलेटेड फीचर सेट्स (जैसे $w_{pf}$ के स्थान पर $r_\lambda$ का उपयोग) का उपयोग करके, SHAP विश्लेषण ने सही ढंग से $n_{pf}$ को अग्रणी फीचर के रूप में पहचाना, जिसके बाद $r_\lambda$ और फ्रैगमेंटेशन टर्म्स आए, जो PCA निष्कर्षों और QCD अंतर्ज्ञान के अनुरूप है।

C. सिंबोलिक रिग्रेशन

लेखकों ने कॉम्पैक्ट विश्लेषणात्मक सूत्र निकाले जो न्यूरल नेटवर्क के निर्णय सीमा (decision boundary) का अनुमान लगाते हैं:

1D रिग्रेशन: एकल ऑब्जर्वेबल्स (जैसे $n_{pf}$ ) के लिए सूत्रों ने अपेक्षित इनवर्स स्केलिंग ट्रेंड्स दिखाए, लेकिन कैलिब्रेशन के लिए उन्हें नॉन-लीनियर एक्टिवेशन (जैसे $\tanh$ ) की आवश्यकता थी।
2D रिग्रेशन: $n_{pf}$ को दूसरे ऑब्जर्वेबल (जैसे $r_\lambda$ या $C_{0.2}$ ) के साथ मिलाने से भेदभाव शक्ति (discrimination power) में काफी सुधार हुआ। परिणामी सूत्र व्याख्या योग्य थे और नॉन-लीनियर इंटरैक्शन को कैप्चर करते थे।
पूर्ण सन्निकटन (Full Approximation): 7 में से 5 अग्रणी ऑब्जर्वेबल्स (जटिलता 22) का उपयोग करने वाले एक सूत्र ने 0.871 का AUC प्राप्त किया, जो पूर्ण MLP (AUC 0.872) के लगभग बराबर है। सूत्र की संरचना ने रेडियल मोमेंट्स और एंट्रॉपी वाले जटिल नॉन-लीनियर इंटरैक्शन टर्म के साथ $C_{0.2}$ (कोणीय सहसंबंधों) पर रैखिक निर्भरता को प्रकट किया।

4. महत्व (Significance)

भौतिक सत्यापन (Physics Validation): यह अध्ययन पुष्टि करता है कि डीप लर्निंग टैगर्स "ब्लैक मैजिक" नहीं सीख रहे हैं, बल्कि ज्ञात QCD भौतिकी (बहुलता, रेडियल फ्लो, फ्रैगमेंटेशन) को फिर से खोज रहे हैं और उन्हें सूक्ष्म, डेकोरिलेटेड संरचनाओं के साथ जोड़ रहे हैं।
पद्धतिगत मार्गदर्शन (Methodological Guidance): यह HEP समुदाय के लिए एक महत्वपूर्ण चेतावनी प्रदान करता है: जब तक इनपुट्स को डेकोरिलेट या ट्रांसफॉर्म (जैसे PCA के माध्यम से) न किया जाए, तब तक SHAP मान सहसंबंधित जेट ऑब्जर्वेबल्स के लिए विश्वसनीय नहीं हैं।
व्यावहारिक अनुप्रयोग (Practical Application): व्युत्पन्न सिंबोलिक सूत्र जटिल ML टैगर्स के लिए तेज़, व्याख्या योग्य सरोगेट्स (surrogates) की ओर एक मार्ग प्रदान करते हैं। इन सूत्रों का मूल्यांकन बड़े पैमाने के प्रायोगिक विश्लेषणों में तेजी से किया जा सकता है जहाँ कंप्यूटेशनल गति महत्वपूर्ण है, बिना प्रदर्शन में महत्वपूर्ण कमी के।
वैज्ञानिक खोज (Scientific Discovery): यह कार्यप्रणाली दर्शाती है कि कैसे XAI डेटा-संचालित ML और सैद्धांतिक भौतिकी के बीच के अंतर को पाट सकता है, जिससे संभावित रूप से नए, परिष्कृत ऑब्जर्वेबल संयोजनों का पता लगाया जा सकता जो पहले स्पष्ट नहीं थे।

संक्षेप में, यह शोध पत्र जेट टैगिंग के पीछे के "थ्योरी को डीप-लर्न करने" के लिए एक मजबूत ढांचा स्थापित करता है, यह सिद्ध करता है कि उच्च-प्रदर्शन वाले ML मॉडल को सरल, भौतिक रूप से अर्थपूर्ण गणितीय अभिव्यक्तियों में विघटित किया जा सकता है।