⚛️ high-energy experiments

DeepMET: Improving missing transverse momentum estimation with a deep neural network

DeepMET, CMS सहयोग द्वारा विकसित एक नवीन मिसिंग ट्रांसवर्स मोमेंटम एस्टीमेटर है जो पुनर्निर्मित कणों को भार (weights) आवंटित करने के लिए डीप न्यूरल नेटवर्क का उपयोग करता है, जिसके परिणामस्वरूप मौजूदा विधियों की तुलना में बेहतर रिज़ॉल्यूशन, विभिन्न अंतिम अवस्थाओं (final states) में अधिक बहुमुखीता और पाइलअप के प्रति बढ़ी हुई लचीलापन प्राप्त होता है।

मूल लेखक: CMS Collaboration

प्रकाशित 2026-04-27

📖 4 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: CMS Collaboration

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

अदृश्य भूत शिकारी: CERN कैसे "लापता" कणों को खोजने के लिए AI का उपयोग कर रहा है

कल्पना कीजिए कि आप एक विशाल, हाई-स्पीड बंपर कार एरीना में हैं। सैकड़ों कारें इधर-उधर दौड़ रही हैं, एक-दूसरे से टकरा रही हैं और अलग-अलग दिशाओं में उड़ रही हैं। आप एक कंट्रोल रूम में बैठे हैं, एक विशाल स्क्रीन देख रहे हैं जो सेंसर का उपयोग करके हर एक कार को ट्रैक करती है।

अचानक, आप कुछ अजीब देखते हैं। आप देखते हैं कि एक कार को किनारे से जबरदस्त बल के साथ टक्कर मारी गई है, जिससे दूसरी कार बाईं ओर तेजी से घूमने लगती है। लेकिन जब आप अपने सेंसर देखते हैं, तो वहाँ कोई कार नहीं है। किसी कार ने उसे नहीं टक्कर मारी। स्क्रीन पर कोई कार दिखाई नहीं दे रही है। फिर भी, भौतिक विज्ञान के नियम कहते हैं कि यदि किसी कार को टक्कर लगी है, तो कुछ तो जरूर रहा होगा जिसने उसे टक्कर मारी।

CERN में कण भौतिकी (particle physics) की दुनिया में, ये "भूतिया कारें" वास्तविक हैं। ये न्यूट्रिनो (neutrinos) या रहस्यमय डार्क मैटर (dark matter) जैसे कण हैं जो बिना कोई निशान छोड़े हमारे डिटेक्टरों से सीधे गुजर जाते हैं। हम उन्हें सीधे नहीं देख सकते, इसलिए हमें जासूस की तरह काम करना पड़ता है। हम उस "अराजकता" को देखते हैं जो वे पीछे छोड़ जाते हैं—जिस तरह से वे दृश्य कणों को धकेलते हैं—और यह गणना करने की कोशिश करते हैं कि वहां वास्तव में कितना "अदृश्य सामान" मौजूद रहा होगा।

इस अदृश्य बल को मिसिंग ट्रांसवर्स मोमेंटम ( $\vec{p}_T^{miss}$ ) कहा जाता है।

समस्या: "शोर भरी पार्टी" का प्रभाव

इस अदृश्य बल की गणना करना अविश्वसनीय रूप से कठिन है क्योंकि लार्ज हैड्रोन कोलाइडर (LHC) एक बहुत ही "शोर वाला" स्थान है।

इसे एक भीड़भाड़ वाले, शोर भरे नाइट क्लब के बीच में एक गुप्त भूत द्वारा बिलियर्ड बॉल को मारने के बल की गणना करने की तरह समझें। न केवल वहां वे बिलियर्ड बॉल्स हैं जिनकी आपको परवाह है, बल्कि वहां सैकड़ों अन्य लोग (जिन्हें "पाइलअप" (pileup) कहा जाता है) भी हैं जो एक-दूसरे से टकरा रहे हैं, ड्रिंक्स गिरा रहे हैं और हलचल की एक अराजक स्थिति पैदा कर रहे हैं। यदि आप कमरे की कुल हलचल को जोड़ने की कोशिश करते हैं ताकि "भूत" को खोजा जा सके, तो भीड़ का शोर आपको पूरी तरह से गलत उत्तर दे देगा।

समाधान: DEEPMET (सुपर-स्मार्ट बाउंसर)

वर्षों तक, वैज्ञानिकों ने इस शोर को फ़िल्टर करने के लिए मानक गणितीय सूत्रों का उपयोग किया। यह ठीक-ठाक काम करता था, लेकिन यह पूर्ण नहीं था।

CMS सहयोग (CMS Collaboration) ने अब DEEPMET नामक एक नया टूल पेश किया है। एक कठोर सूत्र का उपयोग करने के बजाय, उन्होंने एक डीप न्यूरल नेटवर्क (Deep Neural Network) बनाया है—जो कि आर्टिफिशियल इंटेलिजेंस (AI) का एक प्रकार है।

उपमा:
यदि पुराने तरीके एक बेसिक कैलकुलेटर की तरह थे जो शोर को घटाने की कोशिश करता था, तो DEEPMET एक विश्व स्तरीय बाउंसर की तरह है जिसमें अलौकिक अंतर्ज्ञान (superhuman intuition) है।

केवल कमरे की कुल हलचल को देखने के बजाय, DEEPMET हर एक व्यक्ति (हर कण) को व्यक्तिगत रूप से देखता है। यह पूछता है:

"क्या यह व्यक्ति मुख्य टक्कर का हिस्सा लग रहा है, या यह केवल भीड़ से आया कोई रैंडम व्यक्ति है जो लड़खड़ा रहा है?"
"क्या यह कण एक भारी, भरोसेमंद 'कार' है, या यह केवल मलबे का एक छोटा, अस्थिर टुकड़ा है?"

इन प्रश्नों के आधार पर, DEEPMET प्रत्येक कण को एक "वेट" (weight/भार) देता है। यह उन कणों को उच्च वेट देता है जो स्पष्ट रूप से मुख्य घटना का हिस्सा हैं और भीड़ के "शोर" को बहुत कम वेट देता है। फिर यह "भूत" के वास्तविक पथ को प्रकट करने के लिए इन भारित गतिविधियों को जोड़ता है।

यह क्यों महत्वपूर्ण है

यह शोध पत्र दिखाता है कि DEEPMET एक गेम-चेंजर है:

यह अधिक सटीक है: यह हमारी "भूत पकड़ने" की सटीकता को 10% से 30% तक सुधारता है। यह एक धुंधले सुरक्षा कैमरे से 4K हाई-डेफिनिशन में अपग्रेड करने जैसा है।
यह अधिक मजबूत है: यह पिछले तरीकों की तुलना में "पाइलअप" (शोर भरी भीड़) से बहुत कम भ्रमित होता है।
यह बहुमुखी है: चाहे हम न्यूट्रिनो जैसे ज्ञात कणों की तलाश कर रहे हों या अंतिम लक्ष्य: डार्क मैटर की खोज कर रहे हों, यह हर स्थिति में काम करता है।

अराजकता को साफ करने के लिए AI का उपयोग करके, CERN के वैज्ञानिक अब पहले से कहीं अधिक स्पष्टता के साथ अदृश्य को देख सकते हैं, जो हमें हमारे ब्रह्मांड के छिपे हुए हिस्सों को समझने के एक कदम और करीब ले जाता है।

तकनीकी सारांश: DEEPMET – डीप न्यूरल नेटवर्क के साथ मिसिंग ट्रांसवर्स मोमेंटम अनुमान में सुधार

1. समस्या विवरण (Problem Statement)

LHC जैसे हैड्रोन कोलाइडर प्रयोगों में, कई महत्वपूर्ण भौतिक प्रक्रियाओं (जैसे कि स्टैंडर्ड मॉडल में न्यूट्रिनो उत्पादन या बियॉन्ड-द-स्टैंडर्ड-मॉडल परिदृश्यों में डार्क मैटर उम्मीदवार) में ऐसे कण शामिल होते हैं जो डिटेक्टर के साथ परस्पर क्रिया (interact) नहीं करते हैं। इन्हें मिसिंग ट्रांसवर्स मोमेंटम ( $\vec{p}_T^{\text{miss}}$ ) के माध्यम से अनुमानित किया जाता है, जिसे सभी पुनर्गठित (reconstructed) कणों के ट्रांसवर्स मोमेंटा के ऋणात्मक वेक्टर योग के रूप में गणना की जाती है।

उच्च परिशुद्धता (precision) के साथ $\vec{p}_T^{\text{miss}}$ को मापना अत्यंत चुनौतीपूर्ण है क्योंकि:

डिटेक्टर की सीमाएँ: सीमित कवरेज, शोर (noise), और ऊर्जा रिज़ॉल्यूशन।
पुनर्गठन अक्षमताएँ (Reconstruction inefficiencies): कणों की अपूर्ण पहचान।
पाइलअप (Pileup): एक ही या आस-पास के बंच क्रॉसिंग में अतिरिक्त प्रोटॉन-प्रोटॉन इंटरेक्शन जो "शोर" मोमेंटम जोड़ते हैं, जिससे रिज़ॉल्यूशन खराब हो जाता है।
मौजूदा विधियों की सीमाएँ: पिछले मशीन-लर्निंग दृष्टिकोण (जैसे MVA- $\vec{p}_T^{\text{miss}}$ ) अक्सर विशिष्ट भौतिक प्रक्रियाओं पर प्रशिक्षित थे, जो विभिन्न काइनेटिक क्षेत्रों और इवेंट टोपोलॉजी में उनकी सामान्यीकरण क्षमता (generalizability) को सीमित करते थे।

2. कार्यप्रणाली (Methodology)

CMS सहयोग DEEPMET पेश करता है, जो एक डीप न्यूरल नेटवर्क (DNN) पर आधारित एक नवीन $\vec{p}_T^{\text{miss}}$ एस्टिमेटर है।

एल्गोरिदम आर्किटेक्चर: ग्लोबल इवेंट-लेवल एस्टिमेटर्स के विपरीत, DEEPMET व्यक्तिगत पार्टिकल-फ्लो (PF) उम्मीदवारों पर कार्य करता है। DNN प्रत्येक कण के लिए 11 विशेषताओं (features) को प्रोसेस करता है (8 निरंतर, जैसे कि इम्पैक्ट पैरामीटर्स $d_{xy}, d_z$ , PUPPI वेट्स, और 5 काइनेटिक वेरिएबल्स; और 3 कैटेगोरिकल, जैसे कि पार्टिकल ID, चार्ज, और LPV एसोसिएशन)।
तंत्र (Mechanism): DNN प्रत्येक पुनर्गठित कण को एक अद्वितीय वेट ( $w_i$ ) और दो बायस टर्म्स ( $b_{i,x}, b_{i,y}$ ) असाइन करता है। अंतिम $\vec{p}_T^{\text{miss}}$ इन भारित (weighted) ट्रांसवर्स मोमेंटा का ऋणात्मक वेक्टर योग और बायस योगदान है:
$\vec{p}_T^{\text{miss}}_x = -\sum_i (w_i p_{i,x} + b_{i,x}), \quad \vec{p}_T^{\text{miss}}_y = -\sum_i (w_i p_{i,y} + b_{i,y})$
प्रशिक्षण (Training): मॉडल को सिम्युलेटेड $Z+\text{jets}$ और $t\bar{t}$ सैंपल्स पर मीन स्क्वेर्ड एरर (MSE) लॉस फंक्शन का उपयोग करके प्रशिक्षित किया गया है। प्रशिक्षण डेटा का यह चयन जेट मल्टीसिटी और $p_T$ वितरणों की एक विस्तृत श्रृंखला सुनिश्चित करता है।
मजबूती (PV-Agnostic संस्करण): उन मामलों को संभालने के लिए जहाँ लीडिंग प्राइमरी वर्टेक्स (LPV) को गलत तरीके से पहचाना जाता है (जो उच्च-पाइलअप या उच्च- $\eta$ वातावरण में एक सामान्य समस्या है), एक "PV-Agnostic" संस्करण विकसित किया गया था। यह एक अधिक मजबूत वर्टेक्स चयन विधि का उपयोग करता है ताकि $W \to \mu\nu$ विश्लेषणों में स्थिर प्रदर्शन सुनिश्चित किया जा सके।
कैलिब्रेशन (Calibration): सिमुलेशन को वास्तविक डेटा के साथ संरेखित करने के लिए, लेखक डिटेक्टर एसिमेट्रीज़ ( $\phi$ डिपेंडेंस) और स्केल/रिज़ॉल्यूशन अंतरों को ठीक करने के लिए $Z \to \mu\mu$ घटनाओं का उपयोग करके एक क्वांटाइल-आधारित कैलिब्रेशन का उपयोग करते हैं।

3. प्रमुख योगदान (Key Contributions)

पार्टिकल-लेवल वेटिंग: ML फोकस को ग्लोबल इवेंट वेरिएबल्स से हटाकर व्यक्तिगत कण गुणों पर लाने से बेहतर स्थानीय सूचना प्रसंस्करण (local information processing) की अनुमति मिलती है।
सामान्यीकरण (Generalizability): क्योंकि DNN ग्लोबल इवेंट टोपोलॉजी पर निर्भर नहीं है, यह विविध सिम्युलेटेड प्रक्रियाओं (Higgs, Supersymmetry, आदि) और वास्तविक टकराव डेटा में अच्छी तरह से सामान्यीकृत होता है।
कम्प्यूटेशनल दक्षता: केवल 4,541 ट्रेन करने योग्य पैरामीटर्स के साथ, मॉडल हल्का है, जो CMS सॉफ्टवेयर फ्रेमवर्क (CMSSW) के भीतर तेज़ अनुमान ( $\sim 10$ ms प्रति इवेंट) की अनुमति देता है।
पाइलअप प्रतिरोध (Pileup Resilience): PUPPI वेट्स के समावेश और विशिष्ट DNN आर्किटेक्चर के कारण, यह एस्टिमेटर पारंपरिक विधियों की तुलना में पाइलअप के विरुद्ध काफी अधिक मजबूत है।

4. परिणाम (Results)

रिज़ॉल्यूशन में सुधार: DEEPMET मौजूदा CMS एस्टिमेटर्स (PF $\vec{p}_T^{\text{miss}}$ और PUPPI $\vec{p}_T^{\text{miss}}$ ) की तुलना में $\vec{p}_T^{\text{miss}}$ रिज़ॉल्यूशन में 10–30% का सुधार करता है।
पाइलअप प्रदर्शन: उच्च-पाइलअप शासन (जैसे कि $\sim 20$ पुनर्गठित वर्टेक्स) में, DEEPMET अत्यधिक लाभ दिखाता है, जो रिज़ॉल्यूशन में PUPPI $\vec{p}_T^{\text{miss}}$ से 30% तक बेहतर प्रदर्शन करता है।
भौतिक प्रक्रिया बहुमुखी प्रतिभा (Physics Process Versatility): प्रदर्शन लाभों को $Z+\text{jets}, W+\text{jets}, t\bar{t}$ $Z + jets, W + jets, t \overset{ˉ}{t}$ सहित विविध अंतिम अवस्थाओं (final states) में सत्यापित किया गया है:
- स्टैंडर्ड मॉडल प्रक्रियाएं ( $Z+\text{jets}, W+\text{jets}, t\bar{t}$ )।
- हिग्स फिजिक्स (इनविजिबल हिग्स, डि-हिग्स)।
- सुपरसिमेट्री (टॉप स्क्वार्क और हेवी न्यूट्रालिनो उत्पादन)।
डेटा-सिमुलेशन समझौता: क्वांटाइल-आधारित कैलिब्रेशन लागू करने के बाद, डेटा में DEEPMET का प्रदर्शन मोंटे कार्लो सिमुलेशन के साथ उत्कृष्ट समझौता दिखाता है।

5. महत्व (Significance)

DEEPMET अदृश्य भौतिक हस्ताक्षरों (invisible physics signatures) के पुनर्गठन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। $\vec{p}_T^{\text{miss}}$ का अधिक सटीक और लचीला मापन प्रदान करके, यह सीधे तौर पर डार्क मैटर और अन्य बियॉन्ड-द-स्टैंडर्ड-मॉडल (BSM) भौतिकी की खोजओं के लिए संवेदनशीलता को बढ़ाता है। इसके अलावा, इसकी दक्षता और मजबूती इसे भविष्य के LHC रन के उच्च-ल्यूमिनोसिटी वातावरण के लिए एक महत्वपूर्ण उपकरण बनाती है, जहाँ पाइलअप और भी गंभीर हो जाएगा।