⚛️ phenomenology

Physics-informed neural network (PINN) modeling of charged particle multiplicity using the two-component framework in heavy-ion collisions: A comparison with data-driven neural networks

यह अध्ययन प्रदर्शित करता है कि एक भौतिकी-सूचित न्यूरल नेटवर्क (PINN), जो दो-घटक ढांचे और हार्ड-स्कैटरिंग बाधाओं को समाहित करता है, भारी-आयन टकरावों में आवेशित कण बहुलता (charged particle multiplicity) की भविष्यवाणी करने में पारंपरिक डेटा-संचालित न्यूरल नेटवर्क से बेहतर प्रदर्शन करता है, विशेष रूप से विरल उच्च-बहुलता वाले क्षेत्रों में और Au+Au जैसे अनदेखे टकराव प्रणालियों में सामान्यीकरण करते समय।

मूल लेखक: Akash Das, Satya Ranjan Nayak, B. K. Singh

प्रकाशित 2026-05-07

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Akash Das, Satya Ranjan Nayak, B. K. Singh

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 कंप्यूटर को यह सिखाने की कोशिश कर रहे हैं कि भारी ट्रैफिक जाम के बाद एक भीड़भाड़ वाली बस में कितने यात्री होंगे। भौतिक विज्ञान की दुनिया में, यह "बस" एक हेवी-आयन कोलिजन (जैसे दो गोल्ड या ज़िरकोनियम नाभिकों को आपस में टकराना) है, और "यात्री" वे आवेशित कण (हैड्रोन) हैं जो बाहर निकलते हैं।

भौतिक विज्ञानी इस संख्या का अनुमान लगाने के लिए एक क्लासिक, नियम-आधारित तरीका उपयोग करते हैं, जिसे ग्लाउबर टू-कंपोनेंट फॉर्मूला (Glauber two-component formula) कहा जाता है। इस फॉर्मूले को एक भरोसेमंद, पुराने जमाने की रेसिपी की तरह समझें जो कहती है: "कुल यात्रियों की संख्या उन लोगों का मिश्रण है जो एक-दूसरे से धीरे से टकराए (सॉफ्ट कोलिजन) और वे जो ज़ोर से टकराए (हार्ड कोलिजन)।"

हाल के वर्षों में, वैज्ञानिकों ने न्यूरल नेटवर्क्स (NNs) का उपयोग करना शुरू कर दिया है—जो एक प्रकार की आर्टिफिशियल इंटेलिजेंस है जो लाखों उदाहरणों को देखकर सीखती है, ठीक वैसे ही जैसे एक बच्चा हजारों बिल्लियों की तस्वीरें देखकर बिल्लियों को पहचानना सीखता है।

यह पेपर एआई (AI) को कणों की संख्या बताने के लिए सिखाने के दो तरीकों की तुलना करता है:

1. "शुद्ध डेटा" वाला छात्र (सामान्य NN)

यह एक मानक एआई है। इसे सिम्युलेटेड कोलिजन (विशेष रूप से ज़िरकोनियम नाभिकों के 10 लाख कोलिजन) का एक विशाल डेटासेट दिया गया है। यह पैटर्न देखता है, कोलिजन ज्योमेट्री और कणों की संख्या के बीच के संबंध को याद करता है, और नई स्थितियों के लिए उत्तर का अनुमान लगाने की कोशिश करता है।

समस्या: यह केवल वही जानता है जो इसने देखा है। यदि आप इससे किसी ऐसे कोलिजन प्रकार के बारे में पूछते हैं जो इसने कभी नहीं देखा (जैसे गोल्ड नाभिक, जो बड़े हैं और अधिक कण पैदा करते हैं), तो यह बेतुके अनुमान लगाने लगता है क्योंकि इसके पास सहारा लेने के लिए कोई "कॉमन सेंस" या नियम नहीं है। यह एक ऐसे छात्र की तरह है जिसने गणित के टेस्ट के उत्तर रट लिए हैं लेकिन वास्तव में गणित को नहीं समझा, इसलिए जब शिक्षक नंबर बदल देता है, तो वह फेल हो जाता है।

2. "फिजिक्स-इन्फॉर्म्ड" वाला छात्र (द PINN)

यही इस पेपर का मुख्य आकर्षण है। शोधकर्ताओं ने एआई को केवल डेटा देखने के लिए नहीं छोड़ा; उन्होंने इसे एक ही समय में पुराने जमाने की रेसिपी (ग्लाउबर फॉर्मूला) सीखने के लिए मजबूर किया।

यह कैसे काम करता है: कल्पना कीजिए कि एआई एक टेस्ट दे रहा है। उसे डेटा के आधार पर सही उत्तर देने के लिए अंक मिलते हैं, लेकिन अगर उसका उत्तर ज्ञात भौतिकी नियमों का उल्लंघन करता है, तो उसके अंक कट जाते हैं। एआई को एक संतुलन बनाना होगा: उसे डेटा में फिट भी होना है और भौतिकी के नियमों का पालन भी करना है।
परिणाम: इस एआई ने वास्तव में रेसिपी में एक विशिष्ट "गुप्त सामग्री" (जिसे $x$ , हार्ड कोलिजन का भार कहा जाता है) को खोज निकाला। इसने पता लगाया कि लगभग 41% कण हार्ड कोलिजन से आते हैं। क्योंकि यह अंतर्निहित नियमों को समझता है, यह केवल याद नहीं करता; यह तर्क को समझता है।

बड़ा परीक्षण: "अनदेखा" कोलिजन

शोधकर्ताओं ने दोनों एआई को दो नए परिदृश्यों के साथ परखने के लिए रखा:

रुथेनियम (Ru) कोलिजन: ये ज़िरकोनियम के "कजिन" हैं (समान आकार, बस अलग रसायन विज्ञान)।
- परिणाम: दोनों एआई ने अच्छा प्रदर्शन किया। "शुद्ध डेटा" वाला छात्र इसे संभाल सका क्योंकि यह उसके द्वारा अध्ययन किए गए विषय के समान था।
गोल्ड (Au) कोलिजन: ये बहुत बड़े हैं और ज़िरकोनियम की तुलना में कहीं अधिक कण पैदा करते हैं। यह "अनदेखा" क्षेत्र है।
- परिणाम: "शुद्ध डेटा" वाला छात्र विफल रहा। यह कणों की संख्या को कम करके बताने लगा क्योंकि इसने पहले कभी इतने उच्च नंबर नहीं देखे थे।
- विजेता: PINN (फिजिक्स-इन्फॉर्म्ड) छात्र बहुत बेहतर प्रदर्शन कर गया। भले ही इसने गोल्ड कोलिजन कभी नहीं देखा था, लेकिन भौतिकी के नियमों के प्रति इसकी समझ ने इसे अज्ञात क्षेत्र में एक्सट्रपलेशन (extrapolate) (एक स्मार्ट अनुमान लगाना) करने में मदद की। यह जानता था कि यदि कोलिजन बड़ा है, तो नियमों के अनुसार कणों की संख्या बढ़नी ही चाहिए, इसलिए यह अटक नहीं गया।

यह क्यों मायने रखता है

यह पेपर दिखाता है कि जब आपके पास सीमित डेटा होता है (या डेटा कुछ क्षेत्रों में विरल होता है, जैसे बहुत उच्च-ऊर्जा वाले कोलिजन), तो एआई को खेल के नियम सिखाने से यह तेजी से सीखता है और बेहतर सामान्यीकरण (generalize) करता है।

उपमा: यदि आप एक बच्चे को केवल बारिश में गाड़ी चलाने के वीडियो दिखाकर ड्राइविंग सिखाते हैं, तो धूप निकलने पर वह घबरा सकता है। लेकिन यदि आप उसे वीडियो के साथ-साथ सड़क के नियम (रेड लाइट पर रुकना, पैदल यात्रियों को रास्ता देना) भी सिखाते हैं, तो वह धूप वाले दिनों, बर्फीले दिनों या यहाँ तक कि किसी नए शहर में भी गाड़ी चला सकता है।

दावों का सारांश

शोधकर्ताओं ने 10 लाख ट्रेनिंग इवेंट्स उत्पन्न करने के लिए HYDJET++ नामक एक सिमुलेशन मॉडल का उपयोग किया।
उन्होंने डेटा से सीधे भौतिक पैरामीटर $x$ (जो ~0.41 पाया गया) निकालने के लिए एक PINN को सफलतापूर्वक प्रशिक्षित किया।
PINN ने मानक "शुद्ध डेटा" वाले एआई की तुलना में बेहतर प्रदर्शन किया, विशेष रूप से गोल्ड (Au) कोलिजन की भविष्यवाणी करते समय, जो मॉडल के लिए पूरी तरह से नया था।
अध्ययन निष्कर्ष निकालता है कि भौतिक बाधाओं (physical constraints) को जोड़ने से एआई एक "रेगुलराइज़र" के रूप में कार्य करता है, जिससे यह अनिश्चित डेटा या नए, अनदेखे कोलिजन सिस्टम के सामने भी बेहतर भविष्यवाणियां करने में सक्षम होता है।

यह पेपर यह दावा नहीं करता है कि इसने हेवी-आयन फिजिक्स की सभी समस्याओं को हल कर दिया है या यह तत्काल क्लिनिकल उपयोग के लिए तैयार है; यह एक प्रूफ़-ऑफ-कॉन्सेप्ट है जो दिखाता है कि भौतिकी के नियमों को एआई के साथ मिलाने से एआई अधिक स्मार्ट और विश्वसनीय बनता है।

तकनीकी सारांश: आवेशित कण बहुलता (Charged Particle Multiplicity) के लिए भौतिकी-सूचित तंत्रिका नेटवर्क (Physics-Informed Neural Network) मॉडलिंग

समस्या विवरण
यह अध्ययन सापेक्षतावादी भारी-आयन टकरावों (relativistic heavy-ion collisions) में आवेशित हैड्रॉन बहुलता ( $N_{ch}$ ) के मॉडलिंग की चुनौती को संबोधित करता है, जो क्वार्क-ग्लूऑन प्लाज्मा (QGP) की प्रारंभिक ज्यामिति और कण उत्पादन तंत्र को समझने के लिए एक प्रमुख अवलोकन योग्य (observable) है। जबकि मानक डीप न्यूरल नेटवर्क (NN) उच्च-ऊर्जा भौतिकी में जटिल गैर-रेखीय निर्भरताओं को मॉडल करने के लिए शक्तिशाली उपकरण के रूप में उभरे हैं, वे पूरी तरह से प्रशिक्षण डेटा के भीतर सांख्यिकीय सहसंबंधों पर निर्भर करते हैं। यह डेटा-संचालित दृष्टिकोण भौतिक अंतःक्रियाशीलता (physical interoperability) का अभाव रखता है और अक्सर सामान्यीकरण (generalization) करने में संघर्ष करता है, विशेष रूप से "विरल-डेटा शासन" (sparse-data regimes) (जैसे, उच्च-बहुलता वाले इवेंट्स) में या उन टकराव प्रणालियों तक विस्तार करने में जो प्रशिक्षण सेट में मौजूद नहीं हैं। लेखक यह निर्धारित करने का लक्ष्य रखते हैं कि क्या न्यूनतम, सुस्थापित भौतिक बाधाओं—विशेष रूप से ग्लौबर टू-कंपोनेंट फॉर्मूला (Glauber two-component formula)—को न्यूरल नेटवर्क प्रशिक्षण प्रक्रिया में एकीकृत करने से शुद्ध डेटा-संचालित दृष्टिकोणों की तुलना में मॉडल स्थिरता और सामान्यीकरण में सुधार किया जा सकता है।

कार्यप्रणाली
लेखकों ने सिम्युलेटेड डेटा पर प्रशिक्षित दो अलग-अलग न्यूरल नेटवर्क आर्किटेक्चर का उपयोग करके एक तुलनात्मक ढांचा नियोजित किया:

डेटा जनरेशन: $\sqrt{s_{NN}} = 200$ GeV पर HYDJET++ इवेंट जनरेटर का उपयोग करके एक मिलियन मिनिमम-बायस $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ टकराव घटनाओं का एक डेटासेट तैयार किया गया। यह मॉडल PYQUEN (कठोर इंटरैक्शन और ऊर्जा हानि के लिए) और FASTMC (तापीय उत्पादन के लिए) को जोड़ता है, जिसे प्रतिभागी न्यूक्लियॉन ( $N_{part}$ ) और बाइनरी कोलिजन ( $N_{coll}$ ) के लिए ग्लौबर मॉडल गणनाओं के माध्यम से आरंभ किया गया है।
इनपुट/आउटपुट: इनपुट वेक्टर $X = (b, N_{part}, N_{coll})$ (इम्पैक्ट पैरामीटर, पार्टिसिपेंट्स, बाइनरी कोलिजन) का उपयोग लक्षित चर $Y = N_{ch}$ की भविष्यवाणी करने के लिए किया गया।
आर्किटेक्चर:
- पारंपरिक NN (Normal NN): एक मानक फीडफॉरवर्ड नेटवर्क (3 इनपुट न्यूरॉन्स, तीन हिडन लेयर्स जिनमें 128, 64, और 32 न्यूरॉन्स हैं) जो केवल सिम्युलेटेड $N_{ch}$ के बीच मीन स्क्वेयर्ड एरर (MSE) को कम करने के लिए प्रशिक्षित किया गया।
- फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN): एक समानांतर आर्किटेक्चर जिसमें ग्लौबर टू-कंपोनेंट फॉर्मूला पर आधारित एक निश्चित विश्लेषणात्मक मॉड्यूल शामिल है:
  $\frac{dN_{ch}}{d\eta} = n_{pp} \left[ (1 - x) \cdot \frac{N_{part}}{2} + x \cdot N_{coll} \right]$
  यहाँ, $n_{pp}$ (pp टकरावों में औसत आवेशित हैड्रॉन) को 3.602 पर स्थिर किया गया था, जबकि हार्ड-स्कैटरिंग अंश $x$ को एक ट्रेन करने योग्य स्केलर पैरामीटर के रूपert दिया गया था।
लॉस फंक्शन: PINN को एक संयुक्त लॉस फंक्शन का उपयोग करके प्रशिक्षित किया गया था:
$\mathcal{L}_{total} = \mathcal{L}_{data} + \lambda \mathcal{L}_{physics}$
जहाँ $\mathcal{L}_{data}$ सिम्युलेटेड इवेंट डेटा से विचलन को मापता है, और $\mathcal{L}_{physics}$ ग्लौबर फॉर्मूला से विचलन को दंडित (penalize) करता है। हाइपरपैरामीटर $\lambda$ भौतिक बाधा के भार को नियंत्रित करता है।
मूल्यांकन रणनीति: मॉडल को Zr+Zr डेटा पर प्रशिक्षित किया गया और निम्नलिखित पर परीक्षण किया गया:
- Ru+Ru: एक आइसोबार सिस्टम (देखा गया टेस्ट डेटा)।
- Au+Au: एक पूरी तरह से अनदेखी प्रणाली (अनसीन टेस्ट डेटा) जिसमें काफी अधिक बहुलता है।
- विरल डेटा शासन (Sparse Data Regime): उच्च- $N_{ch}$ क्षेत्रों पर विशिष्ट ध्यान दिया गया जहाँ ग्लौबर ज्यामिति सांख्यिकी के कारण प्रशिक्षण डेटा स्वाभाविक रूप से दुर्लभ होता है।

प्रमुख परिणाम

पैरामीटर निष्कर्षण: PINN ने सीधे इवेंट डेटा से हार्ड-स्कैटरिंग अंश $x$ को सफलतापूर्वक सीखा, जो $x \approx 0.41$ के मान पर अभिसरित (converge) हुआ। इस मान को फिक्स्ड $x$ मानों को स्कैन करके सत्यापित किया गया, जिससे पुष्टि हुई कि $0.41$ सिम्युलेटेड डेटा के साथ सर्वोत्तम सहमति प्रदान करता है।
भौतिक बाधाओं का प्रभाव ( $\lambda$ ): $\lambda$ को बढ़ाने से PINN आउटपुट को ग्लौबर टू-कंपोनेंट फॉर्मूला के साथ अधिक निकटता से संरेखित होने के लिए मजबूर किया गया। विरल डेटा वाले क्षेत्रों (उच्च $N_{ch}$ ) में, जहाँ डेटा-संचालित लॉस कमजोर ग्रेडिएंट मार्गदर्शन प्रदान करता है, भौतिक बाधा ने भौतिक रूप से सुसंगत भविष्यवाणियाँ सुनिश्चित कीं।
अनदेखी प्रणालियों के लिए सामान्यीकरण:
- Ru+Ru (Isobar): दोनों (Normal NN और PINN) उच्च सटीकता प्राप्त करते हैं, क्योंकि Ru, Zr का एक आइसोबार है जिसके गुण समान हैं।
- Au+Au (Unseen): Normal NN ने Au+Au टकरावों के लिए बहुलता को काफी कम करके बताया (लगभग $N_{ch} \approx 500$ से शुरू होकर), जो प्रशिक्षण डोमेन से बाहर जाने में विफल रहा। इसके विपरीत, PINN ने बेहतर सामान्यीकरण प्रदर्शित किया। $\lambda = 1.0$ के साथ, PINN ने उच्च $N_{ch}$ मानों की भविष्यवाणी की (लगभग $\approx 1100$ तक) जो Zr प्रशिक्षण सेट में अनुपस्थित थे, हालांकि यह Au+Au के सबसे केंद्रीय वितरण (जो $\sim 1750$ तक पहुँचता है) को पूरी तरह से पुनरुत्पादित नहीं कर सका।
सीमित डेटा प्रदर्शन: जब इसे 500 डेटा पॉइंट्स के छोटे उपसमुच्चय पर प्रशिक्षित किया गया, तो PINN ने सभी मेट्रिक्स ( $R^2$ , RMSE, MAE) में लगातार Normal NN से बेहतर प्रदर्शन किया, जिससे सिद्ध हुआ कि भौतिक बाधाएं तब प्रभावी रेगुलराइज़र के रूप में कार्य करती हैं जब प्रशिक्षण नमूने दुर्लभ होते हैं।

महत्व और दावे
लेख दावा करते हैं कि न्यूरल नेटवर्क प्रशिक्षण में न्यूनतम, सुस्थापित भौतिक बाधाओं (ग्लौबर टू-कंपोनेंट फॉर्मूला) को शामिल करने से अनदेखी टकराव प्रणालियों और विरल-डेटा शासन में मॉडल की सामान्यीकरण क्षमता में महत्वपूर्ण रूप से सुधार होता है। लेखक इस बात पर जोर देते हैं कि यह अध्ययन शुद्ध डेटा-संचालित नेटवर्क की तुलना में PINN पद्धति के लाभों को प्रदर्शित करने के लिए एक प्रारंभिक कदम के रूप में कार्य करता है।

लेखक विनम्रतापूर्वक कहते हैं कि यह कार्य सभी भारी-आयन अवलोकनीय (observables) के अंतिम भविष्य कहनेवाला विवरण प्रदान करने के लिए नहीं है, बल्कि यह शुद्ध डेटा-संचालित नेटवर्क की तुलना में स्थिरता और एक्सट्रपलेशन क्षमताओं को सुधारने में PINN की भूमिका को उजागर करने के लिए है। वे सुझाव देते हैं कि PINNs विश्लेषण के लिए आवश्यक सिम्युलेटेड इवेंट्स की संख्या को कम करने और समग्र गणना समय को कम करने में प्रभावी हो सकते हैं। इसके अतिरिक्त, लेखक प्रस्तावित करते हैं कि यह दृष्टिकोण बीम एनर्जी स्कैन (BES) अध्ययनों के परिणामों की भविष्यवाणी करने में सहायता कर सकता है, बशर्ते कि विशिष्ट ऊर्जाओं पर डेटा और विश्वसनीय सैद्धांतिक बाधाएं उपलब्ध हों।

1. "शुद्ध डेटा" वाला छात्र (सामान्य NN)

2. "फिजिक्स-इन्फॉर्म्ड" वाला छात्र (द PINN)

बड़ा परीक्षण: "अनदेखा" कोलिजन

यह क्यों मायने रखता है

दावों का सारांश

इसी तरह के और पेपर