⚛️ high-energy experiments

Machine Learning-based Unfolding for Cross Section Measurements in the Presence of Nuisance Parameters

यह शोध पत्र प्रोफाइल ओम्नीफोल्ड (Profile OmniFold) प्रस्तुत करता है, जो मशीन लर्निंग-आधारित ओम्नीफोल्ड एल्गोरिदम का एक विस्तार है जो डिटेक्टर सिमुलेशन में अनिश्चितताओं को संभालने के लिए न्यूसेंस पैरामीटर्स (nuisance parameters) को सम्मिलित करता है, जिसे गाऊसी उदाहरणों और एक CMS प्रयोग केस स्टडी दोनों के माध्यम से प्रदर्शित किया गया है।

मूल लेखक: Huanbiao Zhu, Krish Desai, Mikael Kuusela, Vinicius Mikuni, Benjamin Nachman, Larry Wasserman

प्रकाशित 2026-06-26

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Huanbiao Zhu, Krish Desai, Mikael Kuusela, Vinicius Mikuni, Benjamin Nachman, Larry Wasserman

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 यह समझने की कोशिश कर रहे हैं कि एक स्वादिष्ट, जटिल केक का स्वाद कैसा होगा (वह वास्तविक वास्तविकता है), लेकिन आप केवल उसका एक ऐसा संस्करण चख पा रहे हैं जिसे एक बहुत ही अजीब, अपूर्ण ओवन (डिटेक्टर) द्वारा कुचला, पिघलाया और थोड़ा बदला गया है।

कण भौतिकी (particle physics) की दुनिया में, वैज्ञानिक ठीक इसी समस्या का सामना करते हैं। वे सूक्ष्म कणों के वास्तविक गुणों (जैसे उनकी ऊर्जा या दिशा) को जानना चाहते हैं, लेकिन उनके विशाल डिटेक्टर (जैसे लार्ज हैड्रॉन कोलाइडर में CMS प्रयोग) उनके मापों को विकृत कर देते हैं। डेटा को "अन-कुचलने" (un-squishing) की इस गणितीय प्रक्रिया को अनफोल्डिंग (unfolding) कहा जाता है।

लंबे समय तक, वैज्ञानिकों ने OMNIFOLD नामक एक चतुर मशीन लर्निंग टूल का उपयोग किया। कल्पना कीजिए कि OMNIFOLD एक स्मार्ट शेफ है जो पिघले हुए केक को देखता है और अनुमान लगाता है, "ठीक है, अगर मैं इसमें थोड़ा सा यह मिला दूँ और थोड़ा सा वह निकाल दूँ, तो मैं मूल रेसिपी जैसा बना सकता हूँ।" यह काम करने के लिए, यह वास्तविक डेटा की तुलना कंप्यूटर सिमुलेशन से करता है कि ओवन को कैसे काम करना चाहिए।

समस्या: ओवन टूटा हुआ हो सकता है
यहाँ पेच यह है: कंप्यूटर सिमुलेशन एकदम सटीक नहीं होता है। यह इस बात पर आधारित है कि ओवन कैसे व्यवहार करता है, इसके अनुमानों पर। कभी-कभी, ओवन वास्तव में सिमुलेशन की तुलना में थोड़ा अलग होता है—शायद गर्मी 10% अधिक है, या दरवाजे की सील ठीक नहीं है। पेपर की भाषा में, इन अज्ञात अंतरों को न्युसेंस पैरामीटर्स (nuisance parameters) कहा जाता है।

यदि आप पुराने OMNIFFOLD तरीके का उपयोग करते हैं और यह मान लेते हैं कि ओवन एकदम सही है जबकि वास्तव में वह खराब है, तो आपकी मूल केक रेसिपी का अनुमान गलत होगा। आप सोच सकते हैं कि केक चॉकलेट था जबकि वह वास्तव में वैनिला था, सिर्फ इसलिए क्योंकि आपका "अन-कुचलने" वाला गणित गलत ओवन सेटिंग्स पर आधारित था।

समाधान: प्रोफाइल OMNIFFOLD (Profile OMNIFOLD)
इस पेपर के लेखक, हुआनबियो ज़ु (Huanbiao Zhu) और उनके सहयोगियों के नेतृत्व में, एक नया टूल बनाया है जिसे प्रोफाइल OMNIFOLD कहा जाता है।

कल्पना कीजिए कि केवल केक की रेसिपी का अनुमान लगाने के बजाय, अब शेफ के पास एक दूसरा काम भी है: ओवन को ट्यून करना।

पुराना तरीका: शेफ एक निश्चित, मानी गई ओवन सेटिंग के आधार पर रेसिपी का अनुमान लगाता है। यदि सेटिंग गलत है, तो रेसिपी भी गलत है।
नया तरीका (प्रोफाइल OMNIFOLD): शेफ पिघले हुए केक को देखता है और एक ही समय में दो चीजें करता है:
- वे रेसिपी के वेट्स (weights) को एडजस्ट करते हैं (केक से मेल खाने के लिए)।
- वे ओवन की सेटिंग्स (न्युसेंस पैरामीटर्स) को भी एडजस्ट करते हैं ताकि यह देखा जा सके कि कौन सी सेटिंग सिमुलेशन को वास्तविक पिघले हुए केक से सबसे बेहतर तरीके से मिला सकती है।

यह एल्गोरिदम इस आगे-पीछे के नृत्य को जारी रखता है: "अगर मैं ओवन की सेटिंग को X में बदल दूँ, तो क्या रेसिपी बेहतर दिखती है? अगर मैं रेसिपी को Y में बदल दूँ, तो क्या ओवन की सेटिंग बेहतर दिखती है?" यह तब तक दोहराता रहता है जब तक कि इसे सच्ची रेसिपी (True Recipe) और सही ओवन सेटिंग (Correct Oven Setting) का सही संयोजन न मिल जाए।

उन्होंने इसका परीक्षण कैसे किया
टीम ने इस नए तरीके का परीक्षण दो तरीकों से किया:

एक सरल गणित का खेल: उन्होंने साधारण बेल कर्व्स (Gaussian distributions) का उपयोग करके एक नकली परिदृश्य बनाया। वे "सच्चा" उत्तर और "टूटी हुई" ओवन सेटिंग जानते थे। पुराना तरीका सच्चा उत्तर खोजने में विफल रहा, लेकिन प्रोफाइल OMNIFFOLD ने सफलतापूर्वक डेटा का सही आकार और सही ओवन सेटिंग दोनों को खोज लिया।
वास्तविक भौतिकी डेटा: उन्होंने CERN में CMS प्रयोग के वास्तविक डेटा का उपयोग किया, जो उच्च-ऊर्जा कण टकरावों (jets) का अनुकरण कर रहा था। फिर से, उन्होंने एक "टूटी हुई" सेटिंग पेश की (डेटा में डिटेक्टर रेजोल्यूशन को सिमुलेशन की तुलना में 70% बदतर बना दिया)। पुराने तरीके ने एक पक्षपाती, गलत परिणाम दिया। प्रोफाइल OMNIFFOLD ने सही ढंग से पहचान लिया कि डिटेक्टर "ऑफ" था और वास्तविक कण वितरण (particle distribution) को सफलतापूर्वक प्राप्त किया।

मुख्य निष्कर्ष
पेपर का दावा है कि कंप्यूटर को यह सीखने देने से कि डिटेक्टर की "खराबी" (न्युसेंस पैरामीटर्स) कैसी है, वैज्ञानिक अधिक सटीक परिणाम प्राप्त कर सकते हैं। यह इस बात को स्वीकार करने जैसा है कि हमारे मशीनों के सिमुलेशन थोड़े गलत हो सकते हैं, और डेटा को ठीक करने के साथ-साथ उन त्रुटियों को भी ठीक करना है।

सीमाओं पर महत्वपूर्ण नोट
लेखक सावधानी बरतते हुए बताते हैं कि यह नया तरीका कोई जादू नहीं है। यह यह समझने के लिए दूसरे मशीन लर्निंग मॉडल को प्रशिक्षित करने पर निर्भर करता है कि "खराबी" कैसे काम करती है। यदि वह प्रशिक्षण एकदम सटीक नहीं है, तो अंतिम उत्तर अभी भी थोड़ा गलत हो सकता है। वे यह भी उल्लेख करते हैं कि यह तरीका स्वचालित रूप से यह नहीं बताता कि वह अपने उत्तर के बारे में कितना "निश्चित" है (अनिश्चितता मात्रा निर्धारण/uncertainty quantification), जो कि भविष्य में उनके काम करने की योजना है।

संक्षेप में: प्रोफाइल OMNIFOLD विकृत डेटा को ठीक करने का एक स्मार्ट तरीका है, जो इस बात को स्वीकार करता है कि हमारी मशीनों के बारे में हमारे सिमुलेशन थोड़े गलत हो सकते हैं, और उन त्रुटियों को ठीक करने के साथ-साथ डेटा को भी ठीक करता है।

तकनीकी सारांश: अनफोल्डिंग के लिए प्रोफाइल ओम्नीफोल्ड (Profile OMNIFOLD) - न्युसेंस पैरामीटर्स के साथ

समस्या विवरण
कण और परमाणु भौतिकी (particle and nuclear physics) में, "अनफोल्डिंग" (unfolding) एक सांख्यिकीय व्युत्क्रम समस्या (statistical inverse problem) है, जिसका उद्देश्य किसी भौतिक मात्रा (पार्टिकल-लेवल ट्रुथ, $x$ ) के वास्तविक वितरण को डिटेक्टर प्रभावों (डिटेक्टर-लेवल डेटा, $y$ ) द्वारा विकृत होने के बाद पुनः प्राप्त करना है। इस संबंध को एक फ्रेडहोमोल इंटीग्रल समीकरण (Fredholm integral equation) के प्रथम प्रकार द्वारा मॉडल किया जाता है: $p_Y(y) = \int k(y,x)p_X(x)dx$ , जहाँ $k(y,x)$ एक रिस्पॉन्स कर्नेल (response kernel) है।

जबकि आधुनिक मशीन लर्निंग (ML) विधियों, विशेष रूप से OMNIFOLD एल्गोरिदम ने एक एक्सपेक्टेशन-मैक्सिमाइजेशन (EM) फ्रेमवर्क के भीतर डेंसिटी रेश्यो (density ratios) का अनुमान लगाने के लिए क्लासिफायर का उपयोग करके उच्च-आयामी अनफोल्डिंग को सफलतापूर्वक संबोधित किया है, वे एक महत्वपूर्ण धारणा पर निर्भर करती हैं कि सिमुलेशन द्वारा उपयोग किया जाने वाला डिटेक्टर रिस्पॉन्स कर्नेल ( $q(y|x)$ ), वास्तविक रिस्पॉन्स ( $p(y|x)$ ) से पूरी तरह मेल खाता है। व्यवहार में, सिमुलेशन केवल अनुमानित रूप से सही होते हैं और "न्युसेंस पैरामीटर्स" ( $\theta$ ) पर निर्भर करते हैं जो व्यवस्थित अनिश्चितताओं (जैसे, जेट एनर्जी रेजोल्यूशन) को दर्शाते हैं। यदि $\theta$ का गलत निर्धारण किया जाता है (अर्थात, सिमुलेशन $\theta=1$ मानता है जबकि वास्तविकता $\theta \neq 1$ है), तो मानक ML अनफोल्डिंग विधियाँ $p_X$ के वास्तविक वितरण के लिए पक्षपाती (biased) अनुमान उत्पन्न करती हैं। इन स्थितियों को संभालने के वैकल्पिक मॉडलों के तहत माप को दोहराना पारंपरिक दृष्टिकोणों में शामिल है, जो कम्प्यूटेशनल रूप से महंगा और अक्सर रूढ़िवादी (conservative) होता है।

कार्यप्रणाली: प्रोफाइल ओम्नीफोल्ड (POF)
लेखक प्रोफाइल ओम्नीफोल्ड (POF) प्रस्तावित करते हैं, जो OMNIFOLD एल्गोरिदम का एक विस्तार है जो पार्टिकल-लेवल रीवेटिंग फंक्शन और न्युसेंस पैरामीटर्स का संयुक्त रूप से अनुमान लगाता है। POF न्युसेंस पैरामीटर $\theta$ को EM ऑब्जेक्टिव फंक्शन में एक अतिरिक्त अज्ञात चर के रूप में मानता है।

एल्गोरिदम पॉपुलेशन लॉग-लाइक्लिहुड (population log-likelihood) को अधिकतम करने के लिए पुनरावृत्ति (iteratively) में कार्य करता है:
$\ell(\nu, \theta) = \int p(y) \log p(y|\nu, \theta) dy + \log p_0(\theta)$
जहाँ $\nu(x)$ मोंटे कार्लो (MC) पार्टिकल-लेवल डेंसिटी के लिए रीवेटिंग फंक्शन है, और $p_0(\theta)$ सहायक मापों से प्राप्त एक प्रायर (prior) या लाइक्लिहुड टर्म है।

POF एल्गोरिदम प्रत्येक इटरेशन $k$ में तीन चरणों में संचालित होता है:

डिटेक्टर-लेवल रीवेटिंग: एक क्लासिफायर डेंसिटी रेश्यो $r^{(k)}(y) = p(y) / \tilde{q}^{(k)}(y)$ का अनुमान लगाता है, जहाँ $\tilde{q}^{(k)}(y)$ वर्तमान पार्टिकल वेट्स $\nu^{(k)}$ और वर्तमान न्युसेंस पैरामीटर $\theta^{(k)}$ द्वारा रीवेटेड मोंटे कार्लो डिटेक्टर-लेवल डेंसिटी है, जिसे एक रिस्पॉन्स कर्नेल रेशो $W(y,x,\theta) = p(y|x,\theta)/q(y|x)$ के माध्यम से किया जाता है।
पार्टिकल-लेवल रीवेटिंग: रेशो $r^{(k)}(y)$ को $W$ को शामिल करते हुए $\nu^{(k+1)}(x)$ के वेट्स को अपडेट करने के लिए पार्टिकल लेवल पर "पुल बैक" (pull back) किया जाता है।
न्युसेंस पैरामीटर अपडेट: $\theta$ को $\theta^{(k+1)}$ में अपडेट किया जाता है, $\nu^{(k)}$ को स्थिर रखते हुए, Q-फंक्शन ( $Q_2$ ) के एक विशिष्ट घटक को अधिकतम करके।

चरण 3 को लागू करने के लिए, एल्गोरिदम को $W(y,x,\theta)$ फंक्शन की आवश्यकता होती है। पेपर में अलग-अलग $\theta$ के साथ उत्पन्न सिंथेटिक डेटा का उपयोग करके $W$ का अनुमान लगाने की एक विधि (चान और नैचमैन, 2023 पर आधारित) का विवरण दिया गया है।

प्रमुख योगदान

एल्गोरिद्मिक विस्तार: POF का परिचय, जो क्लासिफायर-आधारित EM अनफोल्डिंग फ्रेमवर्क के भीतर न्युसेंस पैरामीटर प्रोफाइलिंग को सीधे एकीकृत करता है। पिछले अनबिन्ड (unbinned) तरीकों के विपरीत, जो एक निश्चित फॉरवर्ड मॉडल मानते हैं, POF स्पेक्ट्रम और व्यवस्थित पैरामीटर्स दोनों को एक साथ अपडेट करता है।
अभिसरण निदान (Convergence Diagnostics): लेखक चरण 1 क्लासिफायर की सटीकता पर आधारित एक गुडनेस-ऑफ-फिट (goodness-of-fit) सांख्यिकी प्रस्तावित करते हैं। चूंकि एक अभिसरित समाधान (converged solution) यह दर्शाता है कि रीवेटेड MC वितरण प्रयोगात्मक डेटा से मेल खाता है, इसलिए क्लासिफायर उन्हें अलग करने में असमर्थ होना चाहिए (सटीकता $\approx 0.5$ )। इस सांख्यिकी का उपयोग विभिन्न इनिशियलाइजेशन के साथ कई रन में से सर्वश्रेष्ठ समाधान चुनने के लिए किया जाता है, जो न्युसेंस पैरामीटर्स की उपस्थिति में लाइक्लिहुड सतह की नॉन-कॉन्केविटी (non-concavity) को संबोधित करता है।
उच्च-आयामी डेटा को संभालना: यह विधि बिना बिनिंग के उच्च-आयामी डेटा को संभालने की OMNIFOLD की क्षमता को बनाए रखती है, जिससे पारंपरिक बिन्ड अनफोल्डिंग से जुड़ी "डायमेंशनलिटी का अभिशाप" (curse of dimensionality) से बचा जा सकता है।

परिणाम
पेपर दो केस स्टडीज का उपयोग करके POF को मान्य करता है:

गौसियन उदाहरण: एक नियंत्रित 1D और 2D गौसियन सिमुलेशन जहाँ वास्तविक न्युसेंस पैरामीटर $\theta$ $θ$ (जो स्मियरिंग वेरिएंस को नियंत्रित करता है) सिमुलेशन से भिन्न है।
- निष्कर्ष: मानक OMNIFOLD (जो $\theta=1$ मानता है) महत्वपूर्ण रूप से पक्षपाती पार्टिकल-लेवल वितरण उत्पन्न करता है। POF सफलतापूर्वक वास्तविक वितरण को प्राप्त करता है और $\theta$ का अनुमान वास्तविक ग्राउंड ट्रुथ के करीब ( $\hat{\theta}=1.48$ बनाम वास्तविक $1.50$) लगाता है। गुडनेस-ऑफ-फिट सांख्यिकी का उपयोग किए जाने पर एल्गोरिदम इनिशियलाइजेशन के बावजूद सही समाधान पर अभिसरित होता है।
CMS ओपन डेटा सिमुलेशन: LHC में CMS प्रयोग से जेट ट्रांसवर्स मोमेंटम स्पेक्ट्रा का एक वास्तविक सिमुलेशन।
- सेटअप: "डेटा" को जेट एनर्जी रेजोल्यूशन के साथ जनरेट किया गया था जो सिमुलेशन से 70% अधिक बड़ा था ( $\theta_{true}=1.7$ बनाम $\theta_{sim}=1.0$ )।
- निष्कर्ष: मिसस्पेसिफाइड कर्नेल के कारण OMNIFOLD वास्तविक पार्टिकल-लेवल स्पेक्ट्रम को प्राप्त करने में विफल रहा। POF वास्तविक स्पेक्ट्रम को निकटता से प्राप्त करता है और $\hat{\theta}=1.62$ का अनुमान लगाता है। अध्ययन ने रेखांकित किया कि हालांकि POF मजबूत है, लेकिन इनिशियलाइजेशन का चुनाव महत्वपूर्ण है; खराब इनिशियलाइजेशन स्थानीय ऑप्टिमा (local optima) की ओर ले जा सकता है, लेकिन प्रस्तावित गुडनेस-ऑफ-फिट सांख्यिकी प्रभावी रूप से बेहतर समाधान की पहचान करती है।

महत्व
पेपर तर्क देता है कि प्रोफाइल ओम्नीफोल्ड (POF) वर्तमान मशीन लर्निंग-आधारित अनफोल्डिंग की एक मौलिक सीमा को संबोधित करता है: एक पूर्णतः निर्दिष्ट फॉरवर्ड मॉडल की धारणा। फॉरवर्ड-मॉडल अनिश्चितता (न्युसेंस पैरामीटर्स) को अनफोल्डिंग प्रक्रिया के दौरान ध्यान में रखकर, POF रिकवर किए गए पार्टिकल-लेवल वितरणों में पक्षपात (bias) को कम करता है। लेखक POF को उच्च-ऊर्जा भौतिकी (high-energy physics) में अधिक मजबूती से ML-आधारित अनफोल्डिंग लागू करने के लिए एक व्यावहारिक मार्ग के रूप में देखते हैं, जहाँ डिटेक्टर रिस्पॉन्स जटिल होते हैं और केवल सिमुलेशन के माध्यम से स्पष्ट रूप से ज्ञात होते हैं। यह विधि OMNIFOLD की कम्प्यूटेशनल दक्षता और उच्च-आयामी क्षमताओं को बनाए रखते हुए व्यवस्थित अनिश्चितताओं वाले परिदृश्यों में इसकी प्रयोज्यता का विस्तार करती है।

सीमाएं और भविष्य का कार्य
लेखक नोट करते हैं कि न्युसेंस पैरामीटर्स के कारण उत्पन्न नॉन-कॉन्केव लाइक्लिहुड सतह के कारण POF के पास ग्लोबल मैक्सिमम तक अभिसरण (convergence) की कोई सैद्धांतिक गारंटी नहीं है। वे इस बात पर जोर देते हैं कि न्युसेंस पैरामीटर का अनुमान सहायक $W$ फंक्शन के अनुमान की गुणवत्ता के प्रति संवेदनशील है। इसके अलावा, वर्तमान कार्यान्वयन अनफोल्डेड वितरण या न्युसेंस पैरामीटर्स के लिए अनिश्चितता परिमाणीकरण (uncertainty quantification) प्रदान नहीं करता है, जो भविष्य के अनुसंधान के लिए एक खुला प्रश्न बना हुआ है।

इसी तरह के और पेपर