⚛️ phenomenology

Finite $V_{\rm 2\Delta}$ puzzle in low-multiplicity pp collisions from ultra-long-range azimuthal correlations in the string-shoving model

यह अध्ययन PYTHIA8 स्ट्रिंग-शविंग मॉडल का उपयोग यह प्रदर्शित करने के लिए करता है कि कम-मल्टीलिसिटी वाले pp टकरावों में अल्ट्रा-लॉन्ग-रेंज अज़ीमुथल सहसंबंध (azimuthal correlations) डाइजेट घटनाओं ( $N_{\rm mpi}=1$ ) के प्रति सर्वाधिक संवेदनशील होते हैं और मल्टीलिसिटी के साथ घटते हैं, जो यह सुझाव देता है कि स्ट्रिंग शविंग कम-मल्टीलिसिटी डेटा की व्याख्या करता है जबकि उच्च मल्टीलिसिटी पर हाइड्रोडायनामिक्स प्रभावी होता है, जिसमें नॉन-फ्लो प्रभावों को कम करने के लिए फ्लैटनिसिटी (flattenicity) को एक बेहतर एस्टिमेटर के रूप में प्रस्तावित किया गया है।

मूल लेखक: Antonio Ortiz, Dushmanta Sahu, Gyula Bencedi

प्रकाशित 2026-06-23

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Antonio Ortiz, Dushmanta Sahu, Gyula Bencedi

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

दो नन्हे, उच्च-गति वाले कणों के आपस में टकराने की कल्पना करें। आमतौर पर, हम इन टक्करों को अराजक विस्फोटों के रूप में देखते हैं जहाँ मलबा यादृच्छिक (random) दिशाओं में बिखर जाता है। लेकिन हाल के वर्षों में, भौतिकविदों ने कुछ अजीब देखा है: कभी-कभी, मलबा यादृच्छक रूप से नहीं बिखरता। इसके बजाय, यह एक साथ "बहता" हुआ प्रतीत होता है, समन्वित पैटर्न में चलता है, लगभग एक तरल पदार्थ (fluid) की तरह। यह आमतौर पर बड़ी टक्करों (जैसे दो बड़े सोने के नाभिकों को टकराने) में देखा जाता है, लेकिन अब वैज्ञानिक नन्हे प्रोटॉन-प्रोटॉन टकरावों में भी इस "तरल जैसा" व्यवहार के संकेत देख रहे हैं।

यह शोध पत्र जांच करता है कि क्यों यह सबसे छोटी टक्करों में होता है, और इसके लिए PYTHIA8 नामक एक कंप्यूटर सिमुलेशन का उपयोग करता है।

यहाँ उनके निष्कर्षों का सरल उपमाओं (analogies) के माध्यम से विवरण दिया गया है:

1. दो प्रतिस्पर्धी सिद्धांत

वैज्ञानिक इस बात पर बहस कर रहे थे कि इस "प्रवाह" (flow) का कारण क्या है।

सिद्धांत A (तरल): शायद एक अत्यंत गर्म "सूप" (क्वार्क-ग्लूऑन प्लाज्मा) की एक छोटी बूंद बनती है और एक गुब्बारे की तरह फैलती है।
सिद्धांत B (धक्का): शायद यह केवल ऊर्जा की वे डोरियाँ (strings) हैं जो कणों को आपस में जोड़ती हैं और एक-दूसरे को धक्का देती हैं, जैसे कि एक भीड़ भरे गलियारे में लोग एक-दूसरे को धक्का दे रहे हों, बिना किसी सूप के बने।

लेखकों ने सिद्धांत B (जिसे स्ट्रिंग शोविंग/String Shoving मॉडल कहा जाता है) का परीक्षण किया ताकि यह देखा जा सके कि क्या यह डेटा की व्याख्या कर सकता है।

2. "भीड़ की गिनती" (Nch) के साथ समस्या

इन टक्करों का अध्ययन करने के लिए, वैज्ञानिक आमतौर पर उन्हें इस आधार पर वर्गीकृत करते हैं कि कितने कण बाहर निकलते हैं। वे इसे "मल्टीप्लिसिटी" (या Nch) कहते हैं।

उपमा: कल्पना करें कि आप यह अध्ययन करने की कोशिश कर रहे हैं कि एक कमरे में लोग कितनी अच्छी तरह सहयोग करते हैं। आप लोगों को इस आधार पर समूह में बांटने का निर्णय लेते हैं कि वे कुल कितनी वस्तुएं पकड़े हुए हैं।
दोष: यदि एक व्यक्ति एक बहुत बड़ा, भारी बॉक्स (एक उच्च-ऊर्जा जेट) पकड़े हुए है, तो उसके पास "वस्तुओं की संख्या" अधिक होगी, लेकिन वह एक सहकारी भीड़ का हिस्सा नहीं है। यदि आप उन्हें उन लोगों के साथ मिला देते हैं जो वास्तव में हाथ पकड़कर एक साथ चल रहे हैं, तो आपका डेटा गड़बड़ा जाएगा। यह शोध पत्र तर्क देता है कि कणों को गिनना (Nch) इन घटनाओं को छांटने का एक बुरा तरीका है क्योंकि यह "सहकारी समूहों" को "भारी बॉक्स ले जाने वाले अकेले भेड़ियों" के साथ मिला देता है।

3. नया वर्गीकरण तरीका: "सपाटता" (Flatness) और "धक्कों की संख्या"

लेखकों ने टक्करों को छांटने के लिए दो बेहतर तरीके आजमाए:

Nmpi (धक्कों की संख्या): यह गिनना कि कण वास्तव में कितनी बार एक-दूसरे से टकराए।
फ्लैटनेसिटी/Flattenicity (सपाटता): यह एक माप है कि मलबा कितनी समान रूप से फैला हुआ है। यदि मलबा एक चिकनी पैनकेक की तरह फैला है, तो यह "सपाट" है। यदि यह एक जगह जमा है (जैसे कि एक जेट), तो यह "उबड़-खाबड़" है।

4. सबसे बड़ा आश्चर्य: "डाइजेट" (Dijet) प्रभाव

सबसे आश्चर्यजनक खोज यह है कि "प्रवाह" कहाँ सबसे मजबूत है।

अपेक्षा: आप सोच सकते हैं कि "तरल" व्यवहार तब सबसे मजबूत होता है जब बहुत सारे कण और बहुत सारे धक्के (एक घना जमाव) होते हैं।
सिमुलेशन की वास्तविकता: "स्ट्रिंग शोविंग" प्रभाव वास्तव में तब सबसे मजबूत होता है जब बहुत कम अंतःक्रियाएं (interactions) होती हैं (विशेष रूप से, केवल एक जोड़ी परस्पर क्रिया करने वाली स्ट्रिंग्स, जैसे कि एक साधारण डाइजेट)।
उपमा: कल्पना करें कि कुछ लोग एक घेरे में खड़े हैं। यदि वे सभी एक-दूसरे को धक्का देते हैं, तो वे एक व्यवस्थित रोटेशन (घूर्णन) बनाते हैं। लेकिन यदि आप कमरे को सैकड़ों लोगों से भर देते हैं जो बेतरतीब ढंग से धक्का दे रहे हैं, तो धक्के एक-दूसरे को रद्द कर देते हैं और व्यवस्थित रोटेशन गायब हो जाता है।
परिणाम: सिमुलेशन ने दिखाया कि जैसे-जैसे टक्कर "व्यस्त" होती जाती है (अधिक कण), "शोविंग" प्रभाव वास्तव में कमजोर हो जाता है और प्रवाह गायब हो जाता है।

5. "भीड़ की गिनती" क्यों विफल रही

जब वैज्ञानिकों ने पारंपरिक विधि का उपयोग किया (कणों को गिनना, Nch), तो उन्होंने एक भ्रमित करने वाला परिणाम देखा: प्रवाह बढ़ता हुआ दिखाई देने के बजाय कम होता गया जैसे-जैसे घटना व्यस्त होती गई।

क्यों? क्योंकि "भीड़ की गिनती" अनजाने में उन घटनाओं को चुन रही थी जिनमें "अकेले भेड़िये" (जेट्स) शामिल थे जिनके पास "शोविंग" के काम करने के लिए सही ज्यामिति (geometry) नहीं थी। यह कुछ ऐसा था जैसे आप लोगों के जूतों की संख्या गिनकर नृत्य को मापने की कोशिश कर रहे हों; डेटा उन लोगों द्वारा प्रभावित हो गया जो बिना किसी कारण के अतिरिक्त जूते पहने हुए थे।
सुधार: जब उन्होंने फ्लैटनेसिटी (मलबा कितना समान रूप से फैला हुआ है) का उपयोग किया, तो उन्हें बहुत स्पष्ट तस्वीर मिली। इसने दिखाया कि "स्ट्रिंग शोविंग" तंत्र सरल, ज्यामितीय सेटअप में सबसे अच्छा काम करता है और अव्यवस्थपूर्ण, भीड़भाड़ वाले सेटअप में विफल हो जाता है।

6. अंतिम निष्कर्ष

शोध पत्र वास्तविकता की एक "हाइब्रिड" तस्वीर का सुझाव देता है:

छोटी, विरल (sparse) टक्करों में: जो "प्रवाह" हम देखते हैं, वह केवल स्ट्रिंग शोविंग (कणों काกัน एक-दूसरे को धक्का देना, जैसे बंपर कार) हो सकता है। यह एक यांत्रिक प्रभाव है, तरल नहीं।
बड़ी, घनी टक्करों में: प्रवाह संभवतः एक वास्तविक तरल (हाइड्रोडायनामिक्स) है, जहाँ एक गर्म सूप बनता है और फैलता है।

संक्षेप में: लेखकों ने पाया कि "स्ट्रिंग शोविंग" मॉडल छोटी टक्करों में दिखने वाले अजीब प्रवाह की व्याख्या करता है, लेकिन केवल तभी जब आप डेटा को छांटने के लिए गलत उपकरण (कणों को गिनना) का उपयोग करना बंद कर दें। एक बार जब आप सही उपकरण (मलबा कितना समान रूप से फैला हुआ है, यह मापना) का उपयोग करते हैं, तो आप देखते हैं कि यह "शोविंग" प्रभाव वास्तव में सरल टक्करों में सबसे मजबूत होता है और चीजों के भीड़भाड़ वाले होने पर फीका पड़ जाता है। यह सुझाव देता है कि छोटी टक्करों में शायद कोई तरल सूप नहीं बन रहा है, बल्कि केवल कण एक-दूसरे को धक्का दे रहे हैं।

तकनीकी सारांश: स्ट्रिंग-शोविंग मॉडल में अल्ट्रा-लॉन्ग-रेंज अज़ीमुथल सहसंबंधों से परिमित $v_{2\Delta}$

समस्या विवरण
हाल के ALICE मापों ने $\sqrt{s} = 13$ TeV पर प्रोटॉन-प्रोटॉन ($pp $) टकरावों में अल्ट्रा-लॉन्ग-रेंज कोणीय सहसंबंधों ($ |\Delta\eta| > 5.0 $) की सूचना दी है, यहाँ तक कि कम चार्ज्ड-पार्टिकल मल्टीप्लिसिटी ($ dN_{ch}/d\eta < 7 $) में भी। ये सहसंबंध एक गैर-शून्य दूसरे-क्रम के फूरियर गुणांक ($ v_{2\Delta}$) को प्रदर्शित करते हैं, जिसे पारंपरिक रूप से एलिप्टिक फ्लो (elliptic flow) के रूप में व्याख्यायित किया जाता है। हालाँकि, सैद्धांतिक मॉडल इन अवलोकनों की व्याख्या करने में महत्वपूर्ण चुनौतियों का सामना करते हैं:

हाइड्रोडायनामिक मॉडल (जैसे 3D-Glauber + MUSIC + UrQMD) कम मल्टीप्लिसिटी पर $v_{2\Delta}$ को गंभीर रूप से कम आंकते हैं, भले ही वे उच्च-मल्टीप्लिसिटी डेटा का सफलतापूर्वक वर्णन करते हों।
इनिशियल-स्टेट मॉडल (जैसे कलर ग्लास कंडेनसेट) आमतौर पर केवल शॉर्ट-रेंज सहसंबंध उत्पन्न करते हैं जो अल्ट्रा-लॉन्ग रेंज पर लुप्त हो जाते हैं।
मोंटे कार्लो जनरेटर जैसे PYTHIA8, जिसमें स्ट्रिंग-शोविंग तंत्र (एक गैर-हाइड्रोडायनामिक मॉडल जहाँ ओवरलैपिंग कलर स्ट्रिंग्स प्रतिकर्षक ट्रांसवर्स प्रेशर लगाती हैं) शामिल है, रिज-जैसी संरचनाएं उत्पन्न कर सकते हैं। हालाँकि, पिछले तुलनात्मक अध्ययनों ने दिखाया कि यह तंत्र एक $v_{2\Delta}$ उत्पन्न करता है जो बढ़ती मल्टीप्लिसिटी ( $N_{ch}$ ) के साथ घटता है, जो प्रयोगात्मक डेटा में देखे गए कमजोर रूप से बढ़ते या स्थिर रुझल के विपरीत है।

यह विसंगति यह सुझाव देती है कि इवेंट एक्टिविटी एस्टीमेटर (विशेष रूप से $N_{ch}$ ) का चयन पूर्वाग्रह (bias) उत्पन्न कर सकता है जो छोटे सिस्टम में वास्तविक सामूहिक-जैसे प्रभावों के व्यवहार को अस्पष्ट कर देता है।

कार्यप्रणाली (Methodology)
लेखकों ने PYTHIA8 (संस्करण 8.312) का उपयोग करके एक व्यवस्थित जांच की, जिसमें स्ट्रिंग-शोविंग तंत्र को सक्षम किया गया है।

इवेंट जनरेशन: $\sqrt{s} = 13$ TeV पर 10 बिलियन $pp$ टकरावों का अनुकरण किया गया, जिसमें मोनश ट्यून (Monash tune) बेसलाइन का उपयोग किया गया, जिसे $g=10$ (रूढ़िवादी अनुमान) के प्रतिकर्षक स्ट्रेंथ पैरामीटर और $g=40$ तक के बदलावों के साथ संशोधित किया गया।
सहसंबंध विश्लेषण: फॉरवर्ड ( $2.6 < \eta < 3.2$ ) और बैकवर्ड ( $-3.0 < \eta < -2.0$ ) स्यूडोरेपिडिटी अंतराल में चार्ज्ड पार्टिकल्स का उपयोग करके टू-पार्टिकल कोरिलेशन बनाए गए, जिसमें $5.0 < |\Delta\eta| < 6.0$ वाले जोड़ों का चयन किया गया।
नॉन-फ्लो सबट्रैक्शन: $v_{2\Delta}$ गुणांक को निकालने के लिए एक टेम्प्लेट फिट विधि का उपयोग किया गया। उच्च-मल्टीप्लिसिटी वितरणों को एक लो-मल्टीप्लिसिटी टेम्प्लेट (जो नॉन-फ्लो का प्रतिनिधित्व करता है) और एक फ्लो-जैसे मॉड्यूलेशन का सुपरपोजिशन मानकर फिट किया गया। इस कार्यान्वयन को ALICE द्वारा रिपोर्ट किए गए PYTHIA8 परिणामों को पुनरुत्पादित करके मान्य किया गया।
इवेंट क्लासिफायर: चयन पूर्वाग्रहों का आकलन करने के लिए तीन अलग-अलग इवेंट एक्टिविटी एस्टीमेटर्स की तुलना की गई:
1. $N_{ch}$ : पारंपरिक मिड-रैपिडिटी चार्ज्ड-पार्टिकल मल्टीप्लिसिटी ( $|\eta| < 0.8$ )।
2. $N_{mpi}$ : मल्टी-पार्टन इंटरैक्शन की संख्या (इनिशियल-स्टेट स्ट्रिंग डेंसिटी का एक सीधा प्रॉक्सी)।
3. फ्लैटनेसिटी ( $1-\rho_{nch}$ ): एक ग्लोबल इवेंट-शेप ऑब्जर्वेबल जिसे स्थानीयकृत हार्ड प्रोसेस (जेट्स) से होने वाले पूर्वाग्रह को कम करते हुए MPI-प्रधान घटनाओं को अलग करने के लिए डिज़ाइन किया गया है।

मुख्य परिणाम

मल्टीप्लिसिटी निर्भरता और पूर्वाग्रह:
- जब $N_{ch}$ द्वारा वर्गीकृत किया जाता है, तो स्ट्रिंग-शोविंग मॉडल पिछले देखे गए रुझान को पुनरुत्पादित करता है: $v_{2\Delta}$ तब घटता है जब $N_{ch}$ बढ़ता है, और अंततः उच्च मल्टीप्लिसिटी पर मोनश ट्यून (बिना शोविंग के) के साथ अभिसरित होता है।
- जब $N_{mpi}$ या फ्लैटनेसिटी द्वारा वर्गीकृत किया जाता है, तो व्यवहार महत्वपूर्ण रूप से बदल जाता है। सबसे मजबूत अल्ट्रा-लॉन्ग-रेंज सहसंबंध (और सबसे स्पष्ट नियर-साइड रिज संरचनाएं) सबसे कम $N_{mpi}$ वर्गों (विशेष रूप से $N_{mpi} \approx 1-3$ , जो डाइजेट-जैसी घटनाओं के अनुरूप है) में दिखाई देते हैं।
- जैसे-जैसे $N_{mpi}$ बढ़ता है, सहसंबंध की शक्ति कम होती जाती है। यह इंगित करता है कि स्ट्रिंग-शोविंग तंत्र विरल, ज्यामितीय रूप से एनिसोट्रोपिक वातावरण (कम ओवरलैपिंग स्ट्रिंग्स) में सबसे प्रभावी है और घने, आइसोट्रोपिक वातावरण में अक्षम हो जाता है।
टेम्प्लेट सबट्रैक्शन आर्टिफैक्ट्स:
- अध्ययन ने पाया कि स्ट्रिंग-शॉविंग मॉडल से प्राप्त लो-मल्टीप्लिसिटी टेम्प्लेट में पहले से ही महत्वपूर्ण फ्लो-जैसे सहसंबंध मौजूद हैं। जब इन टेम्प्लेटों का उपयोग उच्च मल्टीप्लिसिटी वर्गों से नॉन-फ्लो को घटाने के लिए किया जाता है, तो एक ओवर-सबट्रैक्शन होता है, जो कृत्रिम रूप से निकाले गए $v_{2\Delta}$ मानों को कम कर देता है और घटते रुझान को और अधिक बढ़ा देता है।
डेटा के साथ तुलना:
- जबकि स्ट्रिंग-शोविंग तंत्र कम-मल्टीप्लिसिटी घटनाओं में सहसंबंधों के अस्तित्व की व्याख्या करता है, यह $N_{ch}$ को क्लासिफायर के रूप में उपयोग करने पर उच्च मल्टीप्लिसिटी में ALICE डेटा के परिमाण और रुझान को दोहराने में विफल रहता है।
- हाइड्रोडायनामिक मॉडल कम मल्टीप्लिसिटी पर विफल होता है लेकिन उच्च मल्टीप्लिसिटी पर एक बढ़ता हुआ रुझान दिखाता है, जो प्रमुख भौतिक तंत्र में संक्रमण का सुझाव देता है।

मुख्य योगदान
यह शोध छोटे सिस्टम में कलेक्टिविटी की समझ में तीन प्राथमिक योगदान देता है:

एस्टिमेटर्स की व्यवस्थित तुलना: यह अल्ट्रा-लॉन्ग-रेंज सहसंबंधों के लिए स्ट्रिंग-शोविंग ढांचे के भीतर $N_{ch}$ , $N_{mpi}$ , और फ्लैटनेसिटी का पहला व्यवस्थित तुलनात्मक अध्ययन प्रदान करता है, जिससे पता चलता है कि $N_{ch}$ जेट-प्रधान घटनाओं को आइसोट्रोपिक, MPI-रिच घटनाओं के साथ मिला देकर महत्वपूर्ण पूर्वाग्रह पैदा करता है।
सैचुरेशन की पहचान: अध्ययन स्ट्रिंग-शोविंग तंत्र में एक "बिल्ट-इन सैचुरेशन" की पहचान करता है: प्रभाव निम्न- $N_{mpi}$ (डाइजेट-जैसी) घटनाओं में चरम पर होता है और घने वातावरण में कम हो जाता है, जो इस अपेक्षा के विपरीत है कि सामूहिक प्रभाव गतिविधि के साथ रैखिक रूप से स्केल होते हैं।
फ्लैटनेसिटी का सत्यापन: विश्लेषण दर्शाता है कि फ्लैटनेसिटी छोटे सिस्टम में सामूहिक-जैसे प्रभावों को अलग करने के लिए एक बेहतर एस्टीमेटर है। यह उन इवेंट टोपोलॉजी को चुनता है जिनमें हार्ड प्रोसेस से कम पूर्वाग्रह होता है, जिससे एक स्वच्छ सहसंबंध संरचना प्रकट होती है जो अंतर्निहित स्ट्रिंग डेंसिटी को बेहतर ढंग से दर्शाती है।

महत्व और दावे
लेखक निष्कर्ष निकालते हैं कि कम-मल्टीप्लिसिटी $pp $टकरावों में देखे गए परिमित$ v_{2\Delta}$ को थर्मलकृत क्वार्क-ग्लूऑन प्लाज्मा (QGP) को आमंत्रित किए बिना इनिशियल-स्टेट प्रभावों (स्ट्रिंग-शोविंग) द्वारा समझाया जा सकता है। हालांकि, इस तंत्र की सीमाएं हैं:

कम मल्टीप्लिसिटी: स्ट्रिंग-शोविंग हावी रहता है, जो विरल सिस्टम में कलेक्टिविटी के लिए एक गैर-हाइड्रोडायनामिक स्पष्टीकरण प्रदान करता है।
उच्च मल्टीप्लिसिटी: स्ट्रिंग-शोविंग तंत्र अकेले डेटा की व्याख्या नहीं कर सकता; जैसे-जैसे सिस्टम का आकार और घनत्व बढ़ता है, हाइड्रोडायनामिक विस्तार अधिक प्रासंगिक हो जाता है।

यह शोध पारंपरिक $N_{ch}$ -आधारित विश्लेषणों के बजाय वैश्विक, टोपोलॉजी-संवेदनशील एस्टीमेटर्स जैसे कि फ्लैटनेसिटी की ओर बढ़ने की वकालत करता है। यह शिफ्ट आवश्यक है ताकि उन पूर्वाग्रहों से बचा जा सके जो देखे गए रुझानों को कृत्रिम रूप से विकृत करते हैं और छोटे टक्कर सिस्टम में सामूहिक घटनाओं की अधिक भौतिक रूप से सार्थक व्याख्या प्राप्त की जा सके। यह कार्य कलेक्टिविटी के क्रमिक उद्भव (onset) के चित्र का समर्थन करता है, जहाँ छोटे सिस्टम में इनिशियल-स्टेट तंत्र हावी होता है और बड़े, घने वातावरण में फाइनल-स्टेट हाइड्रोडायनामिक विस्तार कार्यभार संभाल लेता है।