⚛️ high-energy experiments

Transformer-Based Approach to Enhance Positron Tracking Performance in MEG II

लेखकों ने MEG II प्रयोग के लिए एक ट्रांसफॉर्मर-आधारित क्लासिफायर विकसित किया है जो उच्च-ऑक्यूपेंसी ड्रिफ्ट चैम्बर्स में पाइलअप हिट्स को प्रभावी ढंग से हटा देता है, जिससे ट्रैकिंग दक्षता और रिज़ॉल्यूशन में सुधार होता है ताकि $\mu\to e\gamma$ ब्रांचिंग रेशियो माप की संवेदनशीलता को लगभग 10% बढ़ाया जा सके।

मूल लेखक: Lapo Dispoto, Fedor Ignatov, Atsushi Oya, Yusuke Uchiyama, Antoine Venturini

प्रकाशित 2026-07-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lapo Dispoto, Fedor Ignatov, Atsushi Oya, Yusuke Uchiyama, Antoine Venturini

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 रेडियो पर बज रहे एक विशिष्ट गाने को सुनने की कोशिश कर रहे हैं, लेकिन स्टेशन एक ही समय में 50 अलग-अलग गाने प्रसारित कर रहा है, जो आपस में मिलकर एक अराजक शोर पैदा कर रहे हैं। यह मूल रूप से MEG II प्रयोग के सामने मौजूद चुनौती है।

यह प्रयोग एक बहुत ही दुर्लभ घटना की खोज कर रहा है: एक म्यूऑन (इलेक्ट्रॉन का भारी संबंधी) का इलेक्ट्रॉन और एक फोटॉन (प्रकाश का कण) में क्षय (decay) होना। इस दुर्लभ "गाने" को पकड़ने के लिए, वैज्ञानिक एक विशाल डिटेक्टर का उपयोग करते हैं जो परिणामी इलेक्ट्रॉन (जिसे पॉज़िट्रॉन कहा जाता है) के पथ को ट्रैक करता है। हालाँकि, डिटेक्टर इतना व्यस्त है कि वह एक ही समय में हजारों अन्य "गानों" (अवांछित कण हिट्स) को सुन रहा है। इसे पाइलअप (pileup) कहा जाता है।

यहाँ बताया गया है कि यह शोध पत्र एक ट्रांसफॉर्मर (Transformer) नामक एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस समस्या को कैसे हल करता है।

समस्या: एक शोर भरा कमरा

डिटेक्टर को एक बड़े, भीड़भाड़ वाले कमरे के रूप में सोचें जहाँ लोग घेरे में चल रहे हैं (पॉज़िट्रॉन)।

लक्ष्य: एक विशिष्ट पथ पर चलने वाले विशिष्ट व्यक्ति को ढूँढना।
शोर (Noise): वहाँ सैकड़ों अन्य लोग बेतरतीब ढंग से चल रहे हैं, दीवारों से टकरा रहे हैं और हर जगह अपने पैरों के निशान छोड़ रहे हैं।
पुरानी विधि: वैज्ञानिकों ने एक पारंपरिक एल्गोरिदम का उपयोग किया जो एक-दूसरे के करीब स्थित पदचिह्नों (footprints) को जोड़ने का प्रयास करता था। लेकिन जब कमरा बहुत अधिक भीड़भाड़ वाला हो जाता था (जब फर्श का 35% से 50% हिस्सा पदचिह्नों से ढका होता था), तो एल्गोरिदम भ्रमित हो जाता था। यह अलग-अलग लोगों के पदचिह्नों को जोड़ने की कोशिश करता था, जिससे नकली पथ बन जाते थे या वास्तविक पथ छूट जाता था। इस गड़बड़ी से बचने के लिए, उन्हें कमरे में प्रवेश करने वाले लोगों की संख्या को धीमा करना पड़ता था, जिसका अर्थ था कि वे कम डेटा एकत्र कर पा रहे थे।

समाधान: "सुपर-लिसनर" AI

शोधकर्ताओं ने ट्रांसफॉर्मर्स (वही तकनीक जो आधुनिक चैटबॉट्स और अनुवाद उपकरणों के पीछे है) पर आधारित एक नया AI मॉडल बनाया है। केवल उन पदचिह्नों को देखने के बजाय जो उनके ठीक बगल में हैं, यह AI एक साथ पूरी तस्वीर देखता है।

यहाँ यह AI कैसे काम करता है, एक उपमा (analogy) के माध्यम से:

सुराग (pTC): कल्पना कीजिए कि पॉज़िट्रॉन कमरे के अंत में एक टाइमिंग काउंटर पर एक विशिष्ट "स्टैम्प" छोड़ता है। AI सबसे पहले इस स्टैम्प को देखता है।
खोज (CDCH): कमरे के अंदर, फर्श पर हजारों पदचिह्न हैं। AI पूछता है: "इनमें से कौन से पदचिह्न उस व्यक्ति के हैं जिसने वह स्टैम्प बनाया था?"
जादू (Attention): ट्रांसफॉर्मर "अटेंशन" (attention) नामक एक तंत्र का उपयोग करता है। यह केवल पड़ोसियों को नहीं देखता; यह कमरे के अंत में स्थित स्टैम्प को उन पदचिह्नों से जोड़ता है जो दूर हो सकते हैं, भले ही वे अन्य लोगों के पदचिह्नों से अलग हों। यह सही पथ के "आकार" को सीखता है, भले ही वह शोर के नीचे दबा हुआ हो।

उन्होंने AI को कैसे प्रशिक्षित किया

AI को यह सीखने की आवश्यकता थी कि एक "वास्तविक" पथ और "नकली" यादृच्छिक पदचिह्नों के ढेर के बीच क्या अंतर है।

उन्होंने इसे कंप्यूटर सिमुलेशन से लाखों उदाहरण दिए।
उन्होंने इसे वास्तविक डेटा भी दिया, जो उस समय का था जब कमरा शांत था, ताकि AI बिना किसी भ्रम के वास्तविक पथ के आकार को सीख सके।
AI को एक फिल्टर के रूप में कार्य करने के लिए प्रशिक्षित किया गया था। प्रत्येक पदचिह्न के लिए, यह एक स्कोर देता है: "क्या यह वास्तविक पथ का हिस्सा है? हाँ या नहीं?"

परिणाम: स्पष्ट ध्वनि, तेज़ संगीत

जब उन्होंने इस नए AI फिल्टर को चालू किया, तो परिणाम प्रभावशाली थे:

शोर की सफाई: AI सफलतापूर्वक 87% यादृच्छिक, भ्रमित करने वाले पदचिह्नों (पाइलअप) को हटा दिया, जबकि 98% वास्तविक पदचिह्नों को सुरक्षित रखा।
बेहतर ट्रैकिंग: क्योंकि पथ अब अधिक साफ था, वैज्ञानिक पॉज़िट्रॉन ट्रैक्स को पहले की तुलना में 15% अधिक बार खोज सके।
तीक्ष्ण फोकस: पॉज़िट्रॉन कहाँ था और उसकी गति कितनी थी, इसके माप 5% अधिक सटीक हो गए।
तेज़ प्रोसेसिंग: आश्चर्यजनक रूप से, क्योंकि AI ने कंप्यूटर द्वारा पहेली सुलझाने से पहले ही गंदगी को साफ कर दिया था, इसलिए पूरी प्रक्रिया कंप्यूटर के प्रोसेसर पर वास्तव में 20-30% तेज़ हो गई।

बड़ी तस्वीर

चूंकि AI ने डिटेक्टर को बहुत बेहतर तरीके से काम करने के योग्य बनाया, इसलिए वैज्ञानिक अब आवाज़ बढ़ा सकते हैं। वे अधिक म्यूऑन्स को डिटेक्टर में आने दे सकते हैं (दर को प्रति सेकंड 40 मिलियन से बढ़ाकर 50 मिलियन करना) बिना शोर से अभिभूत हुए।

मुख्य निष्कर्ष:
इस "सुपर-लिसनर" AI का उपयोग करके शोर को फ़िल्टर करने से, MEG II प्रयोग अब इस दुर्लभ सिग्नल को बहुत अधिक स्पष्ट रूप से देख सकता है। शोध पत्र का दावा है कि यह अपग्रेड इस दुर्लभ क्षय (decay) को खोजने की प्रयोग की संवेदनशीलता को लगभग 10% बढ़ा देगा। इसका अर्थ है कि वे इस बात की खोज करने के बहुत करीब हैं कि क्या यह रहस्यमय कण क्षय वास्तव में होता है, जो ब्रह्मांड के बारे में हमारी समझ को फिर से लिख देगा।

शोध पत्र निष्कर्ष निकालता है कि यह विधि इतनी सफल है कि वे तुरंत इस नए AI के साथ अपने पिछले सभी डेटा का पुन: विश्लेषण करना शुरू कर देंगे और भविष्य के सभी डेटा संग्रह के लिए इसका उपयोग करेंगे।

तकनीकी सारांश: MEG II में पॉज़िट्रॉन ट्रैकिंग प्रदर्शन को बढ़ाने के लिए ट्रांसफॉर्मर-आधारित दृष्टिकोण

समस्या विवरण
MEG II प्रयोग आवेशित लेप्टॉन फ्लेवर-वाइलेटिंग क्षय $\mu \to e\gamma$ की खोज कर रहा है। प्रयोग की लक्षित संवेदनशीलता ( $6 \times 10^{-14}$ ) प्राप्त करने में एक महत्वपूर्ण बाधा उच्च पाइलअप (pileup) स्थितियों के तहत पॉज़िट्रॉन स्पेक्ट्रोमीटर का प्रदर्शन है। स्पेक्ट्रोमीटर एक सिलिंड्रिकल ड्रिफ्ट चैंबर (CDCH) का उपयोग करता है जहाँ लक्ष्य म्यूऑन स्टॉपिंग रेट $5 \times 10^7 \mu/s$ पर हिट ऑक्यूपेंसी (hit occupancy) 35–50% तक पहुँच जाती है। पारंपरिक पुनर्निर्माण एल्गोरिदम, जो पास के हिट्स को जोड़ने के लिए स्थानीय पैटर्न रिकग्निशन (local pattern recognition) पर निर्भर करता है, पाइलअप हिट्स के संदूषण के कारण ट्रैक-फाइंडिंग चरण में अक्षमता का सामना करता है। यह अक्षमता प्रयोग को स्वीकार्य ट्रैकिंग दक्षता बनाए रखने के लिए कम म्यूऑन स्टॉपिंग रेट ( $4 \times 10^7 \mu/s$ ) पर संचालित होने के लिए मजबूर करती है, जिससे मापने योग्य म्यूऑन क्षयों की कुल संख्या सीमित हो जाती है।

कार्यप्रणाली
स्थानीय पैटर्न रिकग्निशन की सीमाओं को दूर करने के लिए, लेखकों ने एक ट्रांसफॉर्मर-आधारित मशीन लर्निंग मॉडल विकसित किया है जिसे हिट क्लासिफायर (hit classifier) के रूप में डिज़ाइन किया गया है। मुख्य अवधारणा यह है कि यह मॉडल केवल स्थानीय निकटता पर निर्भर रहने के बजाय, पॉज़िट्रॉन प्रक्षेपवक्र (trajectory) के विभिन्न टर्न सेगमेंट के बीच हिट्स के बीच वैश्विक सहसंबंधों (global correlations) का लाभ उठाता है।

मॉडल आर्किटेक्चर: मॉडल एक ट्रांसफॉर्मर आर्किटेक्चर का उपयोग करता है जिसमें दो अलग-अलग अटेंशन ब्लॉक्स हैं: पिक्सेलेटेड टाइमिंग काउंटर (pTC) हिट्स के लिए एक और CDCH हिट्स के लिए एक।
- इनपुट: मॉडल में एक विशिष्ट घटना (event) में संबंधित pTC हिट्स और सभी CDв CDCH हिट्स इनपुट के रूप में लिए जाते हैं।
- फीचर इंजीनियरिंग: प्रभावी अटेंशन मैकेनिज्म को सुगम बनाने के लिए, लेखकों ने विशिष्ट ज्यामितीय रूपांतरण पेश किए हैं। इसमें प्रक्षेपवक्रों को संरेखित करने के लिए हिट कोऑर्डिनेट्स का कॉन्फॉर्मल मैपिंग और डिटेक्टर समरूपता का लाभ उठाने के लिए पहले pTC हिट के आधार पर रोटेशनल अलाइनमेंट शामिल है। फीचर्स में ड्रिफ्ट टाइम, वायर पोजीशन और कैलिब्रेटेड पैटर्न ( $z_{turn;s}$ , $\phi_{turn;s}$ ) शामिल हैं जो विशिष्ट टर्न सेगमेंट (जैसे, अंतिम आधे टर्न के लिए $s=1$ और पूर्ववर्ती टर्न के लिए $s=2$ ) से संबंधित हिट्स के बीच अंतर करने के लिए माइकेल पॉज़िट्रॉन ट्रैक्स से प्राप्त किए गए हैं।
- आउटपुट: मॉडल प्रत्येक CDCH हिट को कई श्रेणियों में वर्गीकृत करता है: पाइलअप/नॉइज़ ( $s=\emptyset$ ) या विशिष्ट ट्रैक सेगमेंट ( $s \in \{1, 2_{in}, 2_{out}, 3_{in}, 3_{out}, 4_{in}, 4_{out}\}$ )।
प्रशिक्षण रणनीति: मॉडल को 90% मोंटे कार्लो (MC) नमूनों और 10% लो-रेट डेटा नमूनों वाले डेटासेट पर प्रशिक्षित किया गया था। MC-विशिष्ट डिटेक्टर अलाइनमेंट के प्रति ओवरफिटिंग को रोकने के लिए, लो-रेट डेटा (जहाँ पारंपरिक पुनर्निर्माण अत्यधिक विश्वसनीय है) का उपयोग CDCH हिट्स को एनोटेट करने के लिए किया गया था। इन डेटा-संचालित एनोटेशन को फिर उच्च-रेट बैकग्राउंड डेटा के साथ मिलाया गया ताकि पाइलअप वातावरण का अनुकरण किया जा सके। एक दो-चरणीय प्रशिक्षण प्रक्रिया का उपयोग किया गया था: पहले, कम पाइलअप पर सिग्नल हिट्स के बीच सहसंबंध सीखना, और दूसरे, उच्च दरों पर सिग्नल और पाइलअप के बीच अंतर करना सीखना।
एकीकरण: प्रशिक्षित मॉडल एक प्री-फ़िल्टर के रूप में कार्य करता है। मानक ट्रैक-फाइंडिंग और फिटिंग एल्गोरिदम (जैसा कि संदर्भ [5] में वर्णित है) निष्पादित होने से पहले, मॉडल एक संभाव्यता थ्रेशोल्ड के आधार पर CDCH हिट्स का चयन करता है। यह पुनर्निर्माण एल्गोरिदम के इनपुट को "प्योरिटी-एनहांस्ड" (शुद्धता-वर्धित) हिट्स के सेट तक कम कर देता है।

प्रमुख योगदान

नवीन आर्किटेक्चर: हिट फ़िल्टरिंग के लिए एक ट्रांसफॉर्मर मॉडल का अनुप्रयोग, जो विशेष रूप से वैश्विक ट्रैक पैटर्न की पहचान करने के लिए pTC और CDCH हिट्स के बीच क्रॉस-अटेंशन और CDCH हिट्स के बीच सेल्फ-अटेंशन का उपयोग करता है।
पाइलअप के प्रति मजबूती: यह विधि पुनर्निर्माण दक्षता को उच्च ऑक्यूपेंसी (35–50%) के कारण होने वाली गिरावट से सफलतापूर्वक अलग करती है, जिससे एल्गोरिदम वहां भी प्रभावी ढंग से कार्य कर पाता है जहां स्थानीय पैटर्न रिकग्निशन विफल हो जाता है।
परिचालन अनुकूलन: इसका कार्यान्वयन प्रयोग को दक्षता हानि के बिना म्यूऑन स्टॉपिंग रेट के हार्डवेयर सीमा ( $5 \times 10^7 \mu/s$ ) पर संचालित होने में सक्षम बनाता है।

परिणाम
प्रस्तावित विधि का मूल्यांकन MC नमूनों और MEG II द्वारा एकत्र किए गए वास्तविक डेटा दोनों का उपयोग करके किया गया:

हिट फ़िल्टरिंग प्रदर्शन: $5 \times 10^7 \mu/s$ के म्यूऑन स्टॉपिंग रेट पर, मॉडल ने 87% पाइलअप हिट्स को हटाते हुए (13% फॉल्स पॉजिटिव रेट) 98% सिग्नल हिट दक्षता प्राप्त की।
ट्रैकिंग दक्षता: ट्रांसफॉर्मर फ़िल्टर के उपयोग से $5 \times 10^7 \mu/s$ पर पारंपरिक विधि की तुलना में पॉज़िट्रॉन ट्रैकिंग दक्षता में 15% की वृद्धि हुई। यह लाभ MC और डेटा दोनों में देखा गया, जिसमें डेटा ने परीक्षण किए गए रेट रेंज में निरंतर सुधार दिखाया।
ट्रैकिंग रेजोल्यूशन: पॉज़िट्रॉन ट्रैक मापदंडों का रेजोल्यूशन लगभग 5% सुधरा। विशेष रूप से, $z$ -रेजोल्यूशन (वायर के साथ स्थिति) और मोमेंटम रेजोल्यूशन (माइकेल पॉज़िट्रॉन के 52.8 MeV एंडपॉइंट स्पेक्ट्रम से अनुमानित) में महत्वपूर्ण लाभ देखा गया। मोमेंटम रेजोल्यूशन में सुधार को किनेमैटिक सीमा से अधिक जाने वाले ट्रैक्स की कमी के आधार पर लगभग 10% के रूप में मापा गया।
कंप्यूटेशनल लागत: ML इन्फरेंस स्टेप के जुड़ने के बावजूद, कुल इवेंट प्रोसेसिंग समय पारंपरिक दृष्टिकोण का 70-80% रह गया। ऐसा इसलिए है क्योंकि कम संख्या में पाइलअप हिट्स ने सीड कंस्ट्रक्शन (seed construction) और कैंडिडेट जनरेशन चरणों को काफी तेज कर दिया, जो ऑक्यूपेंसी के प्रति सबसे संवेदनशील होते हैं।

महत्व
यह शोध दावा करता है कि ये प्रदर्शन संवर्द्धन सीधे तौर पर MEG II के भौतिकी अनुसंधान (physics reach) के लिए परिवर्तनकारी हैं। उच्च म्यूऑन स्टॉपिंग रेट $5 \times 10^7 \mu/s$ (जो पहले दक्षता नुकसान के कारण $4 \times 10^7 \mu/s$ तक सीमित था) पर संचालन को सक्षम करके और साथ ही ट्रैकिंग रेजोल्यूशन में सुधार करके, प्रयोग $\mu \to e\gamma$ ब्रांचिंग रेशियो माप की संवेदनशीलता में लगभग 10% की वृद्धि की उम्मीद करता है। फलस्वरूप, सहयोग (collaboration) ने इस नए तरीके का उपयोग करके 2022 तक एकत्र किए गए डेटासेट को पुन: संसाधित (reprocess) करने का निर्णय लिया है और 2025 के डेटा-टेकिंग अवधि के लिए म्यूऑन बीम रेट को पहले ही बढ़ा दिया है। लेखक निष्कर्ष निकालते हैं कि यह दृष्टिकोण एक महत्वपूर्ण वैज्ञानिक लाभ और उच्च-ऑक्यूपेंसी ट्रैकिंग डिटेक्टर पुनर्निर्माण में डीप लर्निंग का एक सफल एकीकरण है।

समस्या: एक शोर भरा कमरा

समाधान: "सुपर-लिसनर" AI

उन्होंने AI को कैसे प्रशिक्षित किया

परिणाम: स्पष्ट ध्वनि, तेज़ संगीत

बड़ी तस्वीर

इसी तरह के और पेपर