⚛️ high-energy experiments

Machine-learning techniques for model-independent searches in dijet final states

यह शोध पत्र CMS प्रयोग के 13 TeV प्रोटॉन-प्रोटॉन टक्कर डेटा का उपयोग करते हुए, डाइजेट अंतिम अवस्थाओं (dijet final states) में नई भौतिकी की मॉडल-स्वतंत्र खोजों के लिए मशीन-लर्निंग-आधारित विसंगति पहचान (anomaly detection) विधियों को प्रस्तुत और मूल्यांकित करता है, जो विशिष्ट सैद्धांतिक मॉडलों पर निर्भर किए बिना विसंगत जेट्स और बूस्टेड टॉप क्वार्क्स की पहचान करने में उनकी प्रभावशीलता को प्रदर्शित करता है।

मूल लेखक: CMS Collaboration

प्रकाशित 2026-07-08

📖 6 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

कल्पना कीजिए कि आप एक जासूस हैं जो अरबों असली सिक्कों से भरे एक विशाल गोदाम के भीतर छिपे हुए एक अकेले, अद्वितीय नकली सिक्के को खोजने की कोशिश कर रहे हैं। कण भौतिकी (particle physics) की दुनिया में, यह गोदाम लार्ज हैड्रोन कोलाइडर (LHC) है, और "सिक्के" वे कण हैं जो प्रोटॉन के आपस में टकराने से उत्पन्न होते हैं।

आमतौर पर, वैज्ञानिकों को पता होता है कि नकली सिक्का कैसा दिखता है, इससे पहले कि वे उसकी तलाश शुरू करें। वे उस आकार के लिए एक विशिष्ट सांचा (एक सिद्धांत/theory) बनाते हैं और फिर देखते हैं कि क्या कोई उस आकार में फिट बैठता है। लेकिन क्या होगा अगर नकली सिक्का कुछ पूरी तरह से नया हो, जिसे किसी ने कभी सोचा भी न हो? यदि आप केवल एक विशिष्ट आकार की तलाश करते हैं, तो आप उसे चूक जाएंगे।

CMS सहयोग (CMS Collaboration) का यह शोध पत्र इन "अनजान अज्ञात" (unknown unknowns) की खोज करने के एक नए तरीके के बारे में है। विशिष्ट आकार की तलाश करने के बजाय, वे मशीन लर्निंग (AI) का उपयोग एक अत्यंत संवेदनशील मेटल डिटेक्टर की तरह करते हैं जो चिल्लाकर कहता है, "यह उन लाखों सामान्य सिक्कों जैसा नहीं दिखता है जिन्हें मैंने पहले देखा है!"

यहाँ बताया गया है कि उन्होंने इसे कैसे किया, सरल उपमाओं (analogies) का उपयोग करते हुए:

1. समस्या: "घास के ढेर में सुई" (The Needle in a Haystack)

जब प्रोटॉन टकराते हैं, तो वे ज्यादातर मानक कण (घास) उत्पन्न करते हैं। कभी-कभी, एक नया, भारी कण बन सकता है जो कणों के दो फुहारों (sprays) में टूट जाता है जिन्हें जेट्स (jets) कहा जाता है (सुई)।

पुराना तरीका: वैज्ञानिक अनुमान लगाते थे कि नया कण कैसा दिखेगा, उसके लिए एक फिल्टर बनाते थे, और फिर उसकी तलाश करते थे। यदि उनका अनुमान गलत निकला, तो वे खोज को चूक जाते थे।
नया तरीका: टीम ने अनुमान लगाना बंद करने का निर्णय लिया। इसके बजाय, उन्होंने अपने AI को यह सीखने के लिए कहा कि "सामान्य" क्या है, ताकि वह तुरंत पहचान सके कि क्या "अजीब" या "असंगत" (anomalous) है।

2. पाँच जासूस (तरीके)

यह पेपर पाँच अलग-अलग AI "जासूसों" का परीक्षण करता है, जिनमें से प्रत्येक के पास अजीब जेट्स को खोजने की एक अलग रणनीति है। इन्हें नकली सिक्के को पहचानने के पाँच अलग-अलग तरीकों के रूप में सोचें:

नकलची (VAE-QR): एक ऐसे AI की कल्पना करें जो देखे गए हर सिक्के को फिर से बनाने (redraw करने) की कोशिश करता है। यदि वह एक सामान्य सिक्का देखता है, तो वह उसे पूरी तरह से फिर से बना सकता है। यदि वह एक अजीब, नकली सिक्का देखता है, तो उसका बनाया हुआ चित्र धुंधला और गलत आता है। यही "धुंधलापन" (blurriness) वह स्कोर है जो कहता है, "यह एक विसंगति है!"
"लेबल-मुक्त" शिक्षार्थी (CWoLa, TNT, CATHODE): ये चतुर हैं क्योंकि इन्हें यह जानने की आवश्यकता नहीं है कि नकली सिक्का कैसा दिखता है। इन्हें सिक्कों का एक मिला-जुला बैग दिया जाता है और कहा जाता है, "उन सिक्कों को खोजें जो बगल के कमरे वाले सिक्कों से अलग हैं।" ये तुलना करके सीखते हैं कि "सिग्नल रूम" (जहाँ अजीब चीजें हो सकती हैं) "साइड रूम्स" (जहाँ हम जानते हैं कि केवल सामान्य चीजें मौजूद हैं) से कैसे भिन्न है। यदि AI सिग्नल रूम में एक ऐसा पैटर्न देखता है जो साइड रूम्स में नहीं है, तो वह उसे चिह्नित कर देता है।
- CATHODE विशेष रूप से स्मार्ट है; यह साइड रूम्स में "सामान्य" क्या है इसका एक 3D मानचित्र बनाता है और फिर उस मानचित्र को सिग्नल रूम में प्रोजेक्ट करता है ताकि देखा जा सके कि क्या गायब है या क्या अलग है।
"अर्ध-जानकार" (QUAK): इस जासूस को कुछ उदाहरण दिए जाते हैं कि क्या एक नकली सिक्का हो सकता है (पिछले सिद्धांतों के आधार पर) ताकि यह ध्यान केंद्रित करने में मदद मिल सके, लेकिन यह अन्य अजीब चीजों के लिए भी अपने मन को खुला रखता है।

3. "मूर्तिकला" का जाल (The "Sculpting" Trap)

एक बड़ा जोखिम था: यदि AI "अजीब होने" को पहचानने में बहुत अधिक कुशल हो गया, तो यह अनजाने में सिक्कों को उनके वजन या आकार के आधार पर छाँटना शुरू कर सकता था, सिर्फ इसलिए क्योंकि अजीब सिक्के भारी थे। इससे उनकी खोज खराब हो जाएगी क्योंकि यह डेटा में नकली "शिखर" (peaks) बना देगा जो खोज की तरह दिखते हैं लेकिन वास्तव में नहीं होते।

समाधान: टीम ने एक गणितीय ट्रिक (क्वांटाइल रिग्रेशन - Quantile Regression) का उपयोग किया ताकि यह सुनिश्चित हो सके कि AI का "अजीब होने का स्कोर" अनजाने में टकराव के आकार पर निर्भर न हो जाए। यह सुनिश्चित करने जैसा है कि आपका मेटल डिटेक्टर केवल इसलिए जोर से न बजे क्योंकि सिक्का बड़ा है, बल्कि केवल इसलिए बजे क्योंकि वह अलग धातु का बना है।

4. वास्तविक दुनिया का परीक्षण: टॉप क्वार्क (The Top Quark)

यह साबित करने के लिए कि उनकी प्रणाली वास्तव में काम करती है, उन्होंने केवल काल्पनिक नए कणों की तलाश नहीं की। उन्होंने उस चीज़ को खोजने की कोशिश की जिसे वे पहले से जानते थे कि मौजूद है लेकिन इस विशिष्ट सेटअप में पहचानना कठिन था: टॉप क्वार्क (Top Quark)।

उपमा: कल्पना कीजिए कि आप गौरैया से भरे जंगल में एक विशिष्ट प्रकार के दुर्लभ पक्षी को खोजने की कोशिश कर रहे हैं। आप अपने AI को कहते हैं, "मुझे वह सब ढूंढ कर दो जो गौरैया से अलग दिखता है।"
परिणाम: AI ने लाखों साधारण "गौरैया" जेट्स को सफलतापूर्वक फ़िल्टर किया और "टॉप क्वर्क" जेट्स को उजागर किया। इसने टॉप क्वार्क की प्रमुख विशेषताओं (जैसे इसका द्रव्यमान और यह कैसे टूटता है) को लगभग उतना ही सटीक रूप से प्राप्त किया जितना कि तब होता जब वैज्ञानिकों ने AI को पहले से ही बता दिया होता कि टॉप क्वार्क कैसा दिखता है। इसने सिद्ध किया कि यह प्रणाली बिना किसी विशिष्ट सिद्धांत के वास्तविक भौतिकी को खोजने के लिए पर्याप्त शक्तिशाली है।

5. निष्कर्ष

पेपर इस निष्कर्ष पर पहुँचता है कि:

कोई भी एक जासूस पूर्ण नहीं है: विभिन्न AI विधियों ने अलग-अलग प्रकार के "अजीब" घटनाओं को पाया। कुछ एक प्रकार की विसंगति को खोजने में बेहतर थे, तो अन्य दूसरे प्रकार की।
वे मिलकर काम करते हैं: क्योंकि विधियाँ अलग-अलग तरीकों से विसंगतियों को देखती हैं, इसलिए उन सभी का एक साथ उपयोग करने से कुछ नया खोजने की सबसे अच्छी संभावना मिलती है।
यह वास्तविक डेटा पर काम करता है: सिस्टम ने वास्तविक टकराव डेटा में ज्ञात कणों (टॉप क्वार्क्स) को सफलतापूर्वक पहचाना, जिससे सिद्ध हुआ कि यह LHC की वास्तविक जटिलताओं को संभालने में सक्षम है।

संक्षेप में: यह शोध पत्र भविष्य के लिए एक नए प्रकार के "यूनिवर्सल सर्च इंजन" के लिए एक मैनुअल है। एक विशिष्ट चाबी खोजने के बजाय, यह किसी भी ऐसी चाबी को देखता है जो ताले में फिट नहीं बैठती, जिससे उन खोजों के द्वार खुल जाते हैं जिनके बारे में हमने अभी तक सोचा भी नहीं है।

तकनीकी सारांश: डिजेट (dijet) अंतिम अवस्थाओं में मॉडल-स्वतंत्र खोजों के लिए मशीन-लर्निंग तकनीकें

समस्या विवरण
लार्ज हैड्रॉन कोलाइडर (LHC) पर स्टैंडर्ड मॉडल (SM) से परे भौतिकी की खोज को स्टैंडर्ड मॉडल प्रक्रियाओं, विशेष रूप से मजबूत अन्योन्यक्रिया (strong interaction/QCD multijets) द्वारा संचालित पृष्ठभूमि (background) के कारण बढ़ती चुनौती का सामना करना पड़ रहा है। पारंपरिक खोजें सुपरवाइज्ड मशीन लर्निंग (ML) क्लासिफायर पर निर्भर करती हैं जिन्हें विशिष्ट अनुमानित BSM संकेतों से SM बैकग्राउंड को अलग करने के लिए प्रशिक्षित किया जाता है। यह दृष्टिकोण प्रत्येक वैकल्पिक मॉडल के लिए स्पष्ट सैद्धांतिक सूत्रीकरण की आवश्यकता रखता है, जो खोज के दायरे को केवल ज्ञात परिकल्पनाओं तक सीमित कर देता है। इसके अलावा, पारंपरिक "बम्प हंट" (bump hunt) तकनीकें, जो डिजेट सिस्टम के इनवेरिएंट मास ( $m_{jj}$ ) में रेजोनेंट पीक्स की तलाश करती हैं, विफल हो सकती हैं यदि सिग्नल का अंश इतना कम हो कि वह स्मूथली गिरते हुए SM बैकग्राउंड के विरुद्ध एक दृश्य पीक बनाने में सक्षम न हो। यह शोध उन मॉडल-एग्नोस्टिक (anomaly detection) विधियों की आवश्यकता को संबोधित करता है जो सिग्नल के विशिष्ट गुणों के पूर्व ज्ञान के बिना विसंगत जेट्स (anomalous jets) की पहचान कर सकें, जबकि $m_{jj}$ वितरण के "स्कल्प्टिंग" (sculpting) से भी बचा जा सके, जो सांख्यिकीय व्याख्याओं को अमान्य कर सकता है।

कार्यप्रणाली (Methodology)
यह शोध $\sqrt{s} = 13$ TeV (2016–2018, 138 fb $^{-1}$ ) पर CMS प्रयोग द्वारा एकत्र किए गए प्रोटॉन-प्रोटॉन टक्कर डेटा पर लागू पांच अलग-अलग मशीन-लर्निंग तकनीकों का विस्तृत तुलनात्मक अध्ययन प्रस्तुत करता है। यह विश्लेषण उन डिजेट फाइनल स्टेट्स को लक्षित करता है जहाँ एक भारी रेजोनेंस ( $A$ ) दो हल्के कणों ( $B$ और $C$ ) में क्षय होता है, जो बाद में SM कणों में क्षय होकर दो बड़े-रेडियस वाले जेट्स बनाते हैं। इन विधियों को उनके प्रशिक्षण प्रतिमानों (training paradigms) के आधार पर वर्गीकृत किया गया है:

अनसुपरवाइज्ड (VAE-QR): एक वेरिएशनल ऑटोएन्कोडर (VAE) को साइडबैंड क्षेत्र (जहाँ सिग्नल कम होता है) से लो-लेवल जेट कॉन्स्टिट्यूएंट मोमेंटा पर प्रशिक्षित किया जाता है ताकि SM बैकग्राउंड वितरण को सीखा जा सके। रिकंस्ट्रक्शन लॉस 'एनोमली स्कोर' के रूप में कार्य करता है। $m_{jj}$ स्पेक्ट्रम को विकृत (sculpting) करने से रोकने के लिए, एक क्वांटाइल रिग्रेशन (QR) चरण का उपयोग किया जाता है ताकि $m_{jj}$ के फलन के रूप में एनोमली थ्रेशोल्ड को सामान्य बनाया जा सके, जिससे यह सुनिश्चित हो सके कि द्रव्यमान के बावजूद चयनित घटनाओं का अंश स्थिर रहे।
वीकली सुपरवाइज्ड (CWoLa Hunting, TNT, CATHODE, CATHODE-b): ये विधियाँ "लेबल के बिना वर्गीकरण" (Classification Without Labels - CWoLa) का उपयोग करती हैं ताकि सिग्नल लेबल के बिना सीधे डेटा नमूनों से बैकग्राउंड और डेटा के बीच संभावना अनुपात (likelihood ratio) को सीखा जा सके।
- CWoLa Hunting: हाई-लेवल सबस्ट्रक्चर फीचर्स (जैसे सॉफ्ट-ड्रॉप मास, N-subjettiness रेश्यो, b-टैगिंग स्कोर) का उपयोग करके व्यक्तिगत जेट्स पर क्लासिफायर को प्रशिक्षित किया जाता है ताकि सिग्नल क्षेत्र (SR) के जेट्स को आस-पास के साइडबैंड्स से अलग किया जा सके। $m_{jj}$ स्कल्प्टिंग को कम करने के लिए जेट किनेमैटिक्स से एनोमली स्कोर को डीकोरिलेट करने हेतु रीवेटिंग तकनीक लागू की जाती है।
- TNT (Tag N' Train): यह कमजोर पर्यवेक्षण (weak supervision) को एक प्रारंभिक अनसुपरवाइज्ड ऑटोएन्कोडर प्रीसेलेक्शन के साथ जोड़ता है। एक जेट का उपयोग दूसरे जेट को सिग्नल-जैसे या बैकग्राउंड-जैसे के रूप में "टैग" करने के लिए किया जाता है, जिससे वीकली सुपरवाइज्ड ट्रेनिंग के लिए समृद्ध नमूने तैयार होते हैं।
- CATHODE / CATHODE-b: साइडबैंड डेटा पर प्रशिक्षित एक कंडीशनल जेनेरेटिव मॉडल (Normalizing Flows) का उपयोग करके सिग्नल क्षेत्र में बैकग्राउंड डेंसिटी का अनुमान लगाता है। एक वीकली सुपरवाइज्ड क्लासिफायर देखे गए डेटा और जनरेटेड बैकग्राउंड के बीच अंतर करता है। CATHODE-b इसे तीसरे पीढ़ी के क्वार्क कपलिंग्स के प्रति संवेदनशीलता बढ़ाने के लिए b-टैगिंग स्कोर शामिल करके विस्तारित करता है।
सेमी-सुपरवाइज्ड (QUAK): इसमें खोज को निर्देशित करने के लिए सिम्युलेटेड सिग्नल प्रायर्स (priors) का एक सेट शामिल किया जाता है। यह बैकग्राउंड और विशिष्ट सिग्नल बेंचमार्क्स दोनों पर प्रशिक्षित नॉर्मलाइजिंग फ्लो का उपयोग करके एक "QUAK स्पेस" को परिभाषित करता है, जो उन घटनाओं का चयन करता है जो बैकग्राउंड से भिन्न हैं लेकिन सिग्नल प्रायर्स के समान हैं।

प्रमुख योगदान

व्यापक तुलना: यह कार्य वास्तविक कोलाइडर डेटा का उपयोग करके इन पांच विविध एनोमली डिटेक्शन विधियों की पहली विस्तृत तुलना प्रदान करता है, जो केवल सिम्युलेटेड इवेंट्स तक सीमित पिछले अध्ययनों से आगे बढ़ता है।
स्कल्प्टिंग शमन (Mitigation): यह पेपर विशिष्ट तकनीकी उपायों (क्वांटाइल रिग्रेशन, रीवेटिंग, जेनेरेटिव मॉडलिंग) का विवरण देता है जिन्हें यह सुनिश्चित करने के लिए लागू किया गया है कि एनोमली सिलेक्शन $m_{jj}$ वितरण में कृत्रिम रूप से पीक्स या उभार पैदा न करे, जो वैध सांख्यिकीय निष्कर्ष के लिए एक महत्वपूर्ण आवश्यकता है।
फीचर प्रभाव विश्लेषण: यह अध्ययन जांच करता है कि विभिन्न इनपुट फीचर सेट्स (लो-लेवल कॉन्स्टिट्यूएंट्स बनाम हाई-लेवल सबस्ट्रक्चर वेरिएबल्स) प्रदर्शन को कैसे प्रभावित करते हैं, जिससे पता चलता है कि फीचर का चुनाव प्रदर्शन अंतर की व्याख्या कर सकता है लेकिन एल्गोरिदम के बीच प्रदर्शन अंतराल को पूरी तरह से स्पष्ट नहीं करता है।
डेटा वैलिडेशन: पूरी तरह से हैड्रोनिक डिके चैनल में लोरेन्त्ज़-बूस्टेड टॉप क्वार्क पेयर्स ( $t\bar{t}$ ) की पहचान करने के लिए वीकली सुपरवाइज्ड एनोमली डिटेक्शन का एक अभिनव अनुप्रयोग प्रदर्शित किया गया है, जो मॉडल-एग्नोस्टिक फ्रेमवर्क में ज्ञात भौतिकी को रिकवर करने की विधियों की क्षमता को प्रमाणित करता है।

परिणाम

संवेदनशीलता (Sensitivity): सभी पांच विधियाँ एक समावेशी खोज (बिना सबस्ट्रक्चर सिलेक्शन के) और सरल मॉडल-विशिष्ट सबस्ट्रक्चर कट्स की तुलना में सिम्युलेटेड BSM सिग्नल्स के प्रति बढ़ी हुई संवेदनशीलता प्रदर्शित करती हैं। हालांकि, कोई भी एक विधि सभी सिग्नल टोपोलॉजी के लिए इष्टतम नहीं है।
पूरकता (Complementarity): एनोमली स्कोर का सहसंबंध विश्लेषण यह दर्शाता है कि विधियों के बीच निम्न सहसंबंध (आमतौर पर < 60%) है, जो इंगित करता है कि वे अलग-अलग मानदंडों के आधार पर विसंगत घटनाओं की पहचान करते हैं। यह सुझाव देता है कि इन दृष्टिकोणों को संयोजित करने से अधिक शक्तिशाली खोज रणनीतियाँ प्राप्त हो सकती हैं।
प्रदर्शन अंतराल: जबकि समान फीचर्स पर प्रशिक्षित सुपरवाइज्ड क्लासिफायर उच्च सिग्निफिकेंस इम्प्रूवमेंट कैरेक्टरिस्टिक्स (SIC) प्राप्त करते हैं, मॉडल-एग्नोस्टिक विधियाँ कम SIC मान प्राप्त करती हैं (कुछ विधियों के लिए सुपरवाइज्ड प्रदर्शन का लगभग 50%)। इस अंतर का कारण प्रशिक्षण के दौरान सिग्नल लेबल की कमी और लिमिट-सेटिंग प्रक्रिया में व्यवस्थित अनिश्चितताओं (systematic uncertainties) को ध्यान में रखना है।
टॉप क्वार्क रिकवरी: वैलिडेशन अध्ययन में, वीकली सुपरवाइजड विधि ने QCD बैकग्राउंड से $t\bar{t}$ इवेंट्स को सफलतापूर्वक अलग किया, जिससे समान इनपुट्स के साथ प्रशिक्षित पूरी तरह से सुपरवाइज्ड क्लासिफायर के समान सिग्निफिकेंस इम्प्रूवमेंट प्राप्त हुआ। इंटरप्रिटेबिलिटी तकनीकों (परम्यूटेशन फीचर इम्पोर्टेंस) ने सफलतापूर्वक अतिरिक्त (excess) के भौतिक गुणों (175 GeV के पास जेट मास, उच्च b-टैगिंग स्कोर और थ्री-प्रोंग सबस्ट्रक्चर) की पहचान की, जो सकारात्मक एनोमली सर्च परिणामों की व्याख्या करने की व्यवहार्यता को सिद्ध करता है।

महत्व
यह पेपर दावा करता है कि ये एनोमली डिटेक्शन तकनीकें मॉडल-एग्नोस्टिक तरीके से नए कण हस्ताक्षरों (signatures) के प्रति संवेदनशीलता को सफलतापूर्वक बढ़ाती हैं, जो पारंपरिक परिकल्पना-संचालित खोजों के लिए एक मजबूत विकल्प प्रदान करती हैं। ज्ञात कणों (टॉप क्वार्क) के गुणों को उनके अस्तित्व के पूर्व ज्ञान के बिना रिकवर करके, यह कार्य मॉडल-एग्नोस्टिक एनोमली डिटेक्शन के माध्यम से अप्रत्याशित नई भौतिकी की खोज की क्षमता को प्रमाणित करता है। यह अध्ययन इस बात पर जोर देता है कि विभिन्न विधियों की पूरकता भविष्य के LHC विश्लेषणों में विविध एनोमली डिटेक्शन रणनीतियों के टूलकिट का उपयोग करने के महत्व को रेखांकित करती है।

1. समस्या: "घास के ढेर में सुई" (The Needle in a Haystack)

2. पाँच जासूस (तरीके)

3. "मूर्तिकला" का जाल (The "Sculpting" Trap)

4. वास्तविक दुनिया का परीक्षण: टॉप क्वार्क (The Top Quark)

5. निष्कर्ष

इसी तरह के और पेपर