⚛️ high-energy experiments

Determination of the HERA coherent diffractive $J/\psi$ production cross section via artificial neural network

यह शोध पत्र कृत्रिम तंत्रिका नेटवर्क (आर्टिफिशियल न्यूरल नेटवर्क) का उपयोग करके HERA के एक्सक्लूसिव कोहेरेंट डिफ्रैक्टिव $J/\psi$ उत्पादन डेटा का एक मॉडल-स्वतंत्र विश्लेषण प्रस्तुत करता है ताकि HERA और LHC डेटासेट को एकीकृत करके डिफरेंशियल क्रॉस-सेक्शन्स का पूर्वानुमान लगाया जा सके और एक $Q^2$ - एवं $W$ -निर्भर एक्सपोनेंशियल स्लोप निकाला जा सके।

मूल लेखक: Taufiq Iqbal Baihaqi, Chalis Setyadi, Zulkaida Akbar, Parada T. P. Hutauruk, Apriadi Salim Adam

प्रकाशित 2026-06-04

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Taufiq Iqbal Baihaqi, Chalis Setyadi, Zulkaida Akbar, Parada T. P. Hutauruk, Apriadi Salim Adam

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 भूत के आकार को समझने की कोशिश कर रहे हैं। आप भूत को सीधे नहीं देख सकते, लेकिन आप उस पर नन्हे, अदृश्य पिंग-पोंग बॉल्स फेंक सकते हैं और यह देख सकते हैं कि वे उससे टकराकर कैसे वापस आती हैं। उन उछालों (bounces) के पैटर्न का अध्ययन करके, आप पता लगा सकते हैं कि भूत गोल है, चपटा है, या ऊबड़-खाबड़ है।

उच्च-ऊर्जा भौतिकी (high-energy physics) की दुनिया में, वैज्ञानिक कुछ ऐसा ही करते हैं। वे प्रोटॉन (पदार्थ के निर्माण खंड) के "आकार" को जानने के लिए कणों को आपस में टकराते हैं। विशेष रूप से, वे एक ऐसी प्रक्रिया पर नज़र रखते हैं जहाँ एक फोटॉन (प्रकाश का एक कण) एक प्रोटॉन से टकराता है और एक भारी कण बनाता है जिसे J/ψ मेसॉन कहा जाता है, जिससे प्रोटॉन बिना किसी बदलाव के सुरक्षित रहता है। यह एक दीवार पर गेंद फेंकने और एक नई, भारी गेंद के अचानक बाहर निकलने जैसा है जबकि दीवार वैसी ही खड़ी रहती है।

यहाँ इस शोध पत्र का एक सरल विवरण दिया गया है, जिसमें रोज़मर्रा के उदाहरणों का उपयोग किया गया है:

1. पुराना तरीका: ब्लूप्रिंट के साथ अनुमान लगाना

लंबे समय से, वैज्ञानिक यह भविष्यवाणी करने की कोशिश करते रहे हैं कि ये कण आपस में कैसे टकराएंगे, जिसके लिए जटिल गणितीय "ब्लूप्रिंट" (सैद्धांतिक मॉडल) का उपयोग किया जाता था। ये ब्लूप्रिंट इस बात की कई धारणाओं पर आधारित थे कि प्रोटॉन अंदर से कैसा दिखता है और कण कैसे परस्पर क्रिया करते हैं।

समस्या: ये ब्लूप्रिंट एक शहर का नक्शा केवल कुछ सड़क संकेतों का उपयोग करके बनाने जैसा था। वे कुछ इलाकों (विशिष्ट ऊर्जा श्रेणियों) में तो अच्छा काम करते थे, लेकिन अन्य जगहों पर वे अव्यवस्थित और अविश्वसनीय हो जाते थे। यदि ब्लूप्रिंट की धारणाएँ थोड़ी भी गलत होतीं, तो पूरा नक्शा गलत हो जाता।

2. नया तरीका: "स्मार्ट लर्नर" (आर्टिफिशियल न्यूरल नेटवर्क)

एक पूर्व-निर्धारित ब्लूप्रिंट का उपयोग करने के बजाय, लेखकों ने एक कंप्यूटर को एक आर्टिफिशियल न्यूरल नेटवर्क (ANN)—जो मूल रूप से एक डिजिटल मस्तिष्क है—को डेटा से सीधे नियम सीखने के लिए प्रशिक्षित किया।

उपमा: कल्पना कीजिए कि आपके पास एक विशाल फोटो एल्बम है जिसमें हर उस बार का रिकॉर्ड है जब अतीत में किसी ने दीवार पर गेंद फेंकी थी (HERA प्रयोग से डेटा)। नियम पुस्तिका लिखने के बजाय कि गेंद को कैसे उछलना चाहिए, आप एक बुद्धिमान छात्र को वे तस्वीरें दिखाते हैं। वह छात्र हजारों उदाहरणों को देखता है और अपने आप पैटर्न सीख जाता है: "ओह, जब गेंद को ज़ोर से फेंका जाता है, तो वह अलग तरह से उछलती है। जब दीवार को एक विशिष्ट कोण पर टकराया जाता है, तो उछाल बदल जाता है।"
लाभ: इस "छात्र" को इस बात के पीछे की जटिल भौतिकी थ्योरी जानने की ज़रूरत नहीं है कि उछाल क्यों होता है। यह बस साक्ष्यों के आधार पर सीखता है कि यह कैसे होता है। यह गलत ब्लूप्रिंट के अनुमान लगाने के पूर्वाग्रह (bias) को हटा देता है।

3. प्रशिक्षण प्रक्रिया: "डीप एन्सेम्बल"

यह सुनिश्चित करने के लिए कि उनका "छात्र" केवल उत्तरों को रट नहीं रहा है या केवल भाग्यशाली नहीं है, वैज्ञानिकों ने केवल एक मस्तिष्क को प्रशिक्षित नहीं किया; उन्होंने 100 अलग-अलग मस्तिष्क (एक "डीप एन्सेम्बल") को प्रशिक्षित किया।

उपमा: कल्पना कीजिए कि 100 अलग-अलग विशेषज्ञों से एक ही फोटो एल्बम को देखने और अगले उछाल का अनुमान लगाने के लिए कहा जा रहा है। यदि सभी 100 विशेषज्ञ सहमत हैं, तो आप उनके उत्तर पर बहुत विश्वास कर सकते हैं। यदि वे असहमत हैं, तो आप जानते हैं कि वहाँ अनिश्चितता है।
परिणाम: इन 100 मॉडलों के उत्तरों का औसत निकालकर, वैज्ञानिकों ने एक बहुत ही विश्वसनीय भविष्यवाणी प्राप्त की जो डेटा के शोर (noise) और मॉडल की अनिश्चितता दोनों को ध्यान में रखती है।

4. उन्होंने क्या पाया

इस "स्मार्ट लर्नर" दृष्टिकोण का उपयोग करते हुए, टीम ने सफलतापूर्वक भविष्यवाणी की कि कण ऊर्जा और कोणों की एक विस्तृत श्रृंखला में कैसे व्यवहार करते हैं, जिसमें HERA प्रयोग का डेटा और LHC (लार्ज हैड्रॉन कोलाइडर) तक का विस्तार शामिल है।

"स्लोप" की खोज: उन्होंने एक प्रमुख चीज़ मापी जिसे "एक्सपोनेंशियल स्लोप" (एक संख्या जिसे b कहा जाता है) कहते हैं। इसे उछाल के "ढलान" को मापने के रूप में समझें।
- उन्होंने पाया कि यह ढलान स्थिर नहीं है; यह इस पर निर्भर करता है कि फोटॉन कितनी ज़ोर से टकराता है (ऊर्जा) और टक्कर का प्रकार क्या है।
- उनके "स्मार्ट लर्नर" ने पुष्टि की कि यह ढलान ऊर्जा और "वर्चुअलिटी" (फोटॉन कितनी ऊर्जा ले जाता है) पर बहुत अधिक निर्भर करती है, जो कि अन्य प्रयोगों में देखी गई बातों से मेल खाती है, लेकिन बिना किसी जटिल सैद्धांतिक धारणाओं के।

5. निष्कर्ष (The Bottom Line)

यह शोध पत्र दिखाता है कि जटिल भौतिकी डेटा को समझने के लिए आपको हमेशा एक पूर्ण सैद्धांतिक सिद्धांत की आवश्यकता नहीं होती है। डेटा-संचालित दृष्टिकोण (कंप्यूटर को डेटा से खुद सीखने के लिए प्रशिक्षित करना) का उपयोग करके, उन्होंने एक लचीला उपकरण बनाया जो:

अनुमान से बचता है: यह प्रोटॉन की आंतरिक संरचना के बारे में अस्थिर धारणाओं पर निर्भर नहीं करता है।
जटिलता को संभालता है: यह ऊर्जा, कोण और कण प्रकारों के बीच के जटिल, बहु-आयामी संबंधों को पुराने तरीकों की तुलना में बेहतर तरीके से नेविगेट कर सकता है।
विश्वास प्रदान करता है: यह वैज्ञानिकों को केवल उत्तर ही नहीं बताता, बल्कि यह भी बताता है कि वे उस उत्तर के बारे में कितने आश्वस्त हो सकते हैं।

संक्षेप में, लेखकों ने एक डिजिटल "पैटर्न पहचानकर्ता" बनाया जिसने J/ψ कण उत्पादन के व्यवहार को सफलतापूर्वक मैप किया, यह सिद्ध करते हुए कि कभी-कभी, डेटा को खुद बोलने देना ही ब्रह्मांड को समझने का सबसे अच्छा तरीका होता है।

तकनीकी सारांश: आर्टिफिशियल न्यूरल नेटवर्क के माध्यम से HERA कोहेरेंट डिफ्रैक्टिव J/ψ उत्पादन क्रॉस सेक्शन का निर्धारण

समस्या विवरण
एक्सक्लूसिव कोहेरेंट डिफ्रैक्टिव $J/\psi$ उत्पादन उच्च-ऊर्जा भौतिकी घटना विज्ञान (phenomenology) के लिए एक महत्वपूर्ण जांच है, विशेष रूप से प्रोटॉन के ग्लूऑन वितरण और सैचुरेशन प्रभावों को समझने के लिए। जबकि HERA कोलाइडर (H1 और ZEUS सहयोग) और LHC से व्यापक प्रयोगात्मक डेटा उपलब्ध है, पारंपरिक सैद्धांतिक विश्लेषण काफी हद तक "डाइपोल पिक्चर" दृष्टिकोण पर निर्भर करते हैं। इस दृष्टिकोण में महत्वपूर्ण मॉडल निर्भरताएं शामिल हैं, जैसे कि वेक्टर मेसॉन वेव फंक्शन, टारगेट प्रोफाइल, स्क्यूनेस सुधार (skewness corrections), और स्कैटरिंग एम्प्लीट्यूड का रियल-इमेजिनरी भाग। इसके अलावा, ये सैद्धांतिक मॉडल अक्सर संकीर्ण किनेमैटिक रेंज (आमतौर पर छोटा $|t|$ और मध्यम $Q^2$ ) तक सीमित होते हैं, जो उपलब्ध डेटा के पूर्ण स्पेक्ट्रम में उनकी भविष्य कहने की शक्ति को सीमित करते हैं। लेखक एक मॉडल-स्वतंत्र दृष्टिकोण की आवश्यकता की पहचान करते हैं जो विशिष्ट सैद्धांतिक धारणाओं पर निर्भर किए बिना डेटा के बहु-आयामी सहसंबंधों (multi-dimensional correlations) को संभाल सके।

कार्यप्रणाली (Methodology)
लेखक एक्सक्लूसिव कोहेरेंट डिफ्रैक्टिव $J/\psi$ उत्पादन के डिफरेंशियल क्रॉस-सेक्शन ( $d\sigma/dt$ ) को मॉडल करने के लिए आर्टिफिशियल न्यूरल नेटवर्क (ANNs) का उपयोग करते हुए एक डेटा-संचालित फ्रेमवर्क प्रस्तावित करते हैं। इस कार्यप्रणाली में निम्नलिखित प्रमुख घटक शामिल हैं:

डेटासेट: मॉडल को HERA में H1 और ZEUS सहयोग के 108 डेटा बिंदुओं के संयुक्त डेटासेट पर प्रशिक्षित किया गया है। किनेमैटिक कवरेज फोटॉन वर्चुअलिटी $0.05 < Q^2 < 100 \text{ GeV}^2$ , फोटॉन-प्रोटॉन सेंटर-ऑफ-मास एनर्जी $20 < W < 250 \text{ GeV}$ , और मोमेंटम ट्रांसफर $|t| < 1.2 \text{ GeV}^2$ है।
इनपुट फीचर्स: चार वेरिएबल्स का उपयोग किया गया है: $Q^2$ , $W$ , $t$ , और इनइलास्टिसिटी $y$ । संख्यात्मक स्थिरता में सुधार के लिए, $Q^2$ , $W$ , और $y$ को लॉगरिदमिक स्केल पर रूपांतरित किया गया है, जबकि $t$ लीनियर रहता है।
नेटवर्क आर्किटेक्चर: लेखक एक "डीप एनसेम्बल" दृष्टिकोण का उपयोग करते हैं जिसमें $N=100$ आर्किटेक्चरली समान मॉडल शामिल हैं। प्रत्येक मॉडल में तीन हिडन लेयर्स (64, 64, और 32 न्यूरॉन्स) के साथ $tanh$ एक्टिवेशन और L2 रेगुलराइजेशन है।
अनिश्चितता परिमाणीकरण (Uncertainty Quantification): आर्किटेक्चर हेटरोसेडास्टिक रिग्रेशन (heteroscedastic regression) के लिए डिज़ाइन किया गया है, जो माध्य भविष्यवाणी ( $\mu$ ) और एलेटोरिक अनसर्टेटी (वेरिएंस) दोनों को आउटपुट करता है। एपिस्टेमिक अनसर्टेटी (मॉडल इनिशियलाइजेशन के प्रति संवेदनशीलता) को संबोधित करने के लिए, एनसेम्बल विधि अलग-अलग रैंडम सीड्स के साथ प्रशिक्षित 100 मॉडलों के भविष्यवाणियों को एकत्रित करती है। अंतिम अनसर्टेटी एलेटोरिक (डेटा शोर) और एपिस्टेमिक (मॉडल वेरिएंस) दोनों घटकों को जोड़ती है।
लॉस फंक्शन: प्रशिक्षण के लिए गॉसियन नेगेटिव लॉग लाइकलीहुड (NLL) लॉस फंक्शन का उपयोग किया जाता है, जो प्रयोगात्मक त्रुटियों और सीखे गए मॉडल अनसर्टेटी दोनों को ध्यान में रखता है।
वैलिडेशन: एनसेम्बल का मूल्यांकन एक होल्ड-आउट टेस्ट सेट (डेटा का 10%) पर $\chi^2/\text{ndf}$ और पुल (Pull) डिस्ट्रीब्यूशन का उपयोग करके किया गया है।

प्रमुख योगदान

मॉडल-स्वतंत्र भविष्यवाणी: यह पेपर एक पूरी तरह से डेटा-संचालित दृष्टिकोण प्रस्तुत करता है जो क्रॉस-सेक्शन की भविष्यवाणी करने के लिए विशिष्ट सैद्धांतिक घटकों (जैसे डाइपोल एम्प्लीट्यूड या प्रोटॉन प्रोफाइल) पर निर्भरता को समाप्त करता है।
मजबूत अनसर्टेटी एस्टीमेशन: डीप एनसेम्बल विधियों को हेटरोसेडास्टिक रिग्रेशन के साथ जोड़कर, फ्रेमवर्क प्रयोगात्मक और मॉडल-प्रेरित दोनों अनसर्टेटी का कठोर परिमाणीकरण प्रदान करता है।
एक्सपोनेंशियल स्लोप ( $b$ ) का निष्कर्षण: ANN की डिफरेंशिएबिलिटी विभिन्न किनेमैटिक क्षेत्रों में एक्सपोनेंशियल स्लोप पैरामीटर $b$ (जहाँ $d\sigma/dt \propto \exp(-b|t|)$ ) के सीधे निष्कर्षण की अनुमति देती है, जो ट्री-बेस्ड मशीन लर्निंग विधियों के साथ एक कठिन कार्य है।
LHC किनेमैटिक्स तक विस्तार: प्रशिक्षित मॉडल को उच्च ऊर्जाओं (LHC रेंज) पर कुल फोटोप्रोडक्शन क्रॉस-सेक्शन की भविष्यवाणी करने के लिए विस्तारित किया गया है, जो डिफरेंशियल क्रॉस-सेक्शन को इंटीग्रेट करके किया गया है, भले ही प्रशिक्षण डेटा HERA ऊर्जाओं तक सीमित हो।

परिणाम

डिफरेंशियल क्रॉस-सेक्शन ( $d\sigma/dt$ ): ANN भविष्यवाणियां $Q^2$ और $t$ की एक विस्तृत श्रृंखला में HERA डेटा के साथ अच्छा तालमेल दिखाती हैं। मॉडल $t$ और $Q^2$ बढ़ने के साथ क्रॉस-सेक्शन की कमी को सफलतापूर्वक कैप्चर करता है। कम $t$ पर विशिष्ट $Q^2$ मानों के लिए मामूली अंडरएस्टिमेशन देखा गया, और फोटोप्रोडक्शन के लिए बहुत कम $W$ पर कुछ विसंगतियां दिखाई दीं, जो संभवतः उन विशिष्ट डेटा बिंदुओं में बड़े प्रयोगात्मक अनसर्टेटी के कारण हैं।
टोटल क्रॉस-सेक्शन ( $\sigma$ ): मॉडल HERA रेंज के भीतर टोटल क्रॉस-सेक्शन की $W$ -डिपेंडेंस को अच्छी तरह से रीप्रोड्यूस करता है। जब इसे LHC ऊर्जाओं ( $W > 250 \text{ GeV}$ ) तक एक्सट्रपलेट किया जाता है, तो मॉडल ALICE और LHCb के डेटा पॉइंट्स को अंडरएस्टिमेट करता है, और इसमें बड़ी अनसर्टेटी दिखाई देती है, जो इस उच्च-ऊर्जा शासन में प्रशिक्षण डेटा की कमी को दर्शाती है।
एक्सपोनेंशियल स्लोप ( $b$ ): निकाला गया स्लोप पैरामीटर $b$ , $Q^2$ और $W$ दोनों पर मजबूत निर्भरता प्रदर्शित करता है। परिणाम आम तौर पर H1 और ZEUS के प्रयोगात्मक डेटा के साथ सुसंगत हैं, जिससे $2 < Q^2 < 100 \text{ GeV}^2$ की सीमा में $b = 4.72 \pm 0.15 \text{ (stat.)} \pm 0.12 \text{ (syst.)} \text{ GeV}^{-2}$ का माध्य मान प्राप्त होता है।
मॉडल प्रदर्शन: एनसेम्बल ने औसत $\chi^2/\text{ndf} = 0.86 \pm 0.08$ प्राप्त किया और पुल डिस्ट्रीब्यूशन एक मानक गॉसियन ( $\mu_{\text{pull}} \approx -0.10$ , $\sigma_{\text{pull}} \approx 0.92$ ) के अनुरूप था, जो यह दर्शाता है कि मॉडल अनबायस्ड है और अनसर्टेटी अनुमान विश्वसनीय हैं।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य पारंपरिक QCD-आधारित मॉडलों के पूरक उपकरण के रूप में डेटा-संचालित ANN फ्रेमवर्क की व्यवहार्यता को प्रदर्शित करता है। विशिष्ट सैद्धांतिक धारणाओं के प्रति संवेदनशीलता को कम करके, ANN दृष्टिकोण बहु-आयामी किनेमैटिक क्षेत्रों में इंटरपोलेट करने के लिए एक मजबूत विधि प्रदान करता है। पेपर विनम्रतापूर्वक निष्कर्ष निकालता है कि हालांकि यह पद्धति नॉन-लीनियर सहसंबंधों को कैप्चर करने में सफल होती है और विश्वसनीय अनसर्टेटी अनुमान प्रदान करती है, लेकिन यह सैद्धांतिक समझ का विकल्प नहीं है बल्कि मॉडल बायस को कम करने का एक उपकरण है। लेखक सुझाव देते हैं कि भविष्य के कार्यों में हाइब्रिड फ्रेमवर्क (फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क) या स्मॉल- $x$ सैचुरेशन डायनेमिक्स और प्रोटॉन के ट्रांसवर्स प्रोफाइल की आगे जांच करने के लिए अतिरिक्त वेक्टर मेसॉन डेटा का समावेश शामिल हो सकता है।

1. पुराना तरीका: ब्लूप्रिंट के साथ अनुमान लगाना

2. नया तरीका: "स्मार्ट लर्नर" (आर्टिफिशियल न्यूरल नेटवर्क)

3. प्रशिक्षण प्रक्रिया: "डीप एन्सेम्बल"

4. उन्होंने क्या पाया

5. निष्कर्ष (The Bottom Line)

इसी तरह के और पेपर