⚛️ nuclear theory

Bidirectional Neural Networks for Global Nucleon-Nucleus Optical Model Calculations

यह शोध पत्र एक विभेदनीय (differentiable) द्विदिश लिक्विड न्यूरल नेटवर्क एमुलेटर प्रस्तुत करता है जो एक विस्तृत ऊर्जा सीमा और विविध नाभिकों में ऑप्टिकल पोटेंशियल मापदंडों को न्यूक्लियॉन-नाभिक प्रकीर्णन तरंग फलनों (nucleon-nucleus scattering wave functions) पर सटीक रूप से मैप करता है, जो कुशल ग्रेडिएंट-आधारित पैरामीटर अनुकूलन और अनिश्चितता परिमाणीकरण को सक्षम बनाता है और अनदेखे लक्ष्यों के लिए सफलतापूर्वक सामान्यीकरण करता है।

मूल लेखक: Jin Lei

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jin Lei

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 अनुमान लगाने की कोशिश कर रहे हैं कि एक बिलियर्ड बॉल (एक प्रोटॉन या न्यूट्रॉन) एक जटिल, धुंधले लक्ष्य (एक परमाणु नाभिक) से टकराकर कैसे उछलेगी। परमाणु भौतिकी की दुनिया में, इसे "स्कैटरिंग" (scattering) कहा जाता है। इसे सटीक रूप से करने के लिए, वैज्ञानिक "ऑप्टिकल मॉडल" नामक नियमों के एक सेट का उपयोग करते हैं, जिसमें श्रोडिंजर समीकरण (Schrödinger equation) नामक एक बहुत कठिन गणितीय समस्या को हल करना शामिल है।

पारंपरिक रूप से, इस समीकरण को हल करना एक अंधेरे जंगल में एक बहुत ही सटीक, लेकिन धीमी मानचित्र-पठन विधि (जिसे न्युमेरोव एल्गोरिदम कहा जाता है) का उपयोग करके एक-एक कदम करके चलने जैसा है। आपको दूसरी ओर पहुँचने के लिए हर एक कदम सावधानी से लेना पड़ता है। हालांकि यह सटीक है, लेकिन यह प्रक्रिया कठोर है। यदि आप यह जानना चाहते हैं कि जंगल के लेआउट में थोड़ा सा बदलाव करने पर रास्ता कैसे बदलता है, तो आपको पूरी यात्रा को शुरू से फिर से शुरू करना होगा। यह "क्या-होगा" (what-if) वाले परिदृश्यों को करने या वास्तविक दुनिया के प्रयोगों से मेल खाने वाले आदर्श जंगल के लेआउट को खोजने के लिए बहुत कठिन बनाता है।

बड़ी अवधारणा: एक "जादुई" शॉर्टकट
इस शोध पत्र के लेखक, जिन लेई (Jin Lei) ने एक "न्यूरल नेटवर्क एमुलेटर" बनाया है। इसे एक तेज़ चलने वाले व्यक्ति के रूप में नहीं, बल्कि एक सुपर-स्मार्ट जीपीएस के रूप में समझें जिसने पूरे जंगल को याद कर लिया है। कदम-दर-कदम चलने के बजाय, आप जीपीएस को जंगल का लेआउट (पोटेंशियल) देते हैं, और यह तुरंत आपको बता देता है कि गेंद हर बिंदु पर कहाँ होगी।

लेकिन इसका जादू यह है कि यह जीपीएस डिफरेंशिएबल (differentiable) है। सरल शब्दों में, इसका मतलब यह नहीं है कि यह केवल उत्तर देता है; बल्कि यह भी बता सकता है कि यदि आप जंगल के लेआउट में बदलाव करते हैं तो उत्तर कैसे बदलेगा। यह एक ऐसे जीपीएस की तरह है जो न केवल आपको रास्ता दिखाता है, बल्कि फुसफुसाता भी है, "यदि आप उस पेड़ को 1 इंच बाईं ओर खिसकाते हैं, तो आपके पहुँचने के समय में 0.2 सेकंड का बदलाव आएगा।" यह वैज्ञानिकों को अपने मॉडलों को स्वचालित रूप से सूक्ष्म रूप से ट्यून करने की अनुमति देता है, जो पुराने चरण-दर-चरण तरीके के लिए आसानी से संभव नहीं था।

दो बड़ी बाधाएं (और उन्हें कैसे हल किया गया)
इस जीपीएस को बनाना कठिन था क्योंकि इसमें दो प्रमुख समस्याएं थीं:

"ज़ूम" की समस्या: कम ऊर्जा पर, बिलियर्ड बॉल धीरे चलती है और उसकी "तरंग दैर्ध्य" (wavelength) लंबी होती है (वह धीरे-धीरे डगमगाती है)। उच्च ऊर्जा पर, वह तेज़ चलती है और बहुत तेज़ी से डगमगाती है। यह एक ही कैमरे से एक धीमी गति वाले घोंघे और एक तेज़ दौड़ती रेस कार दोनों की स्पष्ट तस्वीरें लेने की कोशिश करने जैसा है। पैटर्न पूरी तरह से अलग दिखते हैं।
- समाधान: लेखक ने "फेज़-स्पेस कोऑर्डिनेट्स" (phase-space coordinates) नामक दूरी मापने का एक नया तरीका आविष्कार किया। दूरी को मीटर में मापने के बजाय (जो पैटर्न को बदल देता है), वे इसे "लहरों" (wiggles) में मापते हैं। कल्पना करें कि एक रबर बैंड को इस तरह खींचना कि एक पूर्ण लहर हमेशा समान स्थान घेरे, चाहे गेंद कितनी भी तेज़ चल रही हो। यह पैटर्न को गति के बावजूद कंप्यूटर के लिए एक जैसा बना देता है, जिससे एक अकेला नेटवर्क बहुत धीमी से लेकर बहुत तेज़ ऊर्जा तक के स्तर को संभाल सकता है।
"दो-तरफा रास्ता" की समस्या: भौतिकी की समस्या के दोनों सिरों पर नियम हैं: गेंद नाभिक के केंद्र में शून्य से शुरू होती है, और नाभिक से दूर जाकर एक विशिष्ट व्यवहार करती है। एक मानक कंप्यूटर प्रोग्राम आमतौर पर बाएं से दाएं पढ़ता है। वह शुरुआत को जानता है, लेकिन जब तक वह वहां नहीं पहुँच जाता, उसे अंत के बारे में पता नहीं चलता, जिससे बीच के हिस्से को सही करना कठिन हो जाता है।
- समाधान: लेखक ने एक बाइडायरेक्शनल लिक्विड न्यूरल नेटवर्क (Bidirectional Liquid Neural Network) का उपयोग किया। कल्पना करें कि दो लोग रहस्य सुलझाने के लिए एक किताब पढ़ रहे हैं। एक शुरुआत (नाभिक के केंद्र) से आगे की ओर पढ़ता है, और दूसरा अंत (नाभिक से दूर) से पीछे की ओर पढ़ता है। वे बीच में मिलते हैं और अपने नोट्स साझा करते हैं। यह "दो-तरफा" दृष्टिकोण यह सुनिश्चित करता है कि समाधान दोनों सिरों के नियमों का एक साथ पालन करे, जिससे बहुत अधिक सटीकता प्राप्त होती है।

उन्होंने क्या पाया?
लेखक ने 12 अलग-अलग प्रकार के परमाणु नाभिकों (हल्के कार्बन से लेकर भारी लेड तक) और प्रोटॉन एवं न्यूट्रॉन दोनों के लिए डेटा पर इस "जीपीएस" को प्रशिक्षित किया।

सटीकता: यह जीपीएस अविश्वसनीय रूप से सटीक है, जिसकी त्रुटि दर केवल 0.6% है। यह गेंद के पथ की इतनी अच्छी भविष्यवाणी कर सकता है कि यह ऊर्जा की एक विशाल सीमा में जटिल "डिफ्रैक्शन पैटर्न" (विवर्तन पैटर्न - जो बिखराव से उत्पन्न होने वाली लहरें और छायाएँ हैं) को भी दोहरा सकता है।
सामान्यीकरण (Generalization): असली परीक्षण यह था कि क्या यह जीपीएस उस नाभिक को संभाल सकता है जिसे इसने पहले कभी नहीं देखा था। लेखक ने परीक्षण के रूप में तीन नए नाभिकों (मैग्नीशियम, कॉपर और टंगस्टन) का उपयोग किया जो प्रशिक्षण डेटा में नहीं थे। जीपीएस ने समान सटीकता के साथ उन्हें सही ढंग से प्रस्तुत किया। यह साबित करता है कि कंप्यूटर ने केवल प्रशिक्षण डेटा को "रटा" नहीं है; बल्कि इसने वास्तव में अंतर्निहित भौतिकी के नियमों को सीखा है।

यह क्यों मायने रखता है?
शोध पत्र इस बात पर जोर देता है कि मुख्य लक्ष्य केवल गणनाओं को तेज़ बनाना नहीं था (हालांकि यह तेज़ है)। मुख्य लक्ष्य एक ऐसा उपकरण बनाना था जो गणितीय रूप से सुचारू और डिफरेंशिएबल (differentiable) हो।

सोचिए कि पुराना तरीका एक ऊबड़-खाबड़, पथरीला रास्ता है जहाँ आप आसानी से नीचे की ओर फिसलकर सबसे निचले बिंदु तक नहीं पहुँच सकते। नया तरीका एक चिकनी, फिसलन भरी स्लाइड की तरह है। यह वैज्ञानिकों को उन्नत गणितीय तकनीकों का उपयोग करने की अनुमति देता है ताकि वे अपने मॉडलों को प्रयोगात्मक डेटा के अनुरूप स्वचालित रूप से समायोजित कर सकें और अपनी भविष्यवाणियों में अनिश्चितता को समझ सकें।

यह क्या नहीं करता (अभी तक)
शोध पत्र अपनी सीमाओं के बारे में स्पष्ट है:

यह वर्तमान में "स्पिन-ऑर्बिट कपलिंग" (भौतिकी में एक सूक्ष्म घुमाव) नामक एक विशिष्ट अंतःक्रिया को अनदेखा करता है, हालांकि लेखक ने उल्लेख किया है कि इसे बाद में जोड़ा जा सकता है।
यह एक "प्रूफ ऑफ कॉन्सेप्ट" है। लेखक ने इंजन बनाया है और सिद्ध किया है कि यह चलता है, लेकिन अभी तक इसका उपयोग विशिष्ट वास्तविक दुनिया के परमाणु डेटा समस्याओं या चिकित्सा अनुप्रयोगों को हल करने के लिए नहीं किया गया है।
यह एक विशिष्ट गणितीय मॉडल (KD02) का एमुलेटर है, न कि सभी प्रयोगात्मक डेटा का सीधा विकल्प।

संक्षेप में, लेखक ने एक कठिन भौतिकी समस्या के लिए एक स्मार्ट, लचीला और गणितीय रूप से अनुकूल "सरोगेट" (surrogate) बनाया है, जिससे वैज्ञानिक अंततः ग्रेडिएंट-आधारित अनुकूलन (gradient-based optimization) का उपयोग करके परमाणु प्रतिक्रियाओं को समझने में सक्षम हो गए हैं, जो पहले असंभव था।

तकनीकी सारांश: वैश्विक न्यूक्लियॉन-न्यूक्लियस ऑप्टिकल मॉडल गणनाओं के लिए द्विदिश न्यूरल नेटवर्क (Bidirectional Neural Networks)

समस्या विवरण
आधुनिक परमाणु डेटा मूल्यांकन और सैद्धांतिक भौतिकी को न्यूक्लियॉन-न्यूक्लियस प्रकीर्णन (scattering) में अनिश्चितता मात्रा निर्धारण (uncertainty quantification) और पैरामीटर अनुकूलन के लिए कुशल विधियों की बढ़ती आवश्यकता है। ये कार्य अवलोकन (observables) के संभावित मापदंडों (potential parameters) के सापेक्ष ग्रेडिएंट्स की गणना करने के लिए डिफरेंशिएबल सॉल्वर पर निर्भर करते हैं। पारंपरिक संख्यात्मक दृष्टिकोण, जैसे कि रेडियल श्रोडिंगर समीकरण को हल करने के लिए नोवेरोव एल्गोरिदम (Numerov algorithm), अत्यधिक सटीक हैं लेकिन मौलिक रूप से असतत (discrete) और गैर-डिफरेंशिएबल हैं। हालांकि संख्यात्मक अवकलन (फाइनाइट डिफरेंस) लागू किया जा सकता है, यह पैरामीटर्स की संख्या के साथ रैखिक रूप से बढ़ता है और उन क्षेत्रों में सटीकता की कमी का सामना करता है जहाँ अवलोकन तेजी से बदलते हैं। इसके अलावा, मौजूदा रिड्यूस्ड-ऑर्डर एमुलेटर्स (जैसे कि आइजनवेक्टर कंटीन्यूएशन) को अक्सर समस्या-विशिष्ट आधारों (bases) की आवश्यकता होती है जिन्हें नए सिस्टम के लिए फिर से बनाना पड़ता है, जो उनकी वैश्विक प्रयोज्यता को सीमित करता है। चुनौती एक ऐसे सॉल्वर को विकसित करने की है जो न केवल तेज़ हो बल्कि स्वाभाविक रूप से डिफरेंशिएबल भी हो, जो ऊर्जा, लक्ष्य नाभिक और पार्शियल वेव (partial waves) के विस्तृत पैरामीटर स्पेस में बिना पुन: प्रशिक्षण के सामान्यीकरण (generalize) करने में सक्षम हो।

कार्यप्रणाली
लेखक एक द्विदिश लिक्विड न्यूरल नेटवर्क (BiLNN) आर्किटेक्चर पर आधारित एक न्यूरल नेटवर्क एमुलेटर प्रस्तुत करते हैं, जिसे सीधे स्कैटरिंग वेव फंक्शनों को ऑप्टिकल पोटेंशियल मापदंडों से मैप करने के लिए डिज़ाइन किया गया है। यह कार्य दो प्राथमिक नवाचारों पर निर्भर करता है जो पूर्ण पैरामीटर स्पेस (1–200 MeV, $^{12}$ C से $^{208}$ Pb, $l=0$ से $30$) में सामान्यीकरण को सक्षम करते हैं:

फेज-स्पेस कोऑर्डिनेट ट्रांसफॉर्मेशन: ऊर्जा रेंज में बदलते डी ब्रोग्ली तरंग दैर्ध्य (de Broglie wavelengths) की चुनौती को हल करने के लिए, नेटवर्क एक आयामहीन फेज-स्पेस कोऑर्डिनेट $\rho = kr$ का उपयोग करता है। यह ट्रांसफॉर्मेशन रेडियल वेवलेंथ को एक सार्वभौमिक अवधि $2\pi$ तक सामान्य (normalize) कर देता है, जिससे एक एकल नेटवर्क ऊर्जा-विशिष्ट पैटर्न के बजाय एक सार्वभौमिक दोलन पैटर्न को सीख सकता है।
द्विदिश लिक्विड आर्किटेक्चर (Bidirectional Liquid Architecture): नेटवर्क क्लोज्ड-फॉर्म कंटीन्यूअस-टाइम (CfC) लेयर्स का उपयोग करता है, जिन्हें मूल रूप से टेम्पोरल डायनेमिक्स के लिए विकसित किया गया था, और यहाँ उन्हें रेडियल कोऑर्डिनेट के साथ स्थानिक प्रसारकों (spatial propagators) के रूप में पुनर्व्याख्यायित किया गया है। एक द्विदिश संरचना रेडियल अनुक्रम को दोनों दिशाओं (आगे की ओर $r=0$ से और पीछे की ओर $r_{max}$ से) में प्रोसेस करती है। यह डिज़ाइन स्वाभाविक रूप से स्कैटरिंग समस्या की दो सीमा स्थितियों (boundary conditions) को शामिल करता है: मूल बिंदु (origin) पर वेव फंक्शन का शून्य होना और बड़े अंतराल पर एसिम्प्टोटिक कूलम्ब व्यवहार (asymptotic Coulomb behavior)।

नेटवर्क को लगभग 148,800 उदाहरणों के डेटासेट पर प्रशिक्षित किया गया है, जिन्हें नोवेरोव विधि का उपयोग करके ग्लोबल कोनिंग-डेलरोच (KD02) ऑप्टिकल पोटेंशियल के साथ रेडियल श्रोडिंगर समीकरण को हल करके बनाया गया है। इनपुट फीचर्स में नॉर्मलाइज्ड फेज-स्पेस कोऑर्डिनेट्स, पोटेंशियल कंपोनेंट्स ( $V/E, W/E$ ), सोमरफेल्ड पैरामीटर, WKB फेज और एब्जॉर्प्शन इंटीग्रल्स, पार्शियल वेव क्वांटम नंबर्स और टार्गेट मास स्केलिंग शामिल हैं। मॉडल रेडियल वेव फंक्शन $u_l(r)$ के वास्तविक और काल्पनिक भागों की भविष्यवाणी करता है, जिससे मानक एसिम्प्टोटिक मैचिंग के माध्यम से S-मैट्रिक्स एलिमेंट्स और क्रॉस सेक्शन्स प्राप्त किए जाते हैं।

प्रमुख योगदान

डिफरेंशिएबल सरोगेट: यह कार्य ऑप्टिकल पोटेंशियल से वेव फंक्शन तक एक डिफरेंशिएबल मैपिंग स्थापित करता है, जो संख्यात्मक अवकलन की लागत के बिना ग्रेडिएंट-आधारित अनुकूलन और अनिश्चितता मात्रा निर्धारण को सक्षम बनाता है।
वैश्विक सामान्यीकरण: पिछले एमुलेटर्स के विपरीत, जिन्हें सिस्टम-विशिष्ट आधारों की आवश्यकता होती है, यह एकल नेटवर्क बारह प्रशिक्षण नाभिकों, प्रोटॉन और न्यूट्रॉन प्रोजेक्टाइल्स और एक विस्तृत ऊर्जा रेंज में सामान्यीकरण करता है। महत्वपूर्ण रूप से, यह अनदेखे नाभिकों ( $^{24}$ Mg, $^{63}$ Cu, $^{184}$ W) में समान सटीकता के साथ सफलतापूर्वक सामान्यीकरण करता है, जो दर्शाता है कि इसने KD02 पैरामीट्राइजेशन में एनकोड किए गए स्मूथ फंक्शनल डिपेंडेंस को सीखा है, न कि केवल विशिष्ट लक्ष्यों को याद किया है।
आर्किटेक्चरल डिज़ाइन: पेपर यह प्रदर्शित करता है कि द्विदिश आर्किटेक्चर सटीकता के लिए महत्वपूर्ण घटक है, जो यूनिडायरेक्शनल वेरिएंट की तुलना में 33% सापेक्ष त्रुटि कमी प्रदान करता है। यह यह भी दिखाता है कि स्पष्ट WKB इनपुट फीचर्स केवल मामूली सुधार प्रदान करते हैं, जिससे पता चलता है कि रिकरेंट लेयर्स पोटेंशियल फीचर्स से फेज संचय (phase accumulation) को अंतर्निहित रूप से सीख लेती हैं।

परिणाम

वेव फंक्शन सटीकता: प्रशिक्षित BiLNN प्रशिक्षण डोमेन में नोवेरोव वेव फंक्शन को पुनरुत्पादित करने में 0.6% की समग्र सापेक्ष त्रुटि प्राप्त करता है। त्रुटि ऊर्जा-निर्भर है, जो कम ऊर्जा (10–20 MeV) पर $\sim 2.5\%$ से लेकर उच्च ऊर्जा ( $>50$ MeV) पर $<0.5\%$ तक होती है।
अवलोकन (Observables): अनुमानित वेव फंक्शन सटीक S-मैट्रिक्स एलिमेंट्स और इलास्टिक स्कैटरिंग क्रॉस सेक्शन्स प्रदान करते हैं। मॉडल चार ऑर्डर्स ऑफ मैग्नीट्यूड तक विवर्तन पैटर्न (diffraction patterns) को पुनरुत्पादित करता है।
- S-मैट्रिक्स: S-मैट्रिक्स मॉड्यूलस और फेज में त्रुटि लगभग 0.6% है।
- क्रॉस सेक्शन्स: फॉरवर्ड एंगल्स के लिए, त्रुटियां मामूली (1–10%) हैं। बैकवर्ड एंगल्स पर, जहाँ कूलम्ब और न्यूक्लियर एम्पलीट्यूड्स के बीच विनाशकारी हस्तक्षेप (destructive interference) के कारण कुल एम्पलीट्यूड छोटा होता है, वहाँ त्रुटियां $\sim 50\%$ तक पहुँच सकती हैं। लेखक इस त्रुटि को छोटे फेज एरर्स के प्रति बैकवर्ड-एंगल स्कैटरिंग की मौलिक संख्यात्मक संवेदनशीलता को जिम्मेदार मानते हैं, न कि नेटवर्क की किसी विशिष्ट विफलता को। इंटीग्रल मात्राएं जैसे रिएक्शन क्रॉस सेक्शन्स 1% से भी कम सटीकता के साथ सटीक रहती हैं।
सामान्यीकरण: अनदेखे नाभिकों ( $^{24}$ Mg, $^{63}$ Cu, $^{184}$ W) के लिए, वेव फंक्शन त्रुटियां क्रमशः 0.51%, 0.55%, और 0.86% हैं, जो इन-सैंपल टेस्ट एरर के तुल्य हैं।

महत्ता और दावे
यह पेपर इस कार्य को परमाणु भौतिकी में एक प्रूफ-ऑफ-कॉन्सेप्ट के रूप में स्थापित करता है। लेखक स्पष्ट रूप से कहते हैं कि प्राथमिक लाभ कंप्यूटेशनल गति (हालांकि नेटवर्क तेज़ है) नहीं बल्कि डिफरेंशिएबिलिटी है, जो फॉरवर्ड मॉडलिंग और इनवर्स इन्फरेंस के बीच के अंतर को पाटता है।

इसका महत्व निम्नलिखित को सक्षम करने में निहित है:

ऑप्टिकल मॉडल पैरामीटर्स का ग्रेडिएंट-आधारित अनुकूलन।
ग्रेडिएंट-इंफॉर्म्ड सैंपलिंग के माध्यम से व्यवस्थित अनिश्चितता मात्रा निर्धारण।

लेखक वर्तमान दायरे के संबंध में विनम्र हैं:

सटीकता (0.6%) पैरामीटर स्वीप और बेयसियन अनिश्चितता मात्रा निर्धारण के लिए पर्याप्त है, लेकिन पारंपरिक नोवेरोव सॉल्वरों की तुलना में कम है और उन अनुप्रयोगों के लिए अनुपयुक्त है जिनमें सब-0.1% परिशुद्धता की आवश्यकता होती है।
वर्तमान कार्यान्वयन केवल सेंट्रल पोटेंशियल तक सीमित है; स्पिन-ऑर्बिट कपलिंग को छोड़ दिया गया है लेकिन इसे एक सरल विस्तार के रूप में वर्णित किया गया है।
मॉडल KD02 इनपुट्स के साथ नोवेरोव सॉल्वर का एक एमुलेटर है; इसे सीधे प्रयोगात्मक डेटा के फिट या ऑप्टिकल मॉडल की भौतिक पर्याप्तता के परीक्षण के रूप में दावा नहीं किया गया है।
यह कार्य डाउनस्ट्रीम अनुप्रयोगों (अनुकूलन, अनिश्चितता मात्रा निर्धारण) को प्रदर्शित नहीं करता है बल्कि आवश्यक डिफरेंशिएबल आर्किटेक्चर को स्थापित करता है।

भविष्य के कार्य को इस डिफरेंशिएबल सरोगेट का उपयोग ऑप्टिकल मॉडल मापदंडों के ग्रेडिएंट-आधारित अनुकूलन और अनिश्चितता मात्रा निर्धारण के लिए करने के रूप में पहचाना गया है।

इसी तरह के और पेपर