Machine learning techniques for jet reconstruction at LHCb and application to the search for and in TeV $pp$ collisions
यह शोध पत्र LHCb में जेट-ऊर्जा अंशांकन (jet-energy calibration) और फ्लेवर टैगिंग के लिए मशीन लर्निंग तकनीकों को प्रस्तुत करता है, जिन्हें 1.6 fb के TeV $ppH \to b\bar{b}H \to c\bar{c}$ क्षय (decays) के समावेशी उत्पादन पर 95% विश्वास स्तर (confidence level) की ऊपरी सीमा निर्धारित करने के लिए लागू किया गया है।
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
यूरोपीय परमाणु अनुसंधान संगठन, जिसे सर्न (CERN) के रूप में जाना जाता है, के केंद्र में वैज्ञानिक ब्रह्मांड के मूलभूत निर्माण खंडों को समझने के एक विशाल कार्य में लगे हुए हैं। वे प्रोटॉन को लगभग प्रकाश की गति से आपस में टकराते हैं, जिससे नए कणों की एक बौछार उत्पन्न होती है जो सभी दिशाओं में उड़ते हैं। इन कणों में सबसे महत्वपूर्ण हिग्स बोसोन (Higgs boson) में से एक है, एक ऐसा कण जिसकी खोज एक दशक पहले हुई थी और जो अन्य कणों को द्रव्यमान प्रदान करता है। हालांकि हिग्स बोसोन को कई अलग-अलग प्रकार के कणों में क्षय (decay) होते हुए देखा गया है, लेकिन सबसे कठिन चुनौतियों में से एक इसे भारी क्वार्क्स (heavy quarks), विशेष रूप से बॉटम क्वार्क्स (bottom quarks) और चार्म क्वार्क्स (charm quarks) के जोड़ों में क्षय होते हुए देखना है। यह भविष्यवाणी की जाती है कि ये क्षय बार-बार होंगे, लेकिन ये अन्य सामान्य कण टकरावों के शोर के पहाड़ के नीचे दबे होते हैं। उन्हें देखने के लिए, भौतिकविदों को अरबों टकरावों को छाँटने, कणों के उन विशिष्ट स्प्रे जिन्हें जेट (jets) कहा जाता है, की पहचान करने और उनकी ऊर्जा को अत्यधिक सटीकता के साथ मापने में सक्षम होना चाहिए। इसके लिए न केवल शक्तिशाली डिटेक्टरों की आवश्यकता है, बल्कि डेटा के बारे में सोचने के परिष्कृत तरीकों की भी आवश्यकता है, जिसमें अक्सर आर्टिफिशियल इंटेलिजेंस के क्षेत्र से लिए गए उपकरणों का उपयोग किया जाता है।
LHCb प्रयोग के शोधकर्ताओं की एक टीम ने, जो इन भारी क्वार्क्स का अध्ययन करने के लिए डिज़ाइन किया गया है, इस छंटाई प्रक्रिया को बहुत अधिक सटीक बनाने के लिए दो नए तरीके विकसित किए हैं। पहला तरीका कण जेट के ऊर्जा मापन को ठीक करने का एक तरीका है। जब एक भारी क्वार्क क्षय होता है, तो वह कभी-कभी एक न्यूट्रिनो (neutrino) उत्पन्न करता है, जो एक अदृश्य कण है जो पता लगाने से बच निकलता है और अपने साथ कुछ ऊर्जा ले जाता है। यह जेट की मापी गई ऊर्जा को उसके वास्तविक मान से कम कर देता है, जिससे मूल टकराव की तस्वीर धुंधली हो जाती है। टीम ने एक नया कंप्यूटर प्रोग्राम बनाया है जो यह सीखता है कि जेट के आकार और संरचना के आधार पर कितनी ऊर्जा गायब है, इसका सटीक अनुमान कैसे लगाया जाए, जो प्रभावी रूप से उनके मापन के फोकस को तेज करता है। दूसरा तरीका एक डीप लर्निंग एल्गोरिदम है, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है, जो कण फ्लेवर्स (flavors) के लिए एक अत्यधिक कुशल जासूस के रूप में कार्य करता है। केवल एक भारी क्वार्क के विशिष्ट संकेत को खोजने के बजाय, यह एल्गोरिदम पूरे जेट की संरचना की जांच करता है, इसके भीतर सैकड़ों व्यक्तिगत कणों के पथों को देखता है। यह बॉटम क्वार्क्स से बने जेट, चार्म क्वार्क्स से बने जेट और हल्के, कम दिलचस्प कणों से बने जेट के बीच अंतर करने के लिए पिछले तरीकों की तुलना में बहुत अधिक सटीकता के साथ सीखता है।
शोधकर्ताओं ने इन नए उपकरणों को 2016 में एकत्र किए गए प्रोटॉन टकरावों के एक डेटासेट पर लागू किया, जो डेटा की एक विशिष्ट मात्रा है जिसे 1.6 इन्वर्स फेमटोबार्न (inverse femtobarns) के रूप में जाना जाता है। उनका लक्ष्य यह पता लगाना था कि हिग्स बोसोन बॉटम क्वार्क्स या चार्म क्वार्क्स में क्षय हो रहा है या नहीं, बिना इस बारे में कोई धारणा बनाए कि हिगर्स बोसोन वास्तव में कैसे निर्मित हुआ था। यह समावेशी दृष्टिकोण महत्वपूर्ण है क्योंकि यह ब्रह्मांड के काम करने के तरीकों के बारे में सिद्धांतों की एक विस्तृत श्रृंखला का परीक्षण करने की अनुमति देता है। उन्होंने जेट को टैग करने के लिए अपने नए आर्टिफिशियल इंटेलिजेंस का उपयोग किया, जिससे वे दुर्लभ संकेतों को साधारण कण टकरावों के भारी बैकग्राउंड से अलग कर सके। इसके बाद उन्होंने डेटा में एक विशिष्ट उभार (bump) की तलाश की जो हिग्स बोसोन की उपस्थिति का संकेत दे सके, एक ऐसा उभार जो लगभग 125 बिलियन इलेक्ट्रॉनवोल्ट के द्रव्यमान पर दिखाई देगा।
अपने विश्लेषण को चलाने के बाद, टीम को इस विशिष्ट डेटासेट में हिग्स बोसोन के इन क्वार्क जोड़ों में क्षय होने का कोई महत्वपूर्ण प्रमाण नहीं मिला। इसका मतलब यह नहीं है कि ये क्षय नहीं होते हैं; इसका केवल यह अर्थ है कि उनके पास जो डेटा था, उसके साथ सिग्नल बैकग्राउंड शोर के ऊपर स्पष्ट रूप से दिखने के लिए बहुत धुंधला था। हालांकि, परिणाम अभी भी वैज्ञानिक रूप से मूल्यवान है क्योंकि यह एक सख्त सीमा निर्धारित करता है कि ये क्षय कितनी बार हो सकते हैं। शोधकर्ताओं ने गणना की कि यदि हिग्स बोसोन बॉटम क्वार्क्स में क्षय होता है, तो यह भौतिकी के मानक मॉडल (standard model) द्वारा अनुमानित दर के 6.6 गुना से अधिक नहीं है। चार्म क्वार्क्स के क्षय के लिए, सीमा बहुत अधिक है, जो अनुमानित दर का 1003 गुना है, जो इन विशिष्ट कणों को पहचानने की अधिक कठिनाई को दर्शाता है। ये संख्याएँ इन विशिष्ट प्रक्रियाओं के लिए LHCb प्रयोग द्वारा निर्धारित अब तक की सबसे सख्त सीमाएँ हैं।
इस कार्य की वास्तविक सफलता स्वयं नई तकनीकों के प्रदर्शन में निहित है। ऊर्जा सुधार पद्धति ने सटीकता के साथ टीम द्वारा कणों के जोड़े के द्रव्यमान को मापने की क्षमता में काफी सुधार किया, जिससे खोज अधिक संवेदनशील हो गई। नया आर्टिफिशियल इंटेलिजेंस एल्गोरिदम पिछले तरीकों की तुलना में चार्म क्वार्क्स की पहचान करने में बहुत बेहतर साबित हुआ, जिससे उन्हें खोजने की दक्षता में 20 प्रतिशत से अधिक का सुधार हुआ। ये सुधार प्रयोग के भविष्य के लिए अत्यंत महत्वपूर्ण हैं। शोधकर्ता अनुमान लगाते हैं कि लार्ज हैड्रॉन कोलाइडर के भविष्य के दौरों से अपेक्षित बड़े डेटासेट के साथ, ये परिष्कृत उपकरण उन्हें अंततः बॉटम क्वार्क्स में क्षय होते हिग्स बोसोन को देखने में सक्षम बनाएंगे। वे यह भी सुझाव देते हैं कि अगले दशक के अंत तक, वे हिग्स बोसोन और चार्म क्वार्क के बीच की परस्पर क्रिया की शक्ति को मापने में सक्षम हो सकते हैं, जो ब्रह्मांड का एक मौलिक गुण है जो अब तक मायावी बना हुआ है। यह कार्य प्रदर्शित करता है कि कैसे आधुनिक मशीन लर्निंग पदार्थ के गहरे रहस्यों को समझने की खोज में एक आवश्यक साथी बन रही है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।