⚛️ phenomenology

Reconstruction of Gravitational Form Factors using Generative Machine Learning

यह शोध पत्र विरल और शोर वाले डेटा से प्रोटॉन ग्रेविटेशनल फॉर्म फैक्टर्स के मॉडल-स्वतंत्र, नॉन-पैरामीट्रिक पुनर्निर्माण को करने के लिए डीनॉइजिंग डिफ्यूजन पर आधारित एक जनरेटिव फ्रेमवर्क प्रस्तुत करता है, जो पूर्ण किनेमैटिक रेंज में चिरल लो-एनर्जी कांस्टेंट्स और न्यूक्लियॉन डी-टर्म के सुदृढ़ निष्कर्षण को सक्षम बनाता है।

मूल लेखक: Herzallah Alharazin, Julia Yu. Panteleeva

प्रकाशित 2026-03-06

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Herzallah Alharazin, Julia Yu. Panteleeva

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 पर्वत श्रृंखला का एक आदर्श चित्र बनाने की कोशिश कर रहे हैं, लेकिन आपके पास केवल कुछ धुंधली, हिलती-डुलती तस्वीरें हैं जो दूर से ली गई हैं, और उनमें से कुछ तस्वीरों पर स्टैटिक (शोर/धुंध) छाया हुआ है। आप जानते हैं कि पहाड़ों का सामान्य आकार कैसा होता है (उनके शिखर, घाटियाँ और ढलान होते हैं), लेकिन आप इस विशिष्ट पर्वत श्रृंखला के सटीक विवरणों को नहीं जानते।

यह ठीक वही समस्या है जिसका सामना भौतिक विज्ञानी प्रोटॉन (परमाणु के भीतर का कण जो पदार्थ को द्रव्यमान देता है) का अध्ययन करते समय करते हैं। वे प्रोटॉन के "गुरुत्वाकर्षण रूप कारक" (gravitational form factors) का मानचित्र बनाना चाहते हैं। इन्हें प्रोटॉन के भीतर द्रव्यमान, स्पिन और दबाव के वितरण को दिखाने वाला एक 3D मानचित्र मान लें।

समस्या क्या है? उनके पास जो डेटा है वह बहुत विरल (बहुत कम बिंदु) और शोर (त्रुटियों से भरा) है। पारंपरिक रूप से, इन अंतरालों को भरने के लिए वैज्ञानिकों को बिंदुओं को जोड़ने के लिए एक विशिष्ट गणितीय आकार (जैसे एक वक्र या तरंग) का अनुमान लगाना पड़ता था। लेकिन यदि उन्होंने गलत आकार का अनुमान लगाया, तो पूरा मानचित्र गलत हो सकता है।

यह शोध पत्र जेनरेटिव एआई (Generative AI) का उपयोग करके इस पहेली को हल करने का एक नया, स्मार्ट तरीका पेश करता है, विशेष रूप से एक प्रकार जिसे डिनोइजिंग डिफ्यूजन मॉडल (Denoising Diffusion Model) कहा जाता है।

यह कैसे काम करता है, यहाँ सरल उपमाओं में दिया गया है:

1. "आर्ट स्कूल" प्रशिक्षण (द प्रायर - The Prior)

AI की मदद करने से पहले, इसे सीखना होगा कि एक "असली" प्रोटॉन कैसा दिखता है। शोधकर्ताओं ने केवल उसे यादृच्छिक रेखाएं नहीं दिखाईं। उन्होंने AI के लिए एक विशाल "आर्ट स्कूल" बनाया।

उन्होंने प्रोटॉन के काम करने के दस अलग-अलग, प्रतिष्ठित सिद्धांतों (जैसे काइरलل परटर्बेशन थ्योरी, लैटिस QCD, और अन्य) के आधार पर 6,00,000 सिंथेटिक वक्र (synthetic curves) उत्पन्न किए।
उपमा: कल्पना कीजिए कि आप एक कलाकार को किसी विशिष्ट पर्वत को दिखाने के बजाय, उसे दुनिया के हर प्रकार के पर्वत—ज्वालामुखी, बर्फ से ढकी चोटियाँ, लहरदार पहाड़ियाँ और नुकीली चट्टानें—के हजारों फोटो दिखाकर यह सिखा रहे हैं कि पहाड़ कैसे बनाए जाते हैं। AI किसी विशिष्ट पर्वत को बनाने के लिए कहे बिना, पहाड़ों के आकारों के "नियमों" को सीख जाता है।

2. "डिनोइजिंग" प्रक्रिया (जादू)

AI डिनोइजिंग डिफ्यूजन (Denoising Diffusion) नामक तकनीक का उपयोग करता है।

उपमा: कल्पना कीजिए कि आपके पास एक पहाड़ की स्पष्ट फोटो है, लेकिन कोई धीरे-धीरे उसमें कोहरा और स्टैटिक जोड़ता जाता है जब तक कि वह केवल सफेद शोर (white noise) न बन जाए। AI इस प्रक्रिया को उलटने के लिए प्रशिक्षित किया जाता है। यह एक धुंधले, शोर भरे ढेर को देखना और चरण-दर-चरण इस धुंध को हटाकर नीचे की स्पष्ट छवि को प्रकट करना सीखता है।
ट्विस्ट: इस शोध पत्र में, AI केवल शोर से शुरू नहीं होता है। यह शोर और कुछ विशिष्ट डेटा बिंदुओं (वे धुंधली तस्वीरें जो भौतिकविदों के पास वास्तव में हैं) के साथ शुरू होता है। इसे एक ऐसा पर्वत बनाने के लिए मजबूर किया जाता है जो उन कुछ ज्ञात बिंदुओं में फिट बैठता है और साथ ही अपने प्रशिक्षण के आधार पर एक "असली" पर्वत जैसा दिखता है।

3. परिणाम: बिना अनुमान लगाए एक मानचित्र

जब उन्होंने इसे प्रोटॉन के गुरुत्वाकर्षण डेटा पर लागू किया:

जादू: AI ने प्रोटॉन के आंतरिक बलों के पूरे मानचित्र का सफलतापूर्वक पुनर्निर्माण किया, भले ही उन्होंने इसे काम करने के लिए केवल एक या दो डेटा बिंदु दिए हों।
यह विशेष क्यों है: क्योंकि AI ने अपने प्रशिक्षण से प्रोटॉन के "भौतिकी" को सीख लिया था, इसलिए इसे किसी गणितीय सूत्र का अनुमान लगाने की आवश्यकता नहीं थी। यह "जानता" था कि वक्र को एक निश्चित तरीके से व्यवहार करना चाहिए। इसने अंतरालों को एक सुचारू, भौतिक रूप से यथार्थवादी वक्र के साथ भरा जो स्पार्स (विरल) डेटा में पूरी तरह से फिट बैठता है।

4. बड़ी खोज: "डी-टर्म" (The D-Term)

इस शोध पत्र का सबसे रोमांचक हिस्सा वह है जो उन्होंने डी-टर्म (D-term) के बारे में पाया।

उपमा: प्रोटॉन को जेली की एक छोटी, घूमती हुई गेंद के रूप में सोचें। "डी-टर्म" इस बात का माप है कि कितनी आंतरिक दबाव जेली को अलग करने के लिए धक्का दे रही है बनाम उसे थामे रखने के लिए। यह एक मौलिक गुण है, जो प्रोटॉन के द्रव्यमान या आवेश जितना ही महत्वपूर्ण है।
समस्या: वैज्ञानिक इसे मापने के लिए संघर्ष कर रहे थे क्योंकि केंद्र के पास डेटा बहुत शोर भरा है।
समाधान: अपने नए AI पद्धति का उपयोग करते हुए, उन्होंने डी-टर्म की उच्च सटीकता के साथ गणना की। उन्होंने पाया कि इसका मान -4.3 है।
जांच: यह संख्या अन्य स्वतंत्र तरीकों (जैसे कि स्कैटरिंग डेटा का उपयोग करने वाला "डिस्पर्सिव" तरीका) के साथ पूरी तरह से मेल खाती है, जो यह सिद्ध करता है कि उनका AI दृष्टिकोण विश्वसनीय है।

5. यह क्यों मायने रखता है

दक्षता: अतीत में, एक अच्छा मानचित्र प्राप्त करने के लिए, आपको डेटा के एक पहाड़ की आवश्यकता होती थी। अब, इस AI के साथ, आप केवल कुछ डेटा बिंदुओं के साथ एक उच्च-गुणवत्ता वाला मानचित्र प्राप्त कर सकते हैं। यह कंप्यूटिंग शक्ति और समय की भारी बचत करता है।
विश्वसनीयता: यह "आकार का अनुमान लगाने" के पूर्वाग्रह को हटा देता है। AI डेटा और भौतिकी के नियमों को स्वयं बोलने देता है।
भविष्य: इस पद्धति का उपयोग अन्य कणों (जैसे डेल्टा बैरियन या रो-मेसॉन) और यहाँ तक कि परमाणु प्रणालियों के लिए भी किया जा सकता है। यह भौतिकविदों को एक नया, सुपर-शक्तिशाली सूक्ष्मदर्शी देने जैसा है जो बहुत कम प्रकाश के साथ पदार्थ की अदृश्य संरचना को देख सकता है।

संक्षेप में: लेखकों ने एक स्मार्ट AI बनाया जिसने प्रोटॉन के व्यवहार के "खेल के नियमों" को सीखा। इसे कुछ धुंधले सुराग दिए जाने पर, इसने उन नियमों का उपयोग करके प्रोटॉन के आंतरिक गुरुत्वाकर्षण के पूरे, स्पष्ट चित्र का पुनर्निर्माण किया, जिससे बिना उत्तर का अनुमान लगाए इसके आंतरिक दबाव के बारे में दशकों पुरानी पहेली सुलझ गई।

यहाँ हर्ज़ल्लाह अलहाज़िन और जूलिया यू पन्टेलीनेवा के शोध पत्र "Reconstruction of gravitational form factors using generative machine learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र विरल (sparse) और शोर युक्त (noisy) डेटा से हैड्रोनिक ग्रेविटेशनल फॉर्म फैक्टर्स (GFFs)—विशेष रूप से प्रोटॉन के लिए $A(t)$ , $J(t)$ , और $D(t)$ —के पुनर्निर्माण की चुनौती को संबोधित करता है।

संदर्भ: GFFs हैड्रोन के भीतर ऊर्जा, संवेग, स्पिन, दबाव और शियर बलों (shear forces) के स्थानिक वितरण का वर्णन करते हैं। वे न्यूक्लियॉन संरचना को समझने के लिए अत्यंत महत्वपूर्ण हैं, लेकिन उन्हें सीधे मापना कठिन है।
वर्तमान विधियों की सीमाएँ:
- लैटिस QCD (Lattice QCD): हालांकि यह शक्तिशाली है, वर्तमान गणनाएँ व्यवस्थित अनिश्चितताओं (एकल गेज एन्सेम्बल, अनफिजिकल पायोन द्रव्यमान) और विशेष रूप से $t=0$ के पास स्वाभाविक रूप से शोर वाले संकेतों से ग्रस्त हैं। $t=0$ तक एक्सट्रपलेशन करना (जिसे D-term कहा जाता है) अत्यधिक मॉडल-निर्भर है।
- चिरल परटर्बेशन थ्योरी (ChPT): यह निम्न ऊर्जा पर मान्य है लेकिन अज्ञात लो-एनर्जी कांस्टेंट्स (LECs) ( $c_8, c_9$ ) पर निर्भर करता है जिन्हें डेटा से निर्धारित किया जाना चाहिए।
- पैरामीट्रिक फिट्स (Parametric Fits): पारंपरिक दृष्टिकोण $t$ -डिपेंडेंस के लिए विशिष्ट कार्यात्मक रूपों (जैसे डायपोल, $z$ -एक्सपेंशन) को थोपते हैं, जिससे मॉडल बायस (model bias) उत्पन्न होता है और संभावित रूप से गैर-अनलिटिक व्यवहार छूट सकते हैं।
लक्ष्य: एक ऐसा मॉडल-स्वतंत्र (model-independent) ढांचा विकसित करना जो किसी विशिष्ट फंक्शनल एंसेटस (ansatz) का अनुमान लगाए बिना, बहुत कम डेटा बिंदुओं का उपयोग करके GFFs की पूर्ण किनेमैटिक रेंज को मजबूती से पुनर्गठित कर सके।

2. कार्यप्रणाली (Methodology)

लेखक एक फिजिक्स-गाइडेड डिनोइजिंग डिफ्यूजन प्रोबेबिलिस्टिक मॉडल (DDPM) ढांचे का प्रस्ताव करते हैं।

A. जेनेरेटिव प्रायर कंस्ट्रक्शन (Generative Prior Construction)

कच्चे प्रायोगिक डेटा से सीखने के बजाय, मॉडल को भौतिक रूप से प्रशंसनीय GFF आकृतियों के एक बड़े सिंथेटिक कर्व एन्सेम्बल ( $6 \times 10^5$ नमूने) पर प्रशिक्षित किया गया है।

डेटा स्रोत: विविधता सुनिश्चित करने के लिए दस विशिष्ट कार्यात्मक वर्गों (functional classes) का उपयोग किया गया था:
1. मल्टीपोल (Multipole): मानक लैटिस पैरामीट्राइजेशन।
2. $z$ -एक्सपेंशन ( $z$ -expansion): सामान्य एनालिटिक पैरामीट्राइजेशन।
3. मेसॉन डोमिनेंस (Meson Dominance): $t$ -चैनल मेसॉन एक्सचेंज।
4. मॉडिफाइड एक्सपोनेंशियल (Modified Exponential): कॉन्स्टिट्यूएंट क्वार्क/AdS/QCD आकृतियाँ।
5. पाडे एप्रोक्सिमेंट्स (Padé Approximants): रैशनल फंक्शन्स।
6. डिस्पर्सिव (Dispersive): एनालिटिसिटी और स्पेक्ट्रल फंक्शन्स पर आधारित।
7. लॉग-मॉडिफाइड मल्टीपोल (Log-modified Multipole): QCD रनिंग कपलिंग सुधारों को शामिल करते हुए।
8. बैग मॉडल (Bag Model): MIT बैग मॉडल से बेसेल-टाइप के रूप।
9. कॉन्वेक्स कॉम्बिनेशन (Convex Combinations - Pairwise): उपरोक्त वर्गों का मिश्रण।
10. डायरिचलेट मिक्सचर्स (Dirichlet Mixtures): कई वर्गों के रैंडमाइज्ड मिश्रण।
प्रशिक्षण: मॉडल इन आकृतियों के मैनिफोल्ड को सीखता है, यह सुनिश्चित करते हुए कि प्रायर किसी एक पैरामीट्राइजेशन को विशेषाधिकार दिए बिना एनालिटिक फंक्शन्स के पूर्ण स्थान को कवर करता है।

B. डिफ्यूजन आर्किटेक्चर (The Diffusion Architecture)

मॉडल: एक 1D ResNet-Attention हाइब्रिड नेटवर्क जो $v$ -प्रेडिक्शन (शोर या क्लीन डेटा के बजाय वेलोसिटी वेक्टर का अनुमान लगाना) का उपयोग करता है ताकि शोर के स्तरों में समान वेरिएंस सुनिश्चित हो सके।
कंडीशनिंग मैकेनिज्म: पुनर्निर्माण एक कंडीशनल जनरेशन समस्या है (इमेज इनपेंटिंग के समान)।
- कॉन्कैटिनेशन (Concatenation): ज्ञात डेटा बिंदुओं को ग्रिड पर मैप किया जाता है और मास्क के साथ नॉइजी एस्टीमेट के साथ जोड़ा जाता है।
- रिप्लेसमेंट (Replacement): प्रत्येक रिवर्स डिफ्यूजन स्टेप में, स्थानीय निरंतरता (local consistency) लागू करने के लिए ज्ञात ग्रिड पॉइंट्स को कंडीशनिंग वैल्यूज के नॉइजी वर्जन से बदल दिया जाता है।
- अनिश्चितता प्रसार (Uncertainty Propagation): कंडीशनिंग पॉइंट्स में प्रायोगिक त्रुटियों को प्रत्येक जनरेटेड सैंपल के लिए कंडीशनिंग वेक्टर में शोर ( $\xi_n$ ) के रूप में इंजेक्ट किया जाता है, जिससे यह सुनिश्चित होता है कि अंतिम आउटपुट मॉडल अनिश्चितता और डेटा एरर दोनों को दर्शाता है।

C. भौतिक बाधाएं (Physics Constraints)

ढांचा भौतिक बाधाओं को सीधे शामिल करता है:

पोइनकेरे अल्जेब्रा (Poincaré Algebra): सटीक बाधाएं $A(0)=1$ और $J(0)=1/2$ को लागू किया जाता है।
साइन कंस्ट्रेंट्स (Sign Constraints): $D(t)$ फॉर्म फैक्टर के लिए, मैकेनिकल स्टेबिलिटी ( $D(0) < 0$ ) की भौतिक आवश्यकता को जनरेटेड एन्सेम्बल को फिल्टर करके लागू किया जाता है।

3. मुख्य योगदान (Key Contributions)

मॉडल-स्वतंत्र पुनर्निर्माण: हैड्रोनिक फॉर्म फैक्टर्स के लिए डिफ्यूजन मॉडल्स का पहला अनुप्रयोग, जो गैर-पैरामीट्रिक पुनर्निर्माण प्राप्त करता है जो पूर्व-निर्धारित कार्यात्मक रूपों (जैसे डायपोल या $z$ -एक्सपेंशन) पर निर्भर नहीं है।
डेटा की कमी के प्रति मजबूती: यह प्रदर्शित किया गया कि यदि भौतिक प्रायर पर्याप्त मजबूत है, तो ढांचा केवल एक या दो डेटा बिंदुओं पर भी स्थिर और सटीक पुनर्निर्माण प्रदान करता है।
लो-एनर्जी कांस्टेंट्स का निष्कर्षण: कम- $|t|$ क्षेत्र में ChPT एक्सप्रेशंस के साथ डिफ्यूजन मॉडल के आउटपुट को मैच करके अज्ञात ChPT स्थिरांकों $c_8$ और $c_9$ का सीधा निष्कर्षण संभव हुआ।
न्यूक्लियॉन D-term की भविष्यवाणी: भौतिक पायोन मास पर न्यूक्लियन D-term, $D(0)$ का एक मजबूत, मॉडल-स्वतंत्र अनुमान प्रदान किया।

4. मुख्य परिणाम (Key Results)

A. $A(t)$ और $J(t)$ का पुनर्निर्माण (अनफिजिकल पायोन मास)

Ref. [17] से लैटिस QCD डेटा का उपयोग करते हुए, मॉडल ने $0 \le -t \le 2 \text{ GeV}^2$ के लिए $A(t)$ और $J(t)$ का पुनर्निर्माण किया।
डेटा एब्लेशन स्टडी: केवल एक इंटरमीडिएट लैटिस पॉइंट और $t=0$ कंस्ट्रेंट के साथ भी, मीडियन पुनर्निर्माण मानक पैरामीट्रिक फिट्स और पूर्ण लैटिस डेटासेट के सुसंगत रहा। जहाँ डेटा हटाया गया था, केवल उन्हीं क्षेत्रों में विश्वसनीय अंतराल (credible interval) चौड़ा हुआ, जो डेटा-संचालित एक्सट्रपलेशन अनिश्चितता प्रदान करता है।

B. $D(t)$ का पुनर्निर्माण (अनफिजिकल पायोन मास)

$t=0$ पर सम-नियम (sum-rule) बाधा की कमी और बड़े लैटिस एरर के कारण $D(t)$ सबसे चुनौतीपूर्ण है।
$D(0) < 0$ (मैकेनिकल स्टेबिलिटी) को लागू करना पूरी वक्र (curve) को नियंत्रित करने के लिए पर्याप्त था।
मॉडल ने केवल दो लैटिस पॉइंट्स का उपयोग करके $D(t)$ में क्वार्क और ग्लूऑन योगदान को सफलतापूर्वक पुनर्निर्मित किया, जो बिना उस रूप को माने ट्रिपोल पैरामीट्राइजेशन से मेल खाता है।

C. लो-एनर्जी कांस्टेंट्स (LECs) का निष्कर्षण

अनफिजिकल पायोन मास पर ChPT एक्सप्रेशंस के साथ डिफ्यूजन मॉडल के पोस्टीरियर को मैच करके:

$c_9 = -0.61 \pm 0.19 \text{ GeV}^{-1}$ ( $A(t)$ और $J(t)$ से निकाला गया)।
$c_8 = -4.6 \pm 0.8 \text{ GeV}^{-1}$ ( $D(t)$ से निकाला गया)।
ये मान डिस्कर्सिव निर्धारणों (Cao et al.) के साथ उत्कृष्ट सहमति में हैं, बावजूद इसके कि उनकी पद्धतियां (लैटिस बनाम स्कैटरिंग डेटा) भिन्न हैं।

D. फिजिकल पायोन मास भविष्यवाणी

निकाले गए LECs ( $c_8, c_9$ ) और ChPT एक्सप्रेशंस का उपयोग करके, लेखकों ने भौतिक पायोन मास ( $m_\pi \approx 139$ MeV) पर GFFs का मूल्यांकन किया।

न्यूक्लियॉन D-term: $D(0) = -4.3 \pm 0.8$ ।
यह परिणाम मौजूदा लैटिस, डिस्कर्सिव और ChPT सीमाओं के अनुरूप है।
यह ढांचा ChPT फॉरवर्ड-लिमिट कंस्ट्रेंट के साथ संयोजित होने पर, डीपली वर्चुअल कॉम्पटन स्कैटरिंग (DVCS) से प्राप्त विरल प्रायोगिक डेटा का उपयोग करके $D(t)$ को भी सफलतापूर्वक पुनर्निर्मित करता है।

5. महत्व और भविष्य की संभावनाएं (Significance and Outlook)

पैराडाइम शिफ्ट: यह कार्य प्रदर्शित करता है कि कैसे जनरेटिव AI, विशेष रूप से डिफ्यूजन मॉडल्स, हाई-एनर्जी फिजिक्स में इनवर्स प्रॉब्लम्स के लिए एक शक्तिशाली उपकरण के रूप में कार्य कर सकता है, जो पारंपरिक पैरामीट्रिक फिटिंग के स्थान पर एक लचीला, डेटा-संचालित प्रायर प्रदान करता है।
दक्षता: यह सिद्ध करता है कि यदि भौतिक प्रायर पर्याप्त समृद्ध है, तो बहुत विरल डेटासेट से भी उच्च-परिशुद्धता वाले भौतिक निष्कर्ष (जैसे D-term) निकाले जा सकते हैं।
भविष्य के अनुप्रयोग: यह ढांचा अन्य हैड्रोन (जैसे $\Delta$ -रेजोनेंस, $\rho$ -मेसॉन), परमाणु प्रणालियों और जनरलाइज्ड पार्टन डिस्ट्रीब्यूशन (GPDs) के लिए विस्तार योग्य है। यह पॉलीनोमिअलिटी और पॉजिटिविटी जैसे मौलिक बाधाओं को संतुष्ट करते हुए कम्पटन फॉर्म फैक्टर्स का उपयोग करके GPDs को बाधित करने का मार्ग प्रशस्त करता है।
वैधीकरण: डिफ्यूजन-एक्सट्रैक्टेड LECs और स्वतंत्र डिस्कर्सिव तरीकों के बीच सहमति, मशीन लर्निंग दृष्टिकोण और अंतर्निहित सैद्धांतिक ढांचों दोनों के गैर-तुच्छ क्रॉस-वैलिडेशन को प्रदान करती है।

संक्षेप में, यह शोध पत्र हैड्रोनिक संरचना कार्यों के पुनर्निर्माण के लिए एक नया मानक स्थापित करता है, जो विरल और शोर युक्त प्रयोगात्मक/लैटिस डेटा की सीमाओं को पार करने के लिए आधुनिक जनरेटिव डीप लर्निंग की लचीलापन के साथ सैद्धांतिक बाधाओं की कठोरता को जोड़ता है।