🔬 physics

Measurement of angular correlations inside jets induced by gluon polarization in proton-proton collisions at $\sqrt{s}$ = 13.6 TeV

CMS डिटेक्टर द्वारा एकत्रित 13.6 TeV प्रोटॉन-प्रोटॉन टकराव डेटा का उपयोग करते हुए, यह अध्ययन ग्लूऑन ध्रुवीकरण (gluon polarization) द्वारा प्रेरित जेट्स के भीतर कोणीय सहसंबंधों (angular correlations) को मापता है और पाता है कि परिणाम उन सैद्धांतिक मॉडलों के पक्ष में हैं जो ग्लूऑन स्पिन प्रभावों को शामिल करते हैं, उन मॉडलों की तुलना में जो उन्हें अनदेखा करते हैं।

मूल लेखक: CMS Collaboration

प्रकाशित 2026-03-05

📖 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

एक बड़ी तस्वीर: एक "भूत" के "स्पिन" को पकड़ना

कल्पना कीजिए कि आप एक भीड़भाड़ वाले कमरे में खड़े हैं जहाँ लोग एक-दूसरे पर विशाल, अदृश्य बर्फ के गोले (snowballs) फेंक रहे हैं। जब दो बर्फ के गोले आपस में टकराते हैं, तो वे लाखों छोटे, चमकते हुए बर्फ के कणों (snowflakes) में टूट जाते हैं जो एक अराजक फुहार की तरह बाहर निकलते हैं। भौतिकी (physics) की दुनिया में, ये बर्फ के गोले प्रोटॉन (protons) हैं, और ये बर्फ के कण जेट्स (jets) हैं।

इन जेट्स के अंदर, ग्लूऑन (gluons) नामक छोटे संदेशवाहक होते हैं। ग्लूऑन वह "गोंद" (glue) हैं जो ब्रह्मांड के निर्माण खंडों को एक साथ थामे रखते हैं। लेकिन पेचीदा बात यह है: ग्लूऑन केवल स्थिर गोंद नहीं हैं; वे घूमते हुए लट्टू (spinning tops) की तरह हैं। उनके पास स्पिन (spin) (या ध्रुवीकरण/polarization) नामक एक गुण होता है।

दशकों से, भौतिकविदों को पता था कि ग्लूऑन में स्पिन होता है, लेकिन वे कभी यह नहीं देख पाए कि उस स्पिन का प्रभाव जेट के अंदर कणों की व्यवस्था पर कैसे पड़ता है। यह वैसा ही था जैसे यह जानना कि एक नर्तक घूम रहा है, लेकिन कभी यह न देख पाना कि घूमते समय उसके हाथों ने क्या विशिष्ट पैटर्न बनाया।

यह पेपर पहली बार है जब CMS कोलैबोरेशन (CERN में लार्ज हैड्रॉन कोलाइडर का उपयोग करने वाली वैज्ञानिकों की एक विशाल टीम) ने एक जेट के अंदर उस स्पिन पैटर्न की "स्लो-मोशन फोटो" लेने में सफलता प्राप्त की है।

प्रयोग: परम हाई-स्पीड कैमरा

सेटअप (The Setup):
वैज्ञानिकों ने प्रोटॉन को रिकॉर्ड तोड़ गति (13.6 TeV) पर आपस में टकराया। इसने भारी मात्रा में ऊर्जा पैदा की, जिसके परिणामस्वरूप हजारों जेट्स बने। उन्होंने 34.7 "इनवर्स फेम्टोबार्न" (एक फैंसी इकाई जिसका अर्थ है कि उन्होंने बहुत सारे टकराव देखे) के बराबर डेटा एकत्र किया।

चुनौती (The Challenge):
एक जेट के अंदर, कण इतनी तेजी से चलते हैं और एक-दूसरे के इतने करीब होते हैं कि यह एक धुंधले ढेर जैसा दिखता है। यह एक बवंडर के अंदर खड़े होकर उसके व्यक्तिगत धागों को देखने की कोशिश करने जैसा है। इसके अलावा, जिस "स्पिन" प्रभाव को वे खोज रहे हैं, वह बहुत सूक्ष्म है। यह एक रॉक कॉन्सर्ट में फुसफुसाहट सुनने की कोशिश करने जैसा है।

समाधान (The "De-clustering" Trick):
विवरण देखने के लिए, वैज्ञानिकों ने एक चतुर कंप्यूटर एल्गोरिदम (कैम्ब्रिज-आचेन एल्गोरिदम) का उपयोग किया। कल्पना कीजिए कि आपके पास ऊन का एक बड़ा, उलझा हुआ गोला (एक जेट) है। पूरे गोले को देखने के बजाय, उन्होंने डिजिटल कैंची का उपयोग करके ऊन को बाहर से अंदर की ओर, परत दर परत सावधानी से काटा।

जेट को "अनज़िप" करके, वे टकराव के इतिहास का पुनर्निर्माण कर सके:

पहले, एक बड़ा हिस्सा दो भागों में विभाजित हुआ।
फिर, उन हिस्सों में से एक फिर से विभाजित हुआ।

उन्होंने विशेष रूप से दूसरे विभाजन पर ध्यान केंद्रित किया, जहाँ एक ग्लूऑन के एक क्वार्क (quark) और एक एंटी-क्वार्क (anti-quark) (कणों की एक जोड़ी) में टूटने के क्षण को देखा। सिद्धांत कहता है कि इस विशिष्ट विभाजन में ग्लूऑन के स्पिन के कारण एक विशिष्ट "मरोड़" या पैटर्न दिखाई देना चाहिए।

जासूसी का काम: घास के ढेर में सुई खोजना

समस्या यह है कि अधिकांश समय, ग्लूऑन अन्य ग्लूऑन्स में टूट जाते हैं, या क्वार्क, क्वार्क और ग्लूऑन्स में टूट जाते हैं। ये अन्य विभाजन स्पिन पैटर्न को स्पष्ट रूप से नहीं दिखाते हैं। यह लाल, नीली और हरी कारों से भरी पार्किंग में एक विशिष्ट प्रकार की लाल कार को खोजने की कोशिश करने जैसा है।

इसे हल करने के लिए, वैज्ञानिकों ने एक आर्टिफिशियल इंटेलिजेंस (AI)—विशेष रूप से एक डीप न्यूरल नेटवर्क—को एक सुपर-जासूस के रूप में प्रशिक्षित किया।

प्रशिक्षण (The Training): उन्होंने AI को जेट के भीतर कणों के आकार, ऊर्जा और फैलाव को देखना सिखाया।
लक्ष्य (The Goal): AI ने यह पहचानना सीखा कि "यह जेट ग्लूऑन के क्वार्क-पेयर में टूटने से आया है," या "यह बाकी चीजों का मिश्रण है।"

एक बार जब AI ने शोर (noise) को छान दिया और केवल "क्वार्क-पेयर" जेट्स को चुन लिया, तो संकेत स्पष्ट हो गया।

परिणाम: स्पिन वास्तविक है!

जब उन्होंने इन चयनित जेट्स में कणों के बीच के कोण को देखा, तो उन्हें एक विशिष्ट तरंग-जैसी (wave-like) पैटर्न दिखाई दिया।

यदि ग्लूऑन में कोई स्पिन नहीं होता: तो कण बेतरतीब ढंग से बिखरे होते, जैसे बर्तन में पॉपकॉर्न फूट रहा हो।
यदि ग्लूऑन में स्पिन होता: तो कण एक विशिष्ट, लयबद्ध पैटर्न में व्यवस्थित होते, जैसे एक तालमेल में किया जाने वाला नृत्य (synchronized dance)।

उन्होंने क्या पाया:
डेटा उस "नृत्य" से पूरी तरह मेल खाता था। पैटर्न ने पुष्टि की कि ग्लूऑन वास्तव में घूम रहे हैं और यह स्पिन ही तय करता है कि जेट के भीतर कणों की व्यवस्था कैसी होगी।

उन्होंने अपने परिणामों की तुलना दो प्रमुख कंप्यूटर सिमुलेशन (PYTHIA और HERWIG) से की:

"स्पिन-ऑन" मॉडल (The "Spin-On" models): इन मॉडलों में ग्लूऑन स्पिन के भौतिकी को शामिल किया गया था। डेटा इनसे पूरी तरह मेल खाता है।
"स्पिन-ऑफ" मॉडल (The "Spin-Off" models): इन मॉडलों ने स्पिन को अनदेखा कर दिया था। डेटा इनसे पूरी तरह असहमत था।

यह क्यों महत्वपूर्ण है?

कंप्यूटर मॉडल (PYTHIA और HERWIG) को भौतिकविदों द्वारा उप-परमाणु दुनिया (subatomic world) में नेविगेट करने के लिए उपयोग किए जाने वाले "जीपीएस" (GPS) के रूप में सोचें। यदि आपका जीपीएस गलत है, तो आप रास्ता भटक जाएंगे।

बेहतर मानचित्र (Better Maps): यह खोज साबित करती है कि वर्तमान जीपीएस (मॉडल) को "स्पिन" फीचर को चालू रखने की आवश्यकता है। यदि हम इसे बंद कर देते हैं, तो मानचित्र गलत हो जाता है।
नई भौतिकी (New Physics): ग्लूऑन के घूमने को समझने से हमें प्रकृति के मौलिक बलों को समझने में मदद मिलती है। यह अंततः यह समझने जैसा है कि एक नर्तक कैसे चलता है, जिससे हमें यह अनुमान लगाने में मदद मिलती है कि वह अगला कदम कहाँ रखेगा।
भविष्य की खोजें (Future Discoveries): यह तकनीक वैज्ञानिकों को भविष्य में और भी दुर्लभ चीजों को खोजने में मदद कर सकती है, जैसे कि हिग्स बोसान (Higgs boson - "गॉड पार्टिकल") कैसे क्षय (decay) होता है। यदि हिग्स दो ग्लूऑन्स में क्षय होता है, तो यह जानना कि वे ग्लूऑन्स कैसे घूमते हैं, वैज्ञानिकों को इसे आसानी से पहचानने में मदद करेगा।

निचोड़ (The Bottom Line)

CMS टीम ने पहली बार एक जेट के भीतर ग्लूऑन के "स्पिन" की हाई-स्पीड, हाई-डेफिनिशन वीडियो सफलतापूर्वक ली है। उन्होंने साबित किया है कि ब्रह्मांड के "गोंद" के पास एक विशिष्ट नृत्य की चाल है, और हमारे कंप्यूटर सिमुलेशन को सटीक होने के लिए उस नृत्य की नकल करना सीखना होगा। यह एक जेट के लिए एक छोटा कदम है, लेकिन क्वांटम दुनिया को समझने के लिए एक बड़ी छलांग है।

यहाँ CMS सहयोग द्वारा प्रस्तुत शोध पत्र "Measurement of angular correlations inside jets induced by gluon polarization in proton-proton collisions at $\sqrt{s} = 13.6$ TeV" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण और प्रेरणा

भौतिक संदर्भ: ग्लूऑन (Gluons) स्पिन-1 गेज बोसॉन हैं जो प्रबल अन्योन्यक्रिया (strong interaction - QCD) को मध्यस्थता प्रदान करते हैं। जबकि उनके स्पिन स्वभाव को दशकों पहले $e^+e^-$ विलोपन (annihilation) के माध्यम से जेट के भीतर जेट स्पिन सहसंबंधों (jet spin correlations) द्वारा स्थापित किया गया था, उच्च-ऊर्जा हैड्रोन कोलिजन में उत्पन्न होने वाले जेट्स के भीतर कोलीनियर (collinear) और सॉफ्ट पार्टॉन रेडिएशन में इन प्रभावों को कभी भी सीधे तौर पर नहीं देखा गया था।
सैद्धांतिक चुनौती: प्रोटॉन-प्रोटॉन ($pp$) कोलिजन में, पार्टॉन शावर (parton shower - PS) क्रमिक ब्रांचिंग (जैसे, $g \to gg$ , $g \to q\bar{q}$ , $q \to qg$ ) को शामिल करता है। मध्यवर्ती पार्टॉन्स में हेलिसिटी अवस्थाओं (helicity states) का हस्तक्षेप (interference) कोणीय सहसंबंध (angular correlations) बनाता है। हालाँकि, एक मानक पार्टॉन शावर में, $g \to gg$ और $g \to q\bar{q}$ प्रक्रियाओं से उत्पन्न स्पिन प्रभाव विपरीत संकेतों और भिन्न दरों के कारण एक-दूसरे को काफी हद तक रद्द कर देते हैं।
लक्ष्य: प्राथमिक उद्देश्य एक जेट शावर के भीतर $g \to q\bar{q}$ विभाजन प्रक्रिया में ग्लूऑन ध्रुवीकरण (gluon polarization) के विशिष्ट योगदान को अलग करना है। इसके लिए एक विशिष्ट कोणीय अवलोकनीय (observable), $\Delta\phi$ , को मापने और डेटा की तुलना उन मोंटे कार्लो (MC) मॉडलों से करने की आवश्यकता है जो या तो स्पिन सहसंबंधों को शामिल करते हैं या उन्हें अनदेखा करते हैं। जेट सबस्ट्रक्चर अध्ययनों और फ्लेवर टैगिंग (जैसे, ग्लूऑन में हिग्स क्षय को अलग करना) के लिए सटीक मॉडलिंग अत्यंत महत्वपूर्ण है।

2. कार्यप्रणाली (Methodology)

डेटा और सिमुलेशन

डेटा स्रोत: 2022 (Run 3) में CMS डिटेक्टर द्वारा एकत्र किए गए $\sqrt{s} = 13.6$ TeV पर प्रोटॉन-प्रोटॉन कोलिजन।
एकीकृत ल्युमिनोसिटी (Integrated Luminosity): $34.7 \text{ fb}^{-1}$ ।
इवेंट चयन:
- जेट्स को anti- $k_T$ एल्गोरिदम (त्रिज्या पैरामीटर $R=0.8$ , जिसे AK8 कहा जाता है) का उपयोग करके पुनर्गठित किया गया, जिसमें $p_T > 700$ GeV और $|\eta| < 1.7$ है।
- उन इवेंट्स की आवश्यकता थी जिनमें कम से कम दो ऐसे जेट्स हों जो $\Delta\phi > 2$ रेडियन की दूरी पर हों।
मोंटे कार्लो जनरेटर (Monte Carlo Generators):
- PYTHIA 8.306: यह $p_T$ -ऑर्डर्ड शावर और CP5 ट्यून का उपयोग करता है।
- HERWIG 7.3.0: यह एंगुलर-ऑर्डर्ड शावर और CH3 ट्यून का उपयोग करता है।
- दोनों जनरेटरों को दो मोड में चलाया गया था: "Correlation-on" (ग्लूऑन स्पिन प्रभावों को शामिल करते हुए) और "Correlation-off" (स्पिन सहसंबंधों को अनदेखा करते हुए)।

जेट सबस्ट्रक्चर और डिक्ल्स्टरिंग (Declustering)

एल्गोरिदम: ब्रंचिंग इतिहास (branching history) को पुनर्गठित करने के लिए जेट्स को कैम्ब्रिज-आचेन (Cambridge–Aachen - CA) एल्गोरिदम का उपयोग करके डिक्ल्स्टर किया गया।
ब्रांचिंग चयन: विश्लेषण दो क्रमिक ब्रांचिंग पर ध्यान केंद्रित करता है: $X \to 1+2$ $X \to 1 + 2$ और उसके बाद $2 \to 3+4$ $2 \to 3 + 4$ ।
- सबजेट्स (Subjets) 1 और 2 को प्राथमिक विभाजन (प्राथमिक लुंड प्लेन में उच्चतम $k_T$ ) से चुना गया है।
- सबजेट्स 3 और 4 को द्वितीयक विभाजन (द्वितीयक लुंड प्लेन में उच्चतम $k_T$ ) से चुना गया है।
अवलोकनीय (Observable): $\Delta\phi$ को उत्पादन तल (production plane - जो पार्टॉन्स 1 और 2 द्वारा बनाया गया है) और क्षय तल (decay plane - जो पार्टॉन्स 3 और 4 द्वारा बनाया गया है) के बीच के कोण के रूप में परिभाषित किया गया है:
$\cos \Delta\phi = \hat{n}_{1,2} \cdot \hat{n}_{3,4} \cdot \text{sign}[(\hat{n}_{1,2} \times \hat{n}_{3,4}) \cdot \vec{p}]$
जहाँ $\vec{p}$ पहले विभाजन में हार्डर (harder) पार्टॉन का संवेग (momentum) है।

मशीन लर्निंग और इवेंट वर्गीकरण

चुनौती: $g \to q\bar{q}$ टोपोलॉजी (जहाँ मध्यवर्ती ग्लूऑन क्वार्क-एंटीक्वार्क युग्म में विभाजित होता है) घटनाओं का एक छोटा हिस्सा है और यह अन्य टोपोलॉजी ( $g \to gg$ , $q \to qg$ ) के साथ मिश्रित है जो स्पिन सिग्नल को कम (dilute) कर देती है।
समाधान: एक डीप न्यूरल नेटवर्क (DNN) को घटनाओं को वर्गीकृत करने के लिए प्रशिक्षित किया गया कि वे किस प्रकार के दूसरे विभाजन ( $g \to q\bar{q}$ $g \to q \overset{q}{ˉ}$ , $g \to gg$ $g \to g g$ , $q \to qg$ $q \to q g$ , या अनमैच्ड) से संबंधित हैं।
- इनपुट: 12 चर जो सबजेट काइनेमैटिक्स, कण बहुलता (particle multiplicity), और विभाजन विशेषताओं (जैसे $z$ अंश, $k_T$ , सबजेट चौड़ाई) का वर्णन करते हैं।
- चयन: वे इवेंट्स जिनका DNN स्कोर $g \to q\bar{q}$ क्लास के लिए ( $\text{score}_{g\to q\bar{q}}$ ) 0.6 से अधिक था, उन्हें चुना गया। इसने $g \to q\bar{q}$ सैंपल की शुद्धता को बढ़ाकर 38% कर दिया और "correlation-off" परिकल्पना के विरुद्ध सांख्यिकीय महत्व को अधिकतम किया।

अनफोल्डिंग (Unfolding)

डिटेक्टर प्रभावों (रेज़ोल्यूशन, दक्षता) को ठीक करने के लिए, मापे गए $\Delta\phi$ वितरण को पार्टिकल स्तर पर अनफोल्ड किया गया।
अनफोल्डिंग में सांख्यिकीय अनिश्चितताओं को कम करने के लिए एक सिमेट्राइज्ड वितरण ( $\pi/2 - |\Delta\phi - \pi/2|$ ) का उपयोग किया गया।
व्यवस्थित अनिश्चितताओं (जेट ऊर्जा स्केल, पाइलअप, मॉडलिंग) को अनफोल्डिंग मैट्रिक्स के माध्यम से प्रसारित किया गया।

3. प्रमुख योगदान

जेट्स में प्रथम अवलोकन: यह जेट्स के भीतर ग्लूऑन ध्रुवीकरण द्वारा प्रेरित कोणीय सहसंबंधों का पहला प्रत्यक्ष मापन है। पिछले अवलोकन $e^+e^-$ वातावरण तक सीमित थे।
नवीन टैगिंग तकनीक: एक जटिल हैड्रोनिक जेट के भीतर विशिष्ट पार्टॉन विभाजन टोपोलॉजी ( $g \to q\bar{q}$ ) को अलग करने के लिए मशीन-लर्निंग आधारित विधि का विकास, जो इन्फ्रारेड- और कोलीनियर-सेफ फ्लेवर परिभाषाओं का उपयोग करती है।
उच्च-ऊर्जा सत्यापन: यह मापन 13.6 TeV के केंद्र-द्रव्यमान ऊर्जा (center-of-mass energy) को कवर करता है, जो $e^+e^-$ अध्ययनों की तुलना में इंट्राजेट रेडिएशन के काफी उच्च गतिशील रेंज (dynamic range) की जांच करता है।

4. परिणाम

समावेशी नमूना (Inclusive Sample): समावेशी नमूने (सभी इवेंट्स) में, "correlation-on" और "correlation-off" मॉडलों के बीच का अंतर बहुत कम (~0.5%) है, क्योंकि यह विभिन्न विभाजन प्रकारों के बीच स्पिन प्रभावों के निरसन (cancellation) के कारण है।
चुना गया $g \to q\bar{q}$ नमूना:
- $g \to q\bar{q}$ विभाजनों से समृद्ध श्रेणी में, $\Delta\phi$ वितरण में एक स्पष्ट मॉड्यूलेशन (modulation) देखा गया है।
- महत्व (Significance): डेटा "correlation-off" परिकल्पना से 6.8 मानक विचलन ( $6.8\sigma$ ) विचलित होता है। "correlation-on" परिकल्पना से विचलन केवल 1.9 $\sigma$ है।
- मॉडल तुलना:
  - डेटा उन मॉडलों का पुरजोर समर्थन करता है जिनमें ग्लूऑन ध्रुवीकरण शामिल है।
  - स्पिन सहसंबंधों को अनदेखा करने वाले मॉडल दृढ़ता से खारिज किए गए हैं।
  - PYTHIA 8 (correlation-on के साथ) डेटा के आकार का अच्छी तरह से वर्णन करता है।
  - HERWIG 7 (correlation-on के साथ) देखे गए मॉड्यूलेशन से अधिक मजबूत मॉड्यूलेशन की भविष्यवाणी करता है, जो उस विशिष्ट जनरेटर में स्पिन प्रभावों या गैर-परटर्बेटिव सुधारों के मॉडलिंग में विसंगति का संकेत देता है।

5. महत्व

QCD का सत्यापन: परिणाम पुष्टि करते हैं कि ग्लूऑन स्पिन सहसंबंध गैर-परटर्बेटिव अंतिम-अवस्था प्रभावों (final-state effects) और सघन हैड्रोनिक वातावरण की उपस्थिति में भी बने रहते हैं, जो लीडिंग-लॉगैरिद्मिक सटीकता से परे QCD पार्टॉन शावर के सैद्धांतिक ढांचे को मान्य करते हैं।
इवेंट जनरेटर्स पर प्रभाव: यह मापन मोंटे कार्लो इवेंट जनरेटर्स को ट्यून करने के लिए महत्वपूर्ण बाधाएं (constraints) प्रदान करता है। HERWIG 7 के साथ देखी गई विसंगतियां यह सुझाव देती हैं कि एंगुलर-ऑर्डर्ड शावर्स में स्पिन-डेंसिटी मैट्रिसेस को कैसे संभाला जाता, इसमें सुधार की आवश्यकता है।
भविष्य के अनुप्रयोग: मध्यवर्ती ग्लूऑन विभाजन को क्वार्क युग्मों में टैग करने की क्षमता भविष्य के उच्च-ऊर्जा भौतिकी विश्लेषणों के लिए महत्वपूर्ण है, विशेष रूप से हिग्स बोसॉन के ग्लूऑन में क्षय ( $H \to gg$ ) की पहचान करने के लिए, जहाँ स्पिन सहसंबंध महत्वपूर्ण होने की उम्मीद है। यह तकनीक लुंड प्लेन (Lund plane) में फ्लेवर-डिपेंडेंट पार्टॉन डायनेमिक्स के अध्ययन के द्वार खोलती है।

निष्कर्षतः, CMS सहयोग ने सफलतापूर्वक जेट सबस्ट्रक्चर के भीतर ग्लूऑन स्पिन की सूक्ष्म छाप को अलग और मापा है, जो QCD गतिकी का एक कठोर परीक्षण और उच्च-ऊर्जा भौतिकी विश्लेषणों के लिए एक नया उपकरण प्रदान करता है।