⚛️ nuclear experiments

JetPrism: diagnosing convergence for generative simulation and inverse problems in nuclear physics

यह शोध पत्र JetPrism प्रस्तुत करता है, जो एक कॉन्फ़िगर करने योग्य कंडीशनल फ्लो मैचिंग फ्रेमवर्क है जो परमाणु भौतिकी सिमुलेशन में मानक प्रशिक्षण नुकसान (training losses) की भ्रामक प्रकृति को संबोधित करने के लिए एक मल्टी-मेट्रिक मूल्यांकन प्रोटोकॉल स्थापित करता है ताकि यह सुनिश्चित किया जा सके कि जनरेटिव मॉडल जेनेरिक लॉस इंडिकेटर्स से परे वास्तविक भौतिक निष्ठा और अभिसरण प्राप्त करें।

मूल लेखक: Zeyu Xia, Tyler Kim, Trevor Reed, Judy Fox, Geoffrey Fox, Adam Szczepaniak

प्रकाशित 2026-04-03

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Zeyu Xia, Tyler Kim, Trevor Reed, Judy Fox, Geoffrey Fox, Adam Szczepaniak

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

मुख्य चित्र: "धुंधली फोटो" की समस्या

कल्पना कीजिए कि आप एक अपराध को सुलझाने की कोशिश कर रहे एक जासूस हैं। आपके पास अपराध स्थल की एक हाई-डेफिनिशन फोटो है (सत्य/Truth), लेकिन आपके पास एकमात्र सबूत एक धुंधली, खरोंच वाली खिड़की के माध्यम से ली गई फोटो है (डिटेक्टर डेटा)। वह फोटो धुंधली, विकृत और विवरणों से रहित है।

परमाणु भौतिकी (Nuclear Physics) में, वैज्ञानिक ठीक इसी समस्या का सामना करते हैं। वे जानना चाहते हैं कि जब कण आपस में टकराए तो वास्तव में क्या हुआ था (सत्य), लेकिन उनके डिटेक्टर उन्हें केवल घटना का एक "धुंधला" (smeared) संस्करण ही देते हैं। सत्य का पता लगाने के लिए, उन्हें आमतौर पर यह अनुमान लगाने के लिए विशाल, धीमे कंप्यूटर सिमुलेशन चलाने पड़ते हैं कि धुंध कैसे हुई और फिर उसे उलटना पड़ता है। इसमें बहुत समय लगता है और बहुत अधिक कंप्यूटिंग शक्ति खर्च होती है।

समाधान: एक नया "AI जासूस" (JetPrism)

इस शोध पत्र के लेखकों ने JetPrism नामक एक नया AI टूल बनाया है। इसे एक सुपर-स्मार्ट AI जासूस के रूप में समझें जो धुंधली फोटो को देख सकता है और बिना हर बार धीमे सिमुलेशन चलाए, तुरंत हाई-डेफिनिशन अपराध स्थल को पुनर्गठित (reconstruct) कर सकता है।

उन्होंने कंडीशनल फ्लो मैचिंग (Conditional Flow Matching - CFM) नामक AI के एक विशिष्ट प्रकार का उपयोग किया है।

रूपक (Metaphor): कल्पना कीजिए कि आपके पास साफ पानी का एक कप (साधारण शोर/noise) है और गंदे पानी का एक कप (जटिल डेटा) है। CFM एक ऐसी मशीन की तरह है जो सीखती है कि साफ पानी को गंदे पानी में बदलने का सटीक रास्ता क्या है, और फिर यह भी सीखती है कि उस प्रक्रिया को उल्टा कैसे चलाया जाए ताकि गंदे पानी को वापस साफ पानी में बदला जा सके।

जाल: डैशबोर्ड में "गलत अलार्म"

यहाँ इस शोध पत्र की सबसे महत्वपूर्ण खोज है।

जब आप एक AI को प्रशिक्षित (train) करते हैं, तो आमतौर इसमें एक "लॉस फंक्शन" (loss function) होता है—एक डैशबोर्ड गेज जो आपको बताता है कि यह कितना अच्छा प्रदर्शन कर रहा है। आमतौर पर, जब गेज हिलना बंद कर देता है और स्थिर हो जाता है, तो आप सोचते हैं, "बहुत बढ़िया! AI ने सीखना पूरा कर लिया है।"

लेखकों ने पाया कि यह गेज आपसे झूठ बोल रहा है।

उपमा (Analogy): कल्पना कीजिए कि आप एक केक बना रहे हैं। "लॉस गेज" एक टाइमर की तरह है जो तब रुक जाता है जब बैटर (घोल) मिल जाता है। लेकिन सिर्फ इसलिए कि बैटर मिल गया है, इसका मतलब यह नहीं है कि केक पक गया है! यदि आप इसे ओवन से बहुत जल्दी बाहर निकाल लेते हैं, तो यह बीच में से कच्चा ही रहता है।
वास्तविकता: इस भौतिकी AI में, "लॉस गेज" बहुत जल्दी स्थिर (plateau) हो जाता है, जिससे वैज्ञानिकों को लगता है कि AI का काम पूरा हो गया है। लेकिन AI वास्तव में अभी भी "कच्चा" है। इसने अभी तक सूक्ष्म, जटिल भौतिकी के नियमों को नहीं सीखा है। यदि आप प्रशिक्षण तब रोक देते हैं जब गेज कहता है "पूर्ण", तो आपका AI नकली और गलत भौतिक डेटा उत्पन्न करेगा।

समाधान: "फिजिक्स रिपोर्ट कार्ड"

इसे ठीक करने के लिए, लेखकों ने JetPrism बनाया, जो केवल "लॉस गेज" को नहीं देखता। इसके बजाय, यह एक मल्टी-मेट्रिक रिपोर्ट कार्ड का उपयोग करता है ताकि यह जांचा जा सके कि क्या AI वास्तव में सच बोल रहा है।

वे चार विशिष्ट चीजों की जांच करते हैं:

शेप चेक ( $\chi^2$ ): क्या डेटा का वक्र (curve) वास्तविक चीज़ जैसा दिखता है?
डिस्टेंस चेक ( $W_1$ ): नकली डेटा वास्तविक डेटा से कितनी दूर है?
रिलेशनशिप चेक ( $D_{corr}$ ): क्या वेरिएबल्स अभी भी सही ढंग से एक-दूसरे से संवाद कर रहे हैं? (उदाहरण के लिए, यदि एक कण तेज़ चलता है, तो क्या दूसरा धीमा हो जाता है, बिल्कुल वास्तविक जीवन की तरह?)
मेमोरी चेक ( $R_{NN}$ ): क्या AI केवल प्रशिक्षण वाली तस्वीरों को याद कर रहा है और उनकी नकल कर रहा है, या वह वास्तव में नियमों को सीख रहा है?

परिणाम: उन्होंने पाया कि भले ही "लॉस गेज" हिलना बंद कर चुका था, लेकिन ये "फिजिक्स रिपोर्ट कार्ड" मेट्रिक्स सैकड़ों और प्रशिक्षण सत्रों तक सुधरते रहे। एक वास्तव में सटीक परिणाम प्राप्त करने के लिए उन्हें AI को उस समय भी प्रशिक्षित करना पड़ा जब वह "पूर्ण" दिख रहा था।

यह क्यों महत्वपूर्ण है

गति (Speed): JetPrism पारंपरिक तरीकों की तुलना में इन जटिल कण सिमुलेशन को हजारों गुना तेजी से उत्पन्न कर सकता है। यह हाथ से नक्शा बनाने के बजाय GPS का उपयोग करने जैसा है।
विश्वसनीयता (Reliability): मानक "लॉस गेज" अविश्वसनीय होने का प्रमाण देकर, वे वैज्ञानिकों को "नकली" पूर्ण मॉडलों के आधार पर गलतियाँ करने से बचाते हैं।
बहुमुखी प्रतिभा (Versatility): हालांकि उन्होंने इसका परीक्षण परमाणु भौतिकी (विशेष रूप से भविष्य के इलेक्ट्रॉन-आयन कोलाइडर के लिए) पर किया, लेकिन यह तरीका किसी भी ऐसी चीज़ के लिए काम करता है जहाँ आपको एक धुंधले संकेत को रिवर्स-इंजीनियर करने की आवश्यकता होती है।
- मेडिकल इमेजिंग: एक शोर वाले MRI स्कैन को क्रिस्टल-क्लियर निदान में बदलना।
- खगोल भौतिकी (Astrophysics): दूर के सितारों को देखने के लिए धुंधली टेलीस्कोप छवियों को साफ करना।
- वित्त (Finance): शोर वाले डेटा से बाजार के रुझानों का पुनर्निर्माण करना।

सारांश

JetPrism एक नया AI फ्रेमवर्क है जो परमाणु भौतिकी के लिए एक तेज़, विश्वसनीय सिम्युलेटर के रूप में कार्य करता है। इसका सबसे बड़ा योगदान केवल इसकी गति नहीं है, बल्कि इसका डायग्नोस्टिक टूल (निदान उपकरण) है: यह हमें सिखाता है कि जटिल भौतिकी समस्याओं में, आप मानक "प्रशिक्षण रोकने" के संकेत पर भरोसा नहीं कर सकते। आपको प्रशिक्षण तब तक जारी रखना चाहिए जब तक कि विशिष्ट भौतिक नियम पूरी तरह से संतुष्ट न हो जाएं, जिससे यह सुनिश्चित हो सके कि AI केवल अनुमान नहीं लगा रहा है, बल्कि वास्तव में ब्रह्मांड को समझ रहा है।

यहाँ शोध पत्र "JetPrism: diagnosing convergence for generative simulation and inverse problems in nuclear physics" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

उच्च-सटीकता वाले मोंटे कार्लो (MC) सिमुलेशन गणनात्मक रूप से महंगे होते हैं और परमाणु एवं कण भौतिकी (nuclear and particle physics) में डेटा विश्लेषण के लिए आवश्यक हैं, विशेष रूप से डिटेक्टर अनफोल्डिंग (detector unfolding) जैसे कार्यों के लिए (जहाँ स्मियर किए गए डिटेक्टर मापों से वास्तविक कण-स्तर के अवलोकनों को पुनः प्राप्त किया जाता है)। हालाँकि, डीप जेनरेटिव मॉडल, विशेष रूप से कंडीशनल फ्लो मैचिंग (Conditional Flow-Matching - CFM), सिमुलेशन-मुक्त मैपिंग सीखने के माध्यम से इन कार्यों को गति देने के लिए एक आशाजनक मार्ग प्रदान करते हैं, लेकिन एक महत्वपूर्ण नैदानिक अंतराल (diagnostic gap) मौजूद है:

भ्रामक अभिसरण (Misleading Convergence): मानक CFM प्रशिक्षण हानि (velocity regression loss) अक्सर समय से पहले स्थिर (plateau) हो जाती है।
विच्छेद (The Disconnect): एक अभिसरित (converged) लॉस यह गारंटी नहीं देता कि मॉडल ने सही भौतिक गतिकी (physical kinematics) सीख ली है या उत्पन्न वितरण (distributions) ग्राउंड ट्रुथ से मेल खाते हैं।
जोखिम: केवल मानक लॉस पर निर्भर रहने से ऐसे मॉडल बन सकते हैं जो प्रशिक्षित तो प्रतीत होते हैं लेकिन जटिल भौतिक बाधाओं, सहसंबंधों (correlations), या तीक्ष्ण गतिक सीमाओं (kinematic boundaries) को पकड़ने में विफल रहते हैं, या इसके विपरीत, वे अनावश्यक रूप से लंबे समय तक प्रशिक्षण जारी रख सकते हैं जब लॉस स्थिर हो जाता है।

2. कार्यप्रणाली (Methodology)

लेखक JetPrism पेश करते हैं, जो एक कॉन्फ़िगर करने योग्य CFM फ्रेमवर्क है जिसे कठोर, भौतिकी-सूचित सत्यापन (physics-informed validation) के माध्यम से इन अभिसरण समस्याओं को संबोधित करने के लिए डिज़ाइन किया गया है।

A. डेटा और फीचर प्रतिनिधित्व (Data and Feature Representation)

डेटासेट: प्राथमिक परीक्षण आधार MC-POM डेटासेट (8 मिलियन इवेंट्स) है, जो जेफरसन लैब (JLab) और भविष्य के इलेक्ट्रॉन-आयन कोलाइडर (EIC) के लिए प्रासंगिक विशिष्ट फोटोप्रोडक्शन ( $\gamma p \to \rho^0 p \to \pi^+ \pi^- p$ ) को मॉडल करता है।
प्रीप्रोसेसिंग: घटनाओं को 24 आयामों से 10-आयामी फेज स्पेस में कम किया गया है, जिसमें रेडंडेंट वेरिएबल्स (जैसे संरक्षण नियमों के माध्यम से अनुमानित रिकोइल प्रोटॉन मोमेंटम) को हटा दिया गया है।
स्केलिंग: फीचर्स पर 5.0 का एक जानबूझकर लगाया गया स्केलिंग फैक्टर लागू किया गया है ताकि सोर्स और टारगेट सपोर्ट को अलग किया जा सके, जिससे डिटर्मिनिस्टिक वेलोसिटी सिग्नल को बढ़ाया जा सके और प्रशिक्षण स्थिरता में सुधार हो सके।
अनफोल्डिंग सिमुलेशन: डिटेक्टर प्रभावों को पायोन ट्रैक्स पर गौसियन मोमेंटम स्मियरिंग (Gaussian momentum smearing) लागू करके सिम्युलेट किया गया है, जो ऊर्जा-मोमेंटम संरक्षण को तोड़ता है। मॉडल को इस "टूटे हुए" कंडीशनल डेटा को सटीक ग्राउंड-ट्रुथ मैनिफोल्ड के साथ मैप करना सीखना होगा।

B. नेटवर्क आर्किटेक्चर (Network Architecture)

JetPrism दो वेरिएंट्स वाले रेसिडुअल MLP बैकबोन का उपयोग करता है जिसमें SiLU एक्टिवेशन है:

अनकंडीशनल जनरेशन नेटवर्क: शुद्ध गौसियन नॉइज़ से टारगेट फिजिक्स डिस्ट्रीब्यूशन को मैप करता है।
कंडीशनल अनफोल्डिंग नेटवर्क: एक कंडीशन ( $c$ ) के रूप में डिटेक्टर-लेवल मेजरमेंट लेता है (जिसे MLP के माध्यम से प्रोसेस किया जाता है) ताकि डिटर्मिनिस्टिक रूप से कण-स्तर की गतिकी को पुनः प्राप्त किया जा सके।

प्रशिक्षण: दोनों मानक CFM ऑब्जेक्टिव का उपयोग करते हैं, जो शोर (noise) को डेटा तक ले जाने वाले वेलोसिटी फील्ड को प्रेडिक्ट करने के लिए न्यूरल नेटवर्क को रिग्र्रेस करता है।
अनुमान (Inference): एक एडेप्टिव Dormand-Prince ODE सॉल्वर का उपयोग करता है। जनरेशन के लिए सख्त टॉलरेंस ( $10^{-7}$ ) का उपयोग किया जाता है, जबकि थ्रूपुट को अधिकतम करने के लिए अनफोल्डिंग के लिए रिलैक्स्ड टॉलरेंस ( $10^{-3}$ ) का उपयोग किया जाता है।

C. भौतिकी-सूचित मूल्यांकन प्रोटोकॉल (Physics-Informed Evaluation Protocol)

मुख्य नवाचार लॉस-आधारित स्टॉपिंग क्राइटेरिया के स्थान पर एक बहु-मीट्रिक मूल्यांकन प्रोटोकॉल का उपयोग करना है:

मार्जनल मेट्रिक्स (Marginal Metrics): 1D फीचर डिस्ट्रीब्यूशंस के लिए $\chi^2$ सांख्यिकी और वसरस्टीन-1 ( $W_1$ ) दूरी।
पेयरवाइज जॉइंट मेट्रिक्स (Pairwise Joint Metrics): बाइवेरिएट डिपेंडेंसीज को सत्यापित करने के लिए 2D बिन्ड $\chi^2$ ।
ग्लोबल कोरिलेशन (Global Correlation): सभी चैनलों में रैखिक निर्भरता के पुनरुत्पादन को मापने के लिए कोरिलेशन मैट्रिक्स डिस्टेंस ( $D_{corr}$ )।
मेमोराइजेशन चेक (Memorization Check): नियरस्ट-नेबर डिस्टेंस रेशियो ( $R_{NN}$ )। एक अनुपात $\approx 1$ सामान्यीकरण (generalization) को दर्शाता है; $R_{NN} \ll 1$ ओवरफिटिंग/मेमोराइजेशन को दर्शाता है।

3. मुख्य योगदान (Key Contributions)

अभिसरण निदान (Convergence Diagnostics): पेपर यह प्रदर्शित करता है कि मानक CFM लॉस भौतिक निष्ठा (physical fidelity) का एक अविश्वसनीय संकेतक है। यह दिखाता है कि जहाँ CFM लॉस ~~25 एपॉक्स के बाद स्थिर हो जाता है, वहीं भौतिक मेट्रिक्स ( $W_1, D_{corr}$ ) बहुत बाद तक (~~500 एपॉक्स) महत्वपूर्ण रूप से सुधरते रहते हैं।
JetPrism फ्रेमवर्क: एक मॉड्यूलर, PyTorch-आधारित टूल जो जेफर्सन लैब डेटा और सिंथेटिक बेंचमार्क पर मान्य जेनरेटिव सिमुलेशन और डिटेक्टर अनफोल्डिंग के लिए है।
सिंथेटिक स्ट्रेस टेस्ट: 1D सिंथेटिक बेंचमार्क (गौसियन, मल्टी-पीक, हाई-फ्रीक्वेंसी, डेल्टा फंक्शन्स) का एक सूट, जिसका उपयोग वास्तविक डेटा पर तैनाती से पहले टोपोलॉजिकल विफलता मोड (जैसे मोड कोलैप्स, बाउंड्री स्मियरिंग) को अलग करने के लिए किया गया है।
बहु-मीट्रक प्रोटोकॉल: एक कठोर वैलिडेशन सूट ( $\chi^2, W_1, D_{corr}, R_{NN}$ ) स्थापित करता है जिसे जेनरेटिव विश्वसनीयता सुनिश्चित करने के लिए जेनेरिक लॉस मिनिमाइजेशन से ऊपर होना चाहिए।

4. परिणाम (Results)

अभिसरण गतिकी (Convergence Dynamics): MC-POM डेटासेट पर, CFM लॉस ~25 एपॉक्स के बाद स्थिर हो गया, लेकिन ODE सॉल्वर के लिए फंक्शन इवैल्यूएशन की संख्या (NFE) 600 एपॉक्स तक कम होती रही, और भौतिक मेट्रिक्स 500 एपॉक्स तक सुधरते रहे। यह पुष्टि करता है कि विस्तारित प्रशिक्षण की आवश्यकता है, भले ही लॉस अभिसरण का सुझाव दे रहा हो, ताकि स्थिर, सीधी संभाव्यता पथ (probability paths) मिल सकें।
जनरेशन प्रदर्शन: मॉडल ने 10D फेज स्पेस में उच्च-सटीकता वाली सैंपलिंग हासिल की, जिसमें $R_{NN} \approx 1.00$ था, जो मेमोराइजेशन के बिना उत्कृष्ट सामान्यीकरण की पुष्टि करता है। विजुअल तुलनाओं ने ग्राउंड ट्रुथ के साथ मजबूत सहमति दिखाई, जिसमें केवल हार्ड किनेमैटिक कटऑफ के पास मामूली विचलन देखे गए (जो निरंतर प्रवाह का एक ज्ञात सीमा है)।
अनफोल्डिंग प्रदर्शन: मॉडल ने विभिन्न स्मियरिंग स्केल्स ( $\sigma_{smear} \in \{0.5, 1.0, 2.0\}$ ) के तहत स्मियर किए गए डिटेक्टर डेटा को सफलतापूर्वक कण-स्तर के सत्य (truth) के साथ मैप किया। मेट्रिक्स स्केल्स केAcross तुलनात्मक रहे, जो मजबूती (robustness) का संकेत देते हैं।
कंप्यूटेशनल दक्षता:
- प्रशिक्षण: NVIDIA A100 GPU पर ~880K सैंपल्स/सेकंड प्राप्त किया।
- अनुमान (Inference): रिलैक्स्ड ODE सॉल्वर टॉलरेंस के कारण अनकंडीशनल जनरेशन (~~3.7K इवेंट्स/सेकंड) की तुलना में कंडीशनल अनफोल्डिंग काफी तेज़ (~~101K इवेंट्स/सेकंड) थी, जो ~27x की गति वृद्धि प्रदान करती है।

5. महत्व और प्रभाव (Significance and Impact)

HEP में विश्वसनीयता: JetPrism एक भरोसेमंद जेनरेटिव सरोगेट प्रदान करता है जो ग्राउंड-ट्रुथ डेटा के साथ सटीक सांख्यिकीय सहमति सुनिश्चित करता है, जो हाई-एनर्जी फिजिक्स (HEP) में AI के अनुप्रयोग में एक महत्वपूर्ण अंतर को संबोधित करता है।
EIC तत्परता: यह फ्रेमवर्क आगामी इलेक्ट्रॉन-आयन कोलाइडर (EIC) के लिए सीधे तौर पर लागू करने योग्य है, जिससे बार-बार GEANT सिमुलेशन की कम्प्यूटेशनल लागत के बिना डिटेक्टर कॉन्फ़िगरेशन के त्वरित व्यवस्थित पुनरावृत्तियों (iterations) को सक्षम बनाया जा सकता है।
सामान्यीकरण क्षमता (Generalizability): हालांकि इसे परमाणु भौतिकी में प्रदर्शित किया गया है, लेकिन इसका नैदानिक ढांचा (लॉस मिनिमाइजेशन के बजाय मल्टी-मेट्रिक वैलिडेशन) अन्य क्षेत्रों में भी विस्तार योग्य है जिन्हें उच्च-सटीकता वाले सिमुलेशन और इनवर्स प्रॉब्लम सॉल्विंग की आवश्यकता है, जैसे मेडिकल इमेजिंग, एस्ट्रोफिजिक्स, सेमीकंडक्टर डिस्कवरी और क्वांटिटेटिव फाइनेंस।
पैराडाइम शिफ्ट: यह कार्य "लॉस-ड्रिवन" प्रशिक्षण से "फिजिक्स-ड्रिवन" वैलिडेशन की ओर एक बदलाव का समर्थन करता है, यह सुनिश्चित करता है कि जेनरेटिव मॉडल केवल संभाव्यता विचलन (probability divergences) को कम करने के बजाय सख्त भौतिक बाधाओं को पूरा करते हैं।