Neural Network Generalized Parton Distributions (NNGPD)

प्रोटॉन की कल्पना एक जटिल, हलचल भरे शहर के रूप में करें। दशकों से, भौतिकविदों ने इस शहर का मानचित्र बनाने की कोशिश की है, लेकिन वे इसकी सड़कों को सीधे नहीं देख पाते हैं। इसके बजाय, वे केवल "ट्रैफिक रिपोर्ट" (प्रायोगिक डेटा) और "सिटी प्लानिंग दस्तावेज़" (सैद्धांतिक गणनाएँ) ही देख पाते हैं। इस शोध पत्र का लक्ष्य प्रोटॉन की आंतरिक संरचना का एक नया, अत्यंत बुद्धिमान मानचित्र बनाना है, जिसे जनरलाइज्ड पार्टोन डिस्ट्रीब्यूशन (GPDs) के रूप में जाना जाता है।

यहाँ एक सरल विवरण दिया गया है कि लेखक क्या कर रहे हैं, जिसमें रोजमर्रा के उपमाओं का उपयोग किया गया है:

समस्या: एक "अंधा" मानचित्र

प्रोटॉन क्वार्क्स नामक सूक्ष्म कणों से बना है। प्रोटॉन के स्पिन और उसके जुड़ाव को समझने के लिए, वैज्ञानिकों को यह जानने की आवश्यकता है कि ये क्वार्क्स वास्तव में कहाँ हैं और वे कैसे चल रहे हैं। यही जानकारी GPD है।

हालाँकि, इस मानचित्र को प्राप्त करना दो मुख्य समस्याओं के कारण अत्यंत कठिन है:

1. धुंधली खिड़की (पहली इनवर्स समस्या): जब वैज्ञानिक प्रोटॉन को देखते हैं, तो वे सीधे GPD नहीं देखते। वे एक धुंधली परछाई देखते हैं जिसे "कॉम्प्टन फॉर्म फैक्टर" (CFF) कहा जाता है। यह एक फ्रॉस्टेड ग्लास (धुंधले कांच) की खिड़की के पीछे खड़े व्यक्ति की छाया को देखकर उसके आकार का अनुमान लगाने जैसा है।
2. **गायब पहेली के टुकड़े (दूसरी इनवर्स समस्या):माप की गणितीय प्रक्रिया एक केक के एक छोटे से टुकड़े को चखकर पूरे केक को फिर से बनाने की कोशिश करने जैसी है। डेटा "इंटीग्रेटेड" (एकीकृत) होता है, जिसका अर्थ है कि विशिष्ट विवरण (जैसे एक क्वार्क की सटीक स्थिति) धुंधले या फैले हुए होते हैं। पारंपरिक गणितीय विधियाँ अक्सर यहाँ विफल हो जाती हैं, जिससे कई अलग-अलग, परस्पर विरोधी उत्तर प्राप्त होते हैं (डिजेनरेट समाधान)।

समाधान: AI आर्किटेक्ट

लेखक, ज़की पंजशेरी और सिमोनिटा ल्युटी ने एक नया टूल बनाया है जिसे NNGPD (न्यूरल नेटवर्क जनरलाइज्ड पार्टोन डिस्ट्रीब्यूशन) कहा जाता है। इसे एक अत्यधिक प्रशिक्षित AI आर्किटेक्ट के रूप में समझें।

पुराने, कठोर गणितीय सूत्रों के बजाय, वे एक डीप न्यूरल नेटवर्क का उपयोग करते हैं। यह एक कंप्यूटर प्रोग्राम है जो मानव मस्तिष्क की नकल करता है और उदाहरणों से सीखता है।

यहाँ उनका "AI आर्किटेक्ट" कैसे काम करता है:

• प्रशिक्षण डेटा (Training Data): AI को दो प्रकार के सुराग दिए जाते हैं:
  1. "परछाई" (CFFs): कण त्वरकों (particle accelerators) से प्राप्त वास्तविक डेटा।
  2. "ब्लूप्रिंट्स" (Lattice QCD): सुपरकंप्यूटरों से प्राप्त अत्यंत सटीक सैद्धांतिक गणनाएँ जो एक 'ग्राउंड-ट्रुथ' संदर्भ के रूप में कार्य करती हैं।
• नियम (Symmetry Constraints): आप AI को मनमाने ढंग से अनुमान लगाने के लिए नहीं छोड़ सकते। लेखकों ने इसमें भौतिकी के सख्त "ट्रैफिक नियम" प्रोग्राम किए हैं। उदाहरण के लिए, यदि मानचित्र को कुछ तरीकों से पलटा जाए, तो भी वह समान दिखना चाहिए (सममिति)। यह AI को असंभव या निरर्थक मानचित्र बनाने से रोकता है।
• जादुई ट्रिक: पारंपरिक विधियों को प्रोटॉन के आंतरिक भाग का मानचित्र बनाने के लिए डेटा के एक बड़े ढेर (जैसे 20+ पहेली के टुकड़े) की आवश्यकता थी, और फिर भी वे किनारों पर सूक्ष्म विवरणों को चूक जाते थे। हालाँकि, लेखों के AI ने बहुत कम डेटा (केवल 5 या 6 टुकड़ों) का उपयोग करके मानचित्र को सटीक रूप से पुनर्गठित करने में सफलता प्राप्त की। यह किसी व्यक्ति के केवल बाएं कान और एक उंगली के निशान को देखकर उसका सटीक चित्र बनाने जैसा है।

परीक्षण: "क्लोजर टेस्ट"

वास्तविक, जटिल प्रायोगिक डेटा पर इस AI का उपयोग करने से पहले, लेखकों को यह सिद्ध करना था कि यह काम करता है। उन्होंने एक "क्लोजर टेस्ट" किया।

कल्पना करें कि हमने एक नकली, आदर्श प्रोटॉन मानचित्र (एक मॉडल जिसे UVA2 कहा जाता है) बनाया। फिर हमने:

1. इस नकली मानचित्र के लिए "परछाई" और "ब्लूप्रिंट" की गणना की।
2. मूल मानचित्र को छिपा दिया।
3. उन परछाइयों और ब्लूप्रिंट को अपने AI में डाला।
4. AI को उस मानचित्र को फिर से बनाने के लिए कहा।

परिणाम: AI ने मूल मानचित्र को लगभग पूरी तरह से सफलतापूर्वक पुनर्गठित किया। यह सिद्ध करता है कि यह ढांचा (framework) इस पहेली को सुलझाने में सक्षम है।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि उनके पास प्रोटॉन का अंतिम मानचित्र है। इसके बजाय, यह एक नया, शक्तिशाली ढांचा (NNGPD) प्रस्तुत करता है, जो एक गणितीय समस्या को हल करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करता है जिसने लंबे समय से भौतिकविदों को उलझा रखा है।

उन्होंने दिखाया है कि प्रायोगिक डेटा को सुपरकंप्यूटर गणनाओं के साथ जोड़कर और एक स्मार्ट, नियमों का पालन करने वाले AI का उपयोग करके, प्रोटॉन की आंतरिक संरचना की विस्तृत तस्वीर पहले की तुलना में बहुत कम डेटा के साथ प्राप्त करना संभव है। अगला कदम, जिसे वे भविष्य के कार्य के रूप में नोट करते हैं, इस ढांचे को वास्तविक दुनिया के डेटा और वास्तविक कण प्रयोगों पर लागू करना है।