AI-Driven Discovery of Information-Efficient Collider Observables for Interference Measurements

तकनीकी सारांश: सूचना-कुशल कोलाइडर अवलोकनीयों (Observables) की AI-संचालित खोज

समस्या विवरण
भविष्य के कोलाइडर कार्यक्रम एक ऐसे परिशुद्धता युग (precision regime) में प्रवेश कर रहे हैं जहाँ मुख्य चुनौती उच्च-आयामी घटना सूचना (high-dimensional event information) का उपयोग करके मानक मॉडल (Standard Model - SM) के सूक्ष्म विरूपणों (deformations) के बीच अंतर करना है। इस सेटिंग में, संवेदनशीलता अक्सर क्वांटरल इंटरफेरेंस (quantum interference) द्वारा नियंत्रित होती है। जबकि सैद्धांतिक रूप से इष्टतम इवेंट-स्तरीय प्रोब (probe), स्कोर फंक्शन (स्कोर फंक्शन: रुचि के पैरामीटर के सापेक्ष लॉग-लाइक्लीहुड का व्युत्पन्न) होता है, जो फिशर-इन्फॉर्मेशन बाउंड (Fisher-information bound) को संतृप्त करता है, यह स्कोर शायद ही कभी एक संक्षिप्त, विश्लेषणात्मक (analytic), पारदर्शी, पोर्टेबल और प्रयोगात्मक रूप से सुदृढ़ रूप में उपलब्ध होता है।

वर्तमान दृष्टिकोण एक ट्रेड-ऑफ (trade-off) का सामना करते हैं:

1. विश्लेषणात्मक अवलोकनीय (Analytic observables): भौतिक रूप से व्याख्या योग्य और प्रयोगात्मक रूप से स्थिर, लेकिन अक्सर हाथ से निर्मित होते हैं, जिससे फेज स्पेस (phase space) में महत्वपूर्ण सहसंबंधों (correlations) को खोने की संभावना रहती है।
2. मशीन लर्निंग (ML) दृष्टिकोण: उच्च-आयामी विशेषताओं का लाभ उठाकर इष्टतम सांख्यिकीय प्रदर्शन के करीब पहुँच सकते हैं, लेकिन आमतौर पर "ब्लैक-बॉक्स" आर्किटेक्चर पर निर्भर करते हैं जिनकी सीखी गई संरचनाओं की भौतिक व्याख्या करना कठिन होता है।

लक्ष्य ऐसे संक्षिप्त, व्याख्या योग्य अवलोकनीयों का निर्माण करना है जो पैरामीटर-प्रासंगिक स्कोर जानकारी को बनाए रखते हुए विश्लेषणात्मक और प्रयोगात्मक रूप से पोर्टेबल बने रहें।

कार्यप्रणाली
लेखक एक ढांचे का प्रस्ताव करते हैं जो इष्टतम-अवलोकनीय डिजाइन को एक सिंबोलिक डिस्कवरी समस्या (symbolic discovery problem) के रूप में पुनर्गठित करता है। यह कार्यप्रणाली प्रदर्शन करने वाले अवलोकनीयों के लिए विश्लेषणात्मक सरोगेट्स (surrogates) खोजने के लिए AI-संचालित सिंबोलिक इवोल्यूशन (evolutionary search) का उपयोग करती है।

• सांख्यिकीय लक्ष्य: अनुकूलन लक्ष्य स्थानीय स्कोर फंक्शन है, जिसे मैट्रिक्स-एलिमेंट रीवेटिंग (matrix-element reweighting) के माध्यम से संख्यात्मक रूप से अनुमानित किया जाता है। एक विरूपण पैरामीटर $\kappa$ के लिए, इवेंट वेट को $w(x|\kappa) = c_0(x) + \kappa c_1(x) + \kappa^2 c_2(x)$ के रूप में विस्तारित किया जाता है। स्थानीय रूप से इष्टतम सांख्यिकी अनुपात $t(x) = c_1(x)/c_0(x)$ है, जो $x$-स्वतंत्र शिफ्ट के साथ स्कोर के अनुरूप है।
• खोज रणनीति: एक इवोल्यूशनरी सर्च (जो प्रस्ताव जनरेशन, म्यूटेशन और क्रॉसओवर के लिए एक लार्ज लैंग्वेज मॉडल द्वारा निर्देशित है) एक भौतिकी-प्रेरित फंक्शन स्पेस का अन्वेषण करती है। यह स्पेस मापे गए किनेमैटिक वेरिएबल्स और सरल विश्लेषणात्मक ऑपरेशंस (योग, उत्पाद, त्रिकोणमितीय फलन, आदि) से बनाया गया है।
• फिटनेस फंक्शन: खोज फिशर-इन्फॉर्मेशन एफिशिएंसी (Fisher-information efficiency) को अधिकतम करती है, जिसे $\epsilon[f] = I[f] / I_{\text{full}}$ के रूप में परिभाषित किया गया है, जहाँ $I[f]$ वह रिटेन्ड फिशर सूचना है जो इवेंट किनेमैटिक्स को एक-आयामी अवलोकनीय $y=f(x)$ में संपीड़ित करने के बाद प्राप्त होती है।
• बाधाएं (Constraints): खोज विश्लेषणात्मक एम्प्लीट्यूड इनपुट का अनुमान नहीं लगाती है; यह केवल एक लक्ष्य दिशा के रूप में स्कोर का उपयोग करती है। परिणामी अभिव्यक्तियाँ संक्षिप्त विश्लेषणात्मक फलनों के रूप में सीमित हैं।

मुख्य योगदान और परिणाम
अध्ययन CP-संवेदनशील इंटरैक्शन $HZ_{\mu\nu}\tilde{Z}^{\mu\nu}$ पर केंद्रित है और दो अलग-अलग कोलाइडर वास्तविकताओं का मूल्यांकन करता है:

1. एसोसिएटेड प्रोडक्शन (Associated Production): लेप्टॉन कोलाइडर में $e^+e^- \to Z(\to \mu^-\mu^+)H$।
2. डिके चैनल (Decay Channel): हैड्रोन कोलाइडर में $pp \to H \to ZZ^* \to e^-e^+\mu^-\mu^+$।

एसोसिएटेड प्रोडक्शन ($e^+e^- \to ZH$) के लिए निष्कर्ष:

• बेसलाइन: सर्वश्रेष्ठ सरल कोणीय बेसलाइन, $\sin(2\phi^*)$, एक फिशर एफिशिएंसी $\epsilon \simeq 0.059$ प्राप्त करती है।
• खोजा गया अवलोकनीय: सिंबोलिक सर्च ने एक संक्षिप्त विश्लेषणात्मक फलन $f_{\text{ext}}$ की पहचान की जो जोड़ता है:
  • एक CP-संवेदनशील इंटरफेरेंस हार्मोनिक (ट्रांसवर्स-ट्रांसवर्स और लॉन्गिट्यूडनल-ट्रांसवर्स)।
  • प्रयोगशाला-फ्रेम विषमता मैपिंग (energy asymmetry $A_E$ और transverse-momentum asymmetry $A_{pT}$) जो डिके पोलर फैक्टर्स के प्रॉक्सी के रूप में कार्य करते हैं।
  • $Z$ बोसॉन के ट्रांसवर्स मोमेंटम के साथ एक स्मूथ किनेमैटिक प्रीफैक्टर, $(p_T^Z)^2 / ((p_T^Z)^2 + p_0^2)$।
• प्रदर्शन: सीखा गया अवलोकनीय $\epsilon \simeq 0.102$ प्राप्त करता है, जो सर्वश्रेष्ठ कोणीय बेसलाइन की तुलना में सूचना दक्षता में 74% सुधार दर्शाता है। यह अभिव्यक्ति विशिष्ट हेलिसिटी-इंटरफेरेंस हार्मोनिक्स को पुनः प्राप्त करती है और स्कोर का अधिक मोनोटोनिक रूप से अनुसरण करती है।

फोर-लेप्टन डिके ($H \to 4\ell$) के लिए निष्कर्ष:

• बेसलाइन: मानक कोणीय बेसलाइन $\sin(\phi_1^* + \phi_2^*)$ की दक्षता बहुत कम $\epsilon \simeq 2.3 \times 10^{-4}$ है।
• खोजा गया अवलोकनीय: खोज ने $O_{4\ell} = r_Z(1-r_z) \sin(2\theta_1^*) \sin(2\theta_2^*) \sin(\phi_1^* + \phi_2^*)$ की पहचान की, जहाँ $r_Z$ एक मास-रेशियो फैक्टर है।
• प्रदर्शन: दक्षता सुधरकर $\epsilon \simeq 1.9 \times 10^{-2}$ हो जाती है। कोणीय कर्नेल (angular kernel) सूचना प्रतिधारण में हावी रहता है, जबकि मास-रेशियो फैक्टर एक बाउंडेड प्रतिनिधि प्रीफैक्टर के रूप में कार्य करता है।
• विषमता (Asymmetry): $|O_{4\ell}| \simeq 0.05$ के आसपास एक कट लगाने से विषमता-आधारित महत्व माप ($S_{\text{asym}}/\sqrt{D_{\text{SM}}}$) में लगभग 30% का सुधार होता है।

खोजे गए अवलोकनीयों की सामान्य संरचना
दोनों चैनलों में, खोजे गए अवलोकनीय निम्नलिखित योजनाबद्ध संरचना का पालन करते हैं:
$$f(x) \sim (\text{Interference Kernel}) \times (\text{Process-Dependent Mapping or Prefactor})$$
"इंटरफेरेंस कर्नेल" CP-संवेदनशील हेलिसिटी इंटरफेरेंस ज्योमेट्री को कैप्चर करता है, जबकि "मैपिंग/प्रीफैक्टर" प्रक्रिया-विशिष्ट किनेमैटिक वेरिएबल्स (जैसे लैब-फ्रेम विषमता या मास रेश्यो) का उपयोग करके प्रोजेक्शन को स्थिर करता है या इंटरफेरेंस क्षेत्रों के अलगाव को बढ़ाता है।

महत्ता और दावे
यह शोध दावा करता है कि:

1. सिंबोलिक डिस्कवरी: इष्टतम-अवलोकनीय डिजाइन को सफलतापूर्वक एक सिंबोलिक डिस्कवरी समस्या के रूप में पुनर्गठित किया जा सकता है, जहाँ फेज स्पेस में इंटरफेरेंस की ज्यामिति से सीधे व्याख्या योग्य विश्लेषणात्मक अभिव्यक्तियाँ उभरती हैं।
2. सूचना दक्षता: AI-संचालित सिंबोलिक इवोल्यूशन ऐसे अवलोकनीय खोज सकता है जो मानक कोणीय बेसलाइनों की तुलना में काफी अधिक स्थानीय फिशर सूचना बनाए रखते हैं, जबकि वे संक्षिप्त और विश्लेषणात्मक बने रहते हैं।
3. पारदर्शिता: परिणामी अभिव्यक्तियाँ सूचना-कुशल प्रोब्स के लिए एक पारदर्शी मार्ग प्रदान करती हैं, जो विश्लेषणात्मक रूप में अंतर्निहित इंटरफेरेंस ज्योमेट्री को प्रकट करती हैं। यह पारंपरिक विश्लेषणात्मक डिजाइन और आधुनिक डेटा-संचालित अनुकूलन के बीच के अंतर को पाटता है।
4. दायरा: प्रस्तुत परिणाम ट्रुथ-लेवल लोकल फिशर बेंचमार्क्स हैं। लेखक स्पष्ट रूप से कहते हैं कि पार्टोन शॉवर्स, डिटेक्टर रिस्पॉन्स और कॉन्टिन्यूम बैकग्राउंड को शामिल करना, साथ ही लाइकलीहुड-ओरिएंटेड उद्देश्यों के लिए खोज का विस्तार करना, स्वाभाविक अगले कदम हैं जो इस कार्य में कवर नहीं किए गए हैं।

यह कार्य सुझाव देता है कि सांख्यिकीय रूप से कुशल मापन की संरचना को स्वयं एक भौतिक वस्तु के रूप में खोजा और व्याख्या किया जा सकता है, जो परिशुद्ध कोलाइडर अध्ययनों में सूचना-कुशल अवलोकनीयों के लिए एक व्यवस्थित मार्ग प्रदान करता है।