⚛️ phenomenology

Machine Learning for Predicting the Proton Structure Function $F_2^P$ in QCD

यह शोध पत्र एक तुलनात्मक अध्ययन प्रस्तुत करता है जो यह प्रदर्शित करता है कि मल्टीलेयर पर्सेप्ट्रॉन और गॉसियन प्रोसेस रिग्रेशन मॉडल, जिन्हें BCDMS प्रयोगात्मक डेटा पर प्रशिक्षित किया गया है, DGLAP विकास समीकरणों को हल किए बिना जटिल गैररेखीय QCD गतिकी को कैप्चर करके प्रोटॉन स्ट्रक्चर फंक्शन $F_2^p$ की प्रभावी ढंग से भविष्यवाणी करते हैं।

मूल लेखक: Shahin Atashbar Tehrani, Elham Astaraki, Fatemeh Arbabifar

प्रकाशित 2026-06-05✓ Author reviewed ⓘ

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Shahin Atashbar Tehrani, Elham Astaraki, Fatemeh Arbabifar

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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि प्रोटॉन एक परमाणु के भीतर एक छोटा सा, हलचल भरा शहर है। इस शहर के अंदर, "क्वार्क्स" और "ग्लूऑन्स" जैसे छोटे संदेशवाहक इधर-उधर दौड़ रहे हैं। भौतिक विज्ञानी यह जानना चाहते हैं कि ये संदेशवाहक वास्तव में कैसे वितरित हैं और वे कैसे चलते हैं। इसे समझने के लिए, वे विशाल मशीनों में कणों को आपस में टकराते हैं और उसके परिणामों को देखते हैं। इसमें से एक सबसे महत्वपूर्ण चीज़ जिसे वे मापते हैं, वह है प्रोटॉन स्ट्रक्चर फंक्शन ( $F_2^p$ )। आप इस फंक्शन को प्रोटॉन शहर का एक विस्तृत "मौसम मानचित्र" मान सकते हैं, जो दिखाता है कि विभिन्न क्षेत्रों में कितनी हलचल है।

पारंपरिक रूप से, इस मानचित्र को बनाने के लिए, वैज्ञानिकों को अविश्वसनीय रूप से कठिन गणितीय पहेलियाँ (जिन्हें DGLAP समीकरण कहा जाता है) हल करनी पड़ती हैं। यह हर बार शून्य से जटिल फ्लुइड डायनेमिक्स समीकरणों को हल करके मौसम की भविष्यवाणी करने जैसा है। इसमें बहुत समय लगता है और इसके लिए कई धारणाएँ बनानी पड़ती हैं।

नया दृष्टिकोण: कंप्यूटर को पैटर्न "देखना" सिखाना

यह शोध एक अलग सवाल पूछता है: क्या होगा अगर हम बस कंप्यूटर को मौसम के मानचित्र की हजारों वास्तविक तस्वीरें दिखा दें और उसे अपने आप पैटर्न सीखने दें, बिना गणितीय पहेलियों को हल किए?

लेखकों ने मशीन लर्निंग (ML) का उपयोग किया—जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जो डेटा से सीखता है—इस प्रोटॉन "मौसम मानचित्र" की भविष्यवाणी करने के लिए। उन्होंने गणितीय समीकरणों को हल नहीं किया; इसके बजाय, उन्होंने कंप्यूटर को BCDMS नामक एक प्रसिद्ध प्रयोग से प्राप्त वास्तविक प्रयोगात्मक डेटा दिया और चार अलग-अलग प्रकार के "छात्र" एल्गोरिदम को वह मानचित्र सीखने के लिए कहा।

चार छात्र

शोधकर्ताओं ने यह देखने के लिए चार अलग-अलग AI "छात्रों" का परीक्षण किया कि कौन मानचित्र को सबसे अच्छी तरह सीख सकता है:

मल्टीलेयर परसेप्ट्रॉन (MLP): इसे एक अति-रचनात्मक कलाकार के रूप में सोचें। इसमें न्यूरॉन्स की कई परतें (एक गहरे मस्तिष्क की तरह) होती हैं जो इसे बहुत जटिल, टेढ़े-मेढ़े और गैर-रेखीय (non-linear) पैटर्न देखने की अनुमति देती हैं। यह प्रोटॉन शहर के जंगली और अराजक हिस्सों को पकड़ने में माहिर है।
गौसियन प्रोसेस रिग्रेशन (GPR): यह छात्र एक सतर्क मानचित्रकार की तरह है। यह केवल एक रेखा नहीं खींचता; यह एक रेखा और उसके चारों ओर एक "कोहरा" भी खींचता है ताकि यह दिखा सके कि यह कितना आश्वस्त है। यदि डेटा विरल (sparse) है (जैसे मानचित्र पर कोई धुंधला क्षेत्र), तो GPR कहता है, "मैं यहाँ 100% सुनिश्चित नहीं हूँ," बजाय इसके कि वह मनगढ़ंत अनुमान लगाए।
सपोर्ट वेक्टर रिग्रेशन (SVR): यह छात्र एक स्थिर अनुभवी व्यक्ति है। यह सबसे स्थिर और विश्वसनीय मार्ग खोजने पर ध्यान केंद्रित करता है। यह डेटा में गलतियों के रूप में हो सकने वाले सूक्ष्म, शोर वाले विवरणों को अनदेखा करता है और केवल बड़े, स्पष्ट रुझानों पर ध्यान देता है।
ग्रेडिएंट बूस्टिंग रिग्रेशन (GBR): यह छात्र जासूसों की एक टीम है। यह एक मोटे अनुमान से शुरू होता है, फिर पिछले वाले की गलतियों को सुधारने के लिए एक नया "जासूस" भेजता है, और यह प्रक्रिया तब तक बार-बार चलती रहती है जब तक कि तस्वीर स्पष्ट न हो जाए।

परिणाम: कौन जीता?

डेटा पर इन छात्रों को प्रशिक्षित करने और फिर नए, अनदेखे डेटा पर उनका परीक्षण करने के बाद, यह हुआ:

कलाकारों (MLP) और मानचित्रकारों (GPR) ने सटीकता में सर्वश्रेष्ठ प्रदर्शन किया। MLP छात्र ने सबसे विस्तृत और सटीक मानचित्र बनाने में सफलता प्राप्त की, जिसने प्रोटॉन की संरचना के जटिल, गैर-रेखीय घुमावों को किसी भी अन्य की तुलना में बेहतर तरीके से पकड़ा। GPR छात्र दूसरे स्थान पर रहा और यह बताने में उत्कृष्ट था कि "मैं अनिश्चित हूँ।"
अनुभवी (SVR) सबसे स्थिर था। हालांकि यह बिल्कुल सटीक नहीं था, लेकिन यह सबसे सुसंगत था। यह डेटा के अलग-अलग हिस्सों से भ्रमित नहीं हुआ। यदि आप इसे प्रशिक्षण के लिए थोड़ा अलग सेट देते, तो भी यह एक बहुत ही समान मानचित्र बनाता। यह इसे बहुत विश्वसनीय बनाता है जब डेटा अव्यवस्थित या शोर वाला हो।
जासूसों (GBR) ने अच्छा किया लेकिन उनमें एक मामूली दोष था। उन्होंने मुख्य पैटर्न को अच्छी तरह से सीखा, लेकिन वे डेटा में मौजूद छोटे, यादृच्छिक "शोर" (noise) को याद करने के लिए थोड़े अधिक उत्सुक थे, जिससे नए डेटा पर उनकी भविष्यवाणियां शीर्ष दो की तुलना में थोड़ी कम सटीक रहीं।

मुख्य निष्कर्ष

सबसे महत्वपूर्ण बात यह है कि इन AI मॉडलों ने बिना यह जाने कि खेल के नियम क्या हैं (गणितीय समीकरण), प्रोटॉन के वास्तविक भौतिकी को सीख लिया।

उन्होंने केवल डेटा बिंदुओं को याद नहीं किया; उन्होंने प्रोटॉन के व्यवहार के अंतर्निहित "नियमों" को सीखा।
तथ्य यह है कि "प्रशिक्षण" (सीखना) और "परीक्षण" (परीक्षा) के स्कोर इतने करीब थे, यह साबित करता है कि उन्होंने केवल उत्तर रटकर नकल नहीं की। उन्होंने वास्तव में पैटर्न को समझा।

यह क्यों महत्वपूर्ण है

यह अध्ययन दर्शाता है कि मशीन लर्निंग भौतिकविदों के लिए एक शक्तिशाली नया उपकरण है। प्रोटॉन कैसे व्यवहार करते हैं, इसकी भविष्यवाणी करने के लिए भारी गणितीय समीकरणों से जूझने के बजाय, वे अब प्रोटॉन के स्ट्रक्चर फंक्शन की तेजी से और सटीक भविष्यवाणी करने के लिए इन AI "एम्युलेटर्स" का उपयोग कर सकते हैं। यह एक ऐसे GPS की तरह है जो पहले सिद्धांतों से यातायात प्रवाह की गणना करने के बजाय वास्तविक ट्रैफिक पैटर्न से सीखता है।

शोध यह निष्कर्ष निकालता है कि जबकि पारंपरिक गणितीय विधियाँ अभी भी आधार हैं, ये AI उपकरण उत्कृष्ट "को-पायलट" हैं जो उन अंतरालों को भर सकते हैं, विशेष रूप से उन क्षेत्रों में जहाँ हमारे पास अभी पर्याप्त प्रयोगात्मक डेटा नहीं है।

तकनीकी सारांश: QCD में प्रोटॉन स्ट्रक्चर फंक्शन $F_2^p$ की भविष्यवाणी के लिए मशीन लर्निंग

समस्या विवरण
प्रोटॉन की पार्टोनिक संरचना का निर्धारण क्वांटम क्रोमोडायनामिक्स (QCD) में एक केंद्रीय उद्देश्य बना हुआ है। पारंपरिक रूप से, क्वार्क्स और ग्लुऑन के संवेग वितरण (momentum distribution), जिसे प्रोटॉन स्ट्रक्चर फंक्शन $F_2^p(x, Q^2)$ द्वारा पहचाना जाता है, का विश्लेषण डोकशेटर-ग्रिबोव-लिपैटोव-अल्टाली-पारेसी (DGLAP) इवोल्यूशन समीकरणों को हल करके किया जाता है। हालांकि यह सफल है, लेकिन पारंपरिक दृष्टिकोण विशिष्ट कार्यात्मक रूप धारणाओं (functional form assumptions), परिष्कृत फिटिंग रणनीतियों और महत्वपूर्ण कम्प्यूटेशनल संसाधनों पर निर्भर करता है। उन क्षेत्रों में जहाँ सैद्धांतिक धारणाओं को लचीली, नॉन-पैरामीट्रिक लर्निंग द्वारा पूरक बनाया जा सकता है, वहां मॉडल-स्वतंत्र, विशुद्ध रूप से डेटा-संचालित तकनीकों का पता लगाने में बढ़ती रुचि है।

कार्यप्रणाली
लेखक उच्च-परिशुद्धता वाले प्रयोगात्मक डेटा से $F_2^p(x, Q^2)$ की सीधे भविष्यवाणी करने के लिए चार सुपरवाइज्ड मशीन लर्निंग रिग्रेशन एल्गोरिदम का उपयोग करते हुए एक तुलनात्मक अध्ययन प्रस्तुत करते हैं, जो स्पष्ट रूप से DGLAP समीकरणों के संख्यात्मक समाधान को दरकिनार करता है।

डेटासेट: यह अध्ययन BCDMS डेटासेट का उपयोग करता है, जिसमें बीजकेन स्केलिंग वेरिएबल $x$ और स्क्वेर्ड फोर-मोमेंटम ट्रांसफर $Q^2$ की एक विस्तृत श्रृंखला में प्रोटॉन स्ट्रक्चर फंक्शन के 703 माप शामिल हैं।
प्रीप्रोसेसिंग: अभिसरण (convergence) और स्थिरता सुनिश्चित करने के लिए संख्यात्मक विशेषताओं ( $x$ और $Q^2$ ) को मानकीकृत (standardized) किया गया है। यह अध्ययन केवल मूल प्रयोगात्मक मापों पर निर्भर करते हुए, डेटा ऑग्मेंटेशन या सिंथेटिक जनरेशन से सख्ती से बचता है।
मूल्यांकित मॉडल:
1. सपोर्ट वेक्टर रिग्रेशन (SVR): मॉडल की जटिलता और मजबूती को नियंत्रित करने के लिए रेडियल बेसिस फंक्शन (RBF) कर्नेल के साथ $\epsilon$ -इन्सेंसिटिव लॉस फंक्शन का उपयोग करता है।
2. ग्रेडिएंट बूस्टिंग रिग्रेशन (GBR): एक डिफरेंशिएबल लॉस फंक्शन को पुनरावृत्ति (iteratively) से कम करने के लिए डिसीजन ट्री के एक एडिटिव मॉडल का निर्माण करता है।
3. गौसियन प्रोसेस रिग्रेशन (GPR): लेटेंट फंक्शन को RBF कर्नेल के साथ एक गौसियन प्रोसेस के रूप में मॉडल करता है, जो स्वाभाविक अनिश्चितता अनुमान प्रदान करता है।
4. मल्टीलेयर परसेप्ट्रॉन (MLP): यूनिवर्सल एप्रोक्सिमेशन क्षमताओं का लाभ उठाते हुए, मीन स्क्वेयर्ड एरर (MSE) मिनिमाइजेशन के माध्यम से अनुकूलित एक फीडफॉरवर्ड न्यूरल नेटवर्क है।
वैलिडेशन रणनीति: सांख्यिकीय मजबूती सुनिश्चित करने के लिए, लेखक एकल ट्रेन-टेस्ट स्प्लिट के बजाय $k$ -फोल्ड क्रॉस-वैलिडेशन (विशेष रूप से 5-फोल्ड) का उपयोग करते हैं। सभी मॉडलों के हाइपरपैरामीटर्स को क्रॉस-वैलिडेशन लूप के भीतर ग्रिड सर्च के माध्यम से अनुकूलित किया जाता है।
मूल्यांकन मेट्रिक्स: प्रदर्शन का आकलन कोएफिशिएंट ऑफ डिटरमिनेशन ( $R^2$ ), मीन एब्सोल्यूट एरर (MAE), मीन स्क्वेयर्ड एरर (MSE), और रूट मीन स्क्वेयर्ड एरर (RMSE) का उपयोग करके किया जाता है। ओवरफिटिंग और व्यवस्थित पूर्वाग्रहों (systematic biases) का पता लगाने के लिए विस्तृत रेसिड्यूल विश्लेषण और लर्निंग कर्व्स का उपयोग किया जाता है।

मुख्य परिणाम

भविस्वाद सटीकता (Predictive Accuracy): MLP और GPR मॉडलों ने होल्ड-आउट टेस्ट सेट पर श्रेष्ठ भविष्यवाणात्मक सटीकता प्रदर्शित की। MLP ने उच्चतम $R^2$ स्कोर 0.7310 प्राप्त किया, जिसके बाद GPR 0.7231 के साथ निकटता से आया। दोनों ने कच्चे सटीकता (raw accuracy) में SVR (0.7080) और GBR (0.7062) को पीछे छोड़ दिया।
स्थिरता और मजबूती: जबकि MLP ने उच्चतम सटीकता दिखाई, इसने क्रॉस-वैलिडेशन के दौरान महत्वपूर्ण विचरण ( $\pm 0.2238$ ) प्रदर्शित किया, जो डेटा विभाजन के प्रति संवेदनशीलता को दर्शाता है। इसके विपरीत, SVR ने सबसे कम मानक विचलन ( $\pm 0.0412$ ) और सबसे सुसंगत माध्य क्रॉस-वैलिडेशन $R^2$ (0.6204) के साथ उच्चतम स्थिरता प्रदर्शित की, जो प्रयोगात्मक अनिश्चितताओं के प्रति विशेष रूप से मजबूत है।
सामान्यीकरण (Generalization): सभी मॉडलों ने प्रशिक्षण और क्रॉस-वैलिडेशन मेट्रिक्स के बीच अभिसरण दिखाया, जिसमें ओवरफिटिंग का कोई महत्वपूर्ण विचलन नहीं दिखा। विशेष रूप से, GPR और MLP ने नकारात्मक "ओवरफिटिंग" मान प्रदर्शित किए, जो यह सुझाव देता है कि प्रभावी रेगुलराइजेशन और शोर के बजाय अंतर्निहित भौतिक प्रवृत्तियों को सफलतापूर्वक कैप्चर किया गया है।
रेसिड्यूल विश्लेषण: MLP और GPR के रेसिड्यूल वितरण शून्य के आसपास कसकर केंद्रित थे और इनमें $(x, Q^2)$ प्लेन में कोई व्यवस्थित पूर्वाग्रह नहीं था। SVR ने थोड़ा अधिक फैलाव दिखाया लेकिन अनबायस्ड और किनेमैटिक रूप से स्वतंत्र रेसिड्यूल बनाए रखा।

मुख्य योगदान

डेटा-संचालित ढांचा: यह कार्य एक ऐसा डेटा-संचालित ढांचा स्थापित करता है जो DGLAP समीकरणों को हल किए बिना पार्टोनिक संरचना की जटिल नॉनलीन डायनेमिक्स को कैप्चर करता है, जो पर्टर्बेटिव QCD विश्लेषणों के लिए एक पूरक दृष्टिकोण प्रदान करता है।
तुलनात्मक विश्लेषण: यह प्रोटॉन स्ट्रक्चर फंक्शन भविष्यवाणी के लिए विशेष रूप से लागू चार अलग-अलग रिग्रेशन एल्गोरिदम (SVR, GBR, GPR, MLP) का एक कठोर तुलना प्रदान करता है, जो पीक सटीकता (MLP), संभावabilistic अनिश्चितता अनुमान (GPR), और सांख्यिकीय स्थिरता (SVR) के बीच ट्रेड-ऑफ को उजागर करता है।
QCD में ML का सत्यापन: यह अध्ययन प्रदर्शित करता है कि ML मॉडल प्रयोगात्मक डेटा से अकेले ही अंतर्निहित QCD भौतिकी को सीख सकते हैं, जैसा कि व्यवस्थित पूर्वाग्रहों की अनुपस्थिति और अनदेखे किनेमैटिक क्षेत्रों में सामान्यीकरण करने की क्षमता से सिद्ध होता है।

महत्व और दावे
लेखक दावा करते हैं कि मशीन लर्निंग रिग्रेशन स्ट्रक्चर फंक्शन विश्लेषण के लिए एक शक्तिशाली, पूरक उपकरण के रूप में कार्य करता है। इस कार्य का महत्व इस तथ्य के प्रदर्शन में निहित है कि:

ML मॉडल मॉडल-स्वतंत्र तरीके से $x$ और $Q^2$ पर $F_2^p$ की निर्भरता को प्रभावी ढंग से अनुमानित कर सकते हैं।
ये मॉडल विरल (sparse) मापों के बीच विश्वसनीय इंटरपोलेशन और अनमापे गए किनेमैटिक क्षेत्रों (जैसे, अत्यंत निम्न $x$ या उच्च $Q^2$ ) में एक्सट्रपलेशन करने में सक्षम हैं।
यह दृष्टिकोण उन परिदृश्यों के लिए एक लचीला विकल्प प्रदान करता जहाँ पर्टर्बेटिव गणनाएँ कम्प्यूटेशनल रूप से महंगी हैं या जहाँ प्रयोगात्मक डेटा विरल है, जो सैद्धांतिक गणनाओं के लिए फास्ट सरोगेट के रूप में कार्य कर सकता है।

यह शोध विनम्रता से निष्कर्ष निकालता है कि, जबकि ML एक लचीला दृष्टिकोण प्रदान करता है, भविष्य के कार्यों को इन मॉडलों को मौलिक सैद्धांतिक बाधाओं (जैसे सम नियम और धनात्मकता आवश्यकताओं) के साथ एकीकृत करने और भौतिक निरंतरता को बढ़ाने के लिए अन्य स्ट्रक्चर फंक्शन्स (जैसे $F_L$ और $g_1$ ) तक ढांचे का विस्तार करने पर ध्यान केंद्रित करना चाहिए।

इसी तरह के और पेपर