⚛️ high-energy experiments

ALETHEIA: Autonomous Loop for Experimental Theory and HEP Inference Across-data

ALETHEIA एक स्वायत्त, स्व-पूर्ण होने वाला ढांचा है जो हाई एनर्जी फिजिक्स के लिए क्रमपरिवर्तनीय भौतिकी फाउंडेशन मॉडल (ManifoldInformer) को पुनरावृत्ति से निर्मित करने हेतु एक सक्रिय-लर्निंग लूप का उपयोग करता है, जो पूर्ण शिक्षण प्राप्त करने तक अवशिष्ट विश्लेषण (residual analysis) के आधार पर नए स्टैंडर्ड मॉडल इफेक्टिव फील्ड थ्योरी ऑपरेटर्स की स्वचालित रूप से पहचान करता है और उन्हें सम्मिलित करता है।

मूल लेखक: Vincent Alexander Croft

प्रकाशित 2026-06-10

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Vincent Alexander Croft

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

कल्पना कीजिए कि आप एक रोबोट को एक जटिल, अदृश्य परिदृश्य को समझने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं जिसे "भौतिकी" (Physics) कहा जाता है। यह परिदृश्य पहाड़ों और नदियों से नहीं बना है, बल्कि उन अदृश्य नियमों और बलों से बना है जो कणों के व्यवहार को नियंत्रित करते हैं। यह शोध पत्र ALETHEIA (यूनानी शब्द "सत्य" के लिए) नामक एक उपकरण पेश करता है जो इस परिदृश्य के लिए एक स्व-चालित खोजकर्ता (self-driving explorer) के रूप में कार्य करता है।

यह कैसे काम करता है, इसे सरल अवधारणाओं में विभाजित किया गया है:

1. लक्ष्य: एक अदृश्य दुनिया का मानचित्रण करना

वैज्ञानिकों के पास एक "मानचित्र" है कि ब्रह्मांड को कैसे काम करना चाहिए (स्टैंडर्ड मॉडल), लेकिन उन्हें संदेह है कि वहां कुछ छिपी हुई विशेषताएं हैं जिन्हें उन्होंने अभी तक नहीं खोजा है। ये छिपी हुई विशेषताएं किसी रेसिपी में नए अवयवों (ingredients) की तरह हैं। लक्ष्य एक ऐसा मॉडल बनाने का है जो बिल्कुल यह सीख सके कि वे अवयव क्या हैं और वे ब्रह्मांड के स्वाद को कैसे बदलते हैं, और यह सब केवल कण टकराव (particle collisions) से प्राप्त डेटा का उपयोग करके किया जा सके।

2. दो कार्य: "अंतराल भरना" बनाम "नए कमरे जोड़ना"

शोध पत्र का तर्क है कि अधिकांश पिछले तरीकों ने एक साथ दो बहुत अलग काम करने की कोशिश की, जिससे रोबोट भ्रमित हो गया। ALETHEIA उन्हें दो अलग-अलग भूमिकाओं में विभाजित करता है:

कार्य A: "पिन-डाउन" (सक्रिय शिक्षण/Active Learning)
कल्पना कीजिए कि आपके पास एक पहेली है जिसके कुछ टुकड़े गायब हैं। आप जानते हैं कि गायब टुकड़े कहाँ जाते हैं, आपको बस उनका सटीक आकार ढूंढना है। यह "एक्टिव लर्निंग" वाला हिस्सा क्या करता है। यह वर्तमान मॉडल को देखता है और पूछता है, "यदि मैं इस विशिष्ट परिदृश्य का परीक्षण करूँ, तो क्या यह उन नियमों के लिए संख्याओं (गुणांकों/coefficients) को सटीक बनाने में मदद करेगा जिन्हें मैं पहले से जानता हूँ?" यह सबसे सहायक परीक्षण मामलों का चयन करता है ताकि मॉडल को सटीक बनाया जा सके।
कार्य B: "वास्तुकार" (भौतिकी विस्तार/Physics Expansion)
अब कल्पना कीजिए कि आपको एहसास होता है कि आपकी पहेली में चित्र का एक पूरा हिस्सा ही गायब है, न कि केवल कुछ टुकड़े। आप केवल रिक्तियों को देखकर इसका अनुमान नहीं लगा सकते; आपको "त्रुटि के आकार" को देखना होगा। यह "भौतिकी" वाला हिस्सा है। ALETHEIA देखता है कि मॉडल कहाँ गलत हुआ (जिसे "रेसिड्यू" या residual कहते हैं)। यदि त्रुटि एक विशिष्ट पैटर्न की तरह दिखती है, तो वह जानता है कि मॉडल में एक नया "नियम" (ऑपरेटर) जोड़ने की आवश्यकता है। वह अनुमान नहीं लगाता; वह गलती के ब्लूप्रिंट को पढ़ता है।

3. इंजन: "मैनिफोल्डइनफॉर्मर" (ManifoldInformer)

इस प्रणाली का मस्तिष्क एक विशेष न्यूरल नेटवर्क है जिसे ManifoldInformer कहा जाता है।

इसे एक अनुवादक के रूप में सोचें जो कण टकराव के अराजक ढेर (जिसका कोई क्रम नहीं है) को एक स्वच्छ, व्यवस्थित सारांश में बदल देता है।
यह "परम्यूटेशन-इनवेरिएंट" (permutation-invariant) है, जिसका अर्थ है कि इससे कोई फर्क नहीं पड़ता कि कण A-B-C क्रम में आते हैं या C-B-A; सारांश समान रहता है।
यह भौतिकी के नियमों के "आकार" की भविष्यवाणी करने में इतना सटीक है कि यह गणितीय रूप से आधारभूत सिद्धांत को लगभग पूर्ण सटीकता (99.9%) के साथ पुनर्गठित कर सकता है।

4. लूप: यह कैसे सीखता है

ALETHEIA एक निरंतर चक्र में चलता है, जैसे कि एक स्व-सुधार करने वाला GPS:

परीक्षण (Test): यह परीक्षण करने के लिए एक विशिष्ट परिदृश्य (एक "वर्किंग पॉइंट") चुनता है।
जांच (Check): यह अपने पूर्वानुमान की वास्तविक डेटा से तुलना करता है।
पता लगाना (Detect): यह गलती के "फिंगरप्रिंट" को देखता है।
- यदि गलती केवल संख्याओं में एक छोटा सा उतार-चढ़ाव है, तो "पिन-डाउन" कार्य सक्रिय होता है ताकि संख्याओं को ठीक किया जा सके।
- यदि गलती एक पूरी नई दिशा प्रकट करती है जिसे मॉडल नहीं समझता है, तो "वास्तुकार" कार्य सक्रिय होता है। यह उस नई दिशा को संभालने के लिए मॉडल में एक नया "कमरा" जोड़ देता है।
दोहराना (Repeat): यह तब तक जारी रखता है जब तक कि मॉडल इतना पूर्ण न हो जाए कि नए नियम जोड़ने से कोई बदलाव न आए।

5. "जादुई" मीट्रिक: सिंगुलर वैल्यू (Singular Value)

सिस्टम को कैसे पता चलता है कि वह कब समाप्त हो गया है? यह एक गणितीय उपकरण का उपयोग करता है जिसे सिंगुलर वैल्यू डिकंपोजिशन (इसे मॉडल के लिए "तनाव परीक्षण" के रूप में सोचें) कहा जाता है।

कल्पना कीजिए कि मॉडल मछली पकड़ने वाला एक जाल है। यदि जाल में एक बड़ा छेद है, तो एक बड़ी मछली (एक बड़ी त्रुटि) निकल जाएगी।
सिस्टम निकलने वाली सबसे बड़ी मछली के आकार को मापता है।
जब सिस्टम एक नया नियम जोड़ता है, तो वह "बड़ी मछली" अचानक सिकुड़कर एक छोटी मछली बन जाती है।
जब मछली इतनी छोटी हो जाती है कि वे पानी के शोर (noise) से भी छोटी हो जाती हैं, तो सिस्टम जान जाता है: "हमने पूरे परिदृश्य का मानचित्रण कर लिया है। हम समाप्त हो गए हैं।"

6. परिणाम: एक स्व-पूर्ण मानचित्र

यह शोध पत्र एक विशिष्ट प्रकार के कण टकराव (ड्रे-यान/Drell-Yan) पर इसका प्रदर्शन करता है।

पदानुक्रम (The Hierarchy): इसने पहले "बड़े" नियमों (फोर-फर्मियन ऑपरेटर्स) को सीखा जो कणों की ऊर्जा को महत्वपूर्ण रूप से बदलते हैं।
सूक्ष्म नियम (The Subtle Rules): एक बार जब इन पर महारत हासिल हो गई, तो इसने "सूक्ष्म" नियमों (वर्टेक्स ऑपरेटर्स) को अनलॉक किया जो कणों के कोण में सूक्ष्म बदलाव की तरह हैं।
प्रमाण: सिस्टम को यह जानकर पता चला कि वह समाप्त हो गया है क्योंकि नए सूक्ष्म नियम जोड़ने से कोई भी नई "बड़ी मछली" दिखाई नहीं दी। मॉडल "स्पैन-कम्प्लीट" (span-complete) था: इसने भौतिकी के संपूर्ण आकार को पकड़ लिया था।

सारांश

ALETHEIA एक स्व-चालित वैज्ञानिक है। यह केवल यह अनुमान नहीं लगाता कि नई भौतिकी क्या हो सकती है; यह एक मॉडल बनाता है, जांचता है कि वह कहाँ विफल होता है, और उन विफलताओं को ठीक करने के लिए स्वचालित रूप से बिल्कुल सही नए नियम जोड़ता है। यह तब तक इसे जारी रखता है जब तक कि मॉडल पूर्ण न हो जाए, और यह साबित करने के लिए कि इसने सत्य को सही ढंग से और पूरी तरह से सीखा है, एक डिजिटल "ऑडिट ट्रेल" (जिसे फीनिक्सस/Phoenix कहा जाता है) का उपयोग करता है।

मुख्य निष्कर्ष: यह "संख्याओं को फाइन-ट्यून करने" के काम को "नए नियमों की खोज करने" के काम से अलग करता है, जिससे AI को मानवीय हस्तक्षेप के बिना जटिल भौतिकी का एक पूर्ण और सटीक मानचित्र बनाने की अनुमति मिलती है।

तकनीकी सारांश: ALETHEIA – प्रयोगात्मक सिद्धांत और HEP अनुमान के लिए स्वायत्त लूप (Autonomous Loop for Experimental Theory and HEP Inference Across-data)

समस्या विवरण (Problem Statement)
यह शोध पत्र उच्च ऊर्जा भौतिकी (High Energy Physics - HEP) में मॉडल प्रस्ताव, डेटा पीढ़ी और मॉडल समायोजन के वैज्ञानिक चक्र को स्वचालित करने की चुनौती को संबोधित करता है। विशेष रूप से, यह अज्ञात भौतिकी मैनिफोल्ड्स (physics manifolds) से दर्शाए गए डेटा से भौतिकी फाउंडेशन मॉडल्स के अनुमान (inference) को लक्षित करता है, जैसे कि स्टैंडर्ड मॉडल प्रभावी क्षेत्र सिद्धांत (Standard Model Effective Field Theory - SMEFT) द्वारा वर्णित। मौजूदा साहित्य में एक प्रमुख कठिनाई दो संलयित (conflated) कार्यों के बीच अंतर करना है: एक प्रतिनिधित्व को पूर्ण करना (एक निश्चित ऑपरेटर सेट के लिए गुणांकों को पिन करना) और एक प्रतिनिधित्व का विस्तार करना (यह निर्धारित करना कि कौन से नए ऑपरेटर या डिग्री ऑफ फ्रीडम गायब हैं)। शोध पत्र का तर्क है कि सक्रिय शिक्षण (active learning) पहले कार्य के लिए उपयुक्त है लेकिन दूसरे के लिए अनुपयुक्त है जब लुप्त दिशाएं (missing directions) कमजोर रूप से पहचानी जाती हैं, जिसके लिए इन भूमिकाओं के पृथक्करण की आवश्यकता है।

कार्यप्रणाली (Methodology)
लेखक ALETHEIA का प्रस्ताव करते हैं, जो एक स्व-पूर्ण होने वाला (self-completing) टूल है जो एक सक्रिय-शिक्षण लूप के माध्यम से भौतिकी मैनिफोल्ड्स के सीखने को स्वचालित करता है। यह प्रणाली तीन मुख्य घटकों पर आधारित है:

द मैनिफोल्डइनफॉर्मर (The ManifoldInformer - फाउंडेशन मॉडल):
- एक नवीन तंत्रिका संरचना (neural architecture) जिसे क्रम-अपरिवर्तनीय (permutation-invariant), प्रति-घटना प्रतिनिधित्व (per-event representations) के लिए डिज़ाइन किया गया है।
- यह एक साझा प्रति-घटना एनकोडर ( $\psi_\theta$ ) का उपयोग करता है जो काइनेमैटिक वेक्टर्स (जैसे, $\log m_{\ell\ell}, \cos \theta^*$ ) को Deep Sets या Energy-Flow पूलिंग का उपयोग करके संसाधित करता है।
- एक क्लोज्ड-फॉर्म रिज हेड (closed-form ridge head) एक दिए गए वर्किंग पॉइंट $c$ (विलसन गुणांक) के लिए मैनिफोल्ड कोऑर्डिनेट $w_\theta(c)$ को हल करता है, जो रैखिक प्रणाली $(K^\top K + \alpha I)^{-1}K^\top V$ का उपयोग करता है।
- लेटेंट स्पेस (latent space) को SMEFT की विश्लेतिक मॉर्फिंग ज्यामिति (analytic morphing geometry) को पुनः प्राप्त करने के लिए प्रशिक्षित किया जाता है, विशेष रूप से रैखिक हस्तक्षेप पद (linear interference terms/tangents) और द्विघाती एम्प्लीट्यूड वर्ग (quadratic squared-amplitude terms/curvatures), जिसे लीनियर प्रोब्स के माध्यम से सत्यापित किया गया है।
द कम्प्लीट-देन-एक्सपैंड लूप (The Complete-Then-Expand Loop):
लूप अधिग्रहण (acquisition) और विस्तार (expansion) के कार्यों को अलग करता है:
- अधिग्रहण (AL पूर्ण करता है): एक निश्चित ऑपरेटर सामग्री दिए जाने पर, एक अधिग्रहण नियम (विशेष रूप से एक रेसिडुअल-एनर्जी नियम या EPIG) ऐसे वर्किंग पॉइंट्स चुनता है जो "आउट-ऑफ-स्पैन" ऊर्जा को अधिकतम करते हैं। यह रैंडम सैंपलिंग की तुलना में कम नमूनों का उपयोग करके मॉडल के गुणांकों को पिन करता है।
- विस्तार (Physics विस्तार करता है): सिस्टम एक रेसिडुअल-SVD फिंगरप्रिंट की निगरानी करता है। यह रेसिडुअल ऑपरेटर $R$ (लॉग-लाइक्लीहुड रेशियो का वह भाग जिसे वर्तमान एनकोडर कैप्चर नहीं कर पाया है) की गणना करता है। यदि $R$ का अग्रणी सिंगुलर मान $\sigma_1$ , एक पूर्णता फ्लोर (completion floor) $\tau$ से अधिक हो जाता है, तो सिस्टम एक $\psi$ -एक्सटेंशन करता है: यह डोमिनेंट रेसिडुअल दिशा $u_1$ को एनकोडर के फीचर स्पेस में जोड़ देता है।
- ऑपरेटर अनलॉकिंग (Operator Unlocking): ऑपरेटर सामग्री का विस्तार अधिग्रहण नियम द्वारा नहीं, बल्कि SMEFT पावर काउंटिंग द्वारा संचालित होता है। लूप अग्रणी-क्रम मैनिफोल्ड (जैसे, फोर-फर्मियन ऑपरेटर) को पूरा करने के बाद ही उप-अग्रणी (subleading) स्तरों (जैसे, वर्टेक्स ऑपरेटर) को अनलॉक करता है।
निगरानी और नियंत्रण (Monitoring and Control):
पूरी प्रक्रिया को Arize-Phoenix स्पैन का उपयोग करके इंस्ट्रूमेंट किया गया है। लूप $\sigma_1$ के ट्रेस और $\sigma_1/\sigma_2$ के अनुपात की निगरानी करता है।
- "सही ढंग से सीखना" (Learning Correctly): इसे तब सत्यापित किया जाता है जब एक $\psi$ -एक्सटेंशन $\sigma_1$ में तत्काल, महत्वपूर्ण गिरावट (जैसे, 31 का कारक) का कारण बनता है।
- "पूर्णतः सीखा गया" (Learned Completely): इसे तब सत्यापित किया जाता है जब $\sigma_1$ शोर के स्तर (noise floor) से नीचे गिर जाता है और नए ऑपरेटर स्तरों को अनलॉक करने के बाद भी वहीं रहता है, जो दर्शाता है कि मैनिफोल्ड 'स्पैन-कम्प्लीट' है।

मुख्य परिणाम (Key Results)
इस विधि का प्रदर्शन एक एनालिटिक ओरैकल का उपयोग करके न्यूट्रल-करंट डरेल-यान प्रक्रिया (neutral-current Drell-Yan process) और डायमेंशन-सिक्स SMEFT ऑपरेटर्स (चार फोर-फर्मियन और चार वर्टेक्स ऑपरेटर) पर किया गया।

लेटेंट रिकवरी (Latent Recovery): ManifoldInformer के लेटेंट स्पेस ने एनालिटिक मॉर्फिंग टेंगेंट्स को $R^2 = 0.99999$ और कर्वेचर्स को $R^2 = 0.954$ के साथ पुनः प्राप्त किया, जो पुष्टि करता है कि एनकोडर सटीक एनालिटिक ज्यामिति को कैप्चर करता है।
रेसिडुअल कोलैप्स (Residual Collapse): एक मास-ओनली एनकोडर ( $D_\psi=5$ ) से शुरू करते हुए, लूप ने चार विस्तार किए ( $D_\psi: 5 \to 9$ )। पहले विस्तार ने पीक रेसिडुअल सिंगुलर वैल्यू को 5.36 से घटाकर 0.173 (31 का कारक) कर दिया। सभी चार विस्तारों में, $\sigma_1$ 4.03 से गिरकर 0.026 (लगभग 150 का कारक) हो गया।
स्पैन-कम्प्लीटनेस (Span-Completeness): चार विस्तारों के बाद, $\sigma_1$ पूर्णता फ्लोर ( $\tau=0.30$ ) से नीचे रहा। जब उप-अग्रणी वर्टेक्स ऑपरेटरों को अनलॉक किया गया, तो कोई और विस्तार ट्रिगर नहीं हुआ, जो दर्शाता है कि अग्रणी स्तर के लिए निर्मित आधार (basis) ने उप-अग्रणी स्तर की कोणीय संरचना (angular structure) को भी स्पैन कर लिया था।
दक्षता (Efficiency): रेसिडुअल-एनर्जी अधिग्रहण आर्म ने रैंडम एक्विजिशन आर्म (मीडियन 5 चक्र बनाम 6) की तुलना में पूर्णता अवस्था तक देर से नहीं पहुँचा, हालांकि प्राथमिक मीट्रिक कच्चे सैंपलिंग स्पीड के बजाय शुद्धता और पूर्णता थी।

महत्व और दावे (Significance and Claims)
शोध पत्र दावा करता है कि ALETHEIA स्व-पूर्ण होने वाले भौतिकी फाउंडेशन मॉडल्स के लिए एक कठोर ढांचा प्रदान करता है। इसके प्राथमिक योगदान हैं:

भूमिकाओं का पृथक्करण (Separation of Roles): यह "गुणांकों को पिन करने" (एक्टिव लर्निंग द्वारा प्रबंधित) और "नए ऑपरेटरों को चुनने" (रेसिडुअल स्ट्रक्चर और पावर काउंटिंग द्वारा प्रबंधित) के कार्यों को अलग करता है। यह अधिग्रहण नियम को गलत भौतिक दिशाओं का अनुमान लगाने से रोकता है।
पूर्णता के परिचालन हस्ताक्षर (Operational Signatures of Completeness): यह एक विधि पेश करता है जिससे निगरानी किए गए ट्रेस ( $\sigma_1$ कोलैप और स्थिरता) से सीधे "सही ढंग से सीखना" और "पूर्णतः सीखना" को पढ़ा जा सकता है, बजाय इसके कि पोस्ट-हॉक विश्लेषण या दावों पर निर्भर रहा जाए।
सामान्यीकरण क्षमता (Generalizability): आर्किटेक्चर को किसी भी ऐसी सेटिंग के लिए सामान्यीकृत किया जा सकता है जहाँ एक सटीक जेनेरेटिव स्ट्रक्चर (जैसे, SMEDT मॉर्फिंग पॉलीनोमियल) मौजूद हो जो मॉडल जटिलता को क्रमबद्ध करने की अनुमति देता है।

लेखक इस विशिष्ट एनालिटिक ओरकल पर सैंपलिंग स्पीडअप के संबंध में अपनी विनम्रता स्पष्ट करते हैं, यह नोट करते हुए कि रैंडम सैंपलिंग पर एक्टिव लर्निंग का लाभ महंगे सिम्युलेटर और उच्च ऑपरेटर आयामों वाले परिदृश्यों में प्रकट होने की उम्मीद है। मुख्य योगदान पूर्णता डायग्नोस्टिक और अधिग्रहण एवं विस्तार तर्क का पृथक्करण है।