Ultra-Peripheral Collisions as a Nuclear-Structure Interferometer with Interpretable Multitask Deep Learning

तकनीकी सारांश: व्याख्यात्मक मल्टीटास्क डीप लर्निंग के साथ एक परमाणु-संरचना व्यतिकरणमापी के रूप में अल्ट्रा-पेरिफेरल कोलिजन

समस्या विवरण
परमाणु संरचना का सटीक निर्धारण, विशेष रूप से सामूहिक आकार विरूपण (जैसे क्वाड्रुपोल विरूपण $\beta_2$) और न्यूट्रॉन-स्किन मोटाई ($\Delta r_{np}$) का एक साथ निष्कर्षण, एक महत्वपूर्ण चुनौती बना हुआ है। शास्त्रीय प्रोब जैसे कि इलास्टिक इलेक्ट्रॉन स्कैटरिंग, "संरचनात्मक उलझाव की समस्या" (structural entanglement problem) का सामना करते हैं जहाँ विरूपण और न्यूट्रॉन स्किन के संकेत प्रेक्षणों (observables) में अविभाज्य रूप से जुड़े होते हैं। जबकि अल्ट्रा-पेरिफेरल कोलिजन (UPCs) कोهerent इंटरफेरेंस टोमोग्राफी के लिए एक मार्ग प्रदान करते हैं—जहाँ एक नाभिक का त्वरित विद्युत चुम्बकीय क्षेत्र एक लेजर स्रोत के रूप में कार्य करता है और दो नाभिक एक डबल-स्लिट अपर्चर के रूप में कार्य करते हैं—परिणामी ट्रांसवर्स मोमेंटम ($p_\perp$) वितरणों से मात्रात्मक बाधाएं निकालना एक कठिन 'इनवर्स प्रॉब्लम' है।

मुख्य कठिनाई "होलोग्राफिक डिजेनेरेसी" (holographic degeneracy) से उत्पन्न होती है। प्रयोगों में, नाभिक यादृच्छिक रूप से उन्मुख होते हैं, जिससे एक एन्सेम्बल औसत बनता है जो व्यतिकरण चरणों (interference phases) को धुंधला कर देता है। यह स्टोकेस्टिक उतार-चढ़ाव व्यतिकरण मिनिमा (minima) को भर देता है और स्पेक्ट्रम में सहसंबद्ध विकृतियाँ पैदा करता है जिन्हें सरल विश्लेषणात्मक व्युत्क्रमण (inversions) अलग नहीं कर सकते। इसके अलावा, प्रायोगिक वास्तविकताएं जैसे कि सीमित डिटेक्टर रिज़ॉल्यूशन, इनकोहेरेंट फोटोप्रोडक्शन बैकग्राउंड, और न्यूट्रॉन टैगिंग प्रभावी प्रभाव-पैरामीटर वितरण को और अधिक अस्पष्ट बना देते हैं, जिससे विवर्तन (डिफ्रैक्शन - जो न्यूट्रॉन स्किन के प्रति संवेदनशील है) और व्यतिकरण (इंटरफेरेंस - जो विरूपण के प्रति संवेदनशील है) पैटर्न के बीच स्वच्छ अलगाव बाधित होता है।

कार्यप्रणाली
लेखक एक व्याख्यात्मक मल्टीटास्क डीप लर्निंग फ्रेमवर्क का प्रस्ताव करते हैं जिसे परमाणु-संरचना संकेतकों के लिए "AI-एन्हांस्ड लेंस" के रूप में संकल्पित किया गया है।

1. भौतिक मॉडलिंग: अध्ययन $\sqrt{s_{NN}} = 200$ GeV पर $^{96}_{40}\text{Zr} + ^{96}_{40}\text{Zr}$ कोलिजन में कोहेरेंट $J/\psi$ फोटोप्रोडक्शन का ग्लौबर वेक्टर-मेसन-डोमिनेंस (VMD) ढांचे के माध्यम से सिमुलेशन करता है। परमाणु घनत्व को क्वाड्रुपोल ($\beta_2$) और ऑक्टुपोल ($\beta_3$) विरूपण, साथ ही स्किन-टाइप और हेलो-टाइप न्यूट्रॉन स्किन को मॉडल करने के लिए अलग-अलग प्रोटॉन और न्यूट्रॉन वितरणों के साथ एक विरूपित वुड्स-सॉक्स प्रोफाइल के साथ मॉडल किया गया है।
2. डेटा जनरेशन: सिमुलेशन रैंडम यूलर एंगल्स पर औसत निकालकर 2D ट्रांसवर्स मोमेंटम वितरण ($p_x, p_y$) उत्पन्न करता है ताकि प्रयोगात्मक एन्सेम्बल एवरेजिंग की नकल की जा सके। महत्वपूर्ण रूप से, प्रशिक्षण डेटासेट में कोहेरेंट सिग्नल और इनकोहेरेंट बैकग्राउंड (मानक ग्लौबर दृष्टिकोण के माध्यम से मॉडल किए गए) दोनों शामिल हैं, ताकि नेटवर्क को बैकग्राउंड कंटामिनेशन के प्रति लचीले मजबूत ज्यामितीय फीचर्स को सीखने के लिए मजबूर किया जा सके।
3. नेटवर्क आर्किटेक्चर: फ्रेमवर्क 224 $\times$ 244 इनपुट इमेजेस को प्रोसेस करने के लिए एक ResNet-34 बैकबोन का उपयोग करता है। आर्किटेक्चर एक साझा फीचर एक्सट्रैक्टर (स्टेज 1-4) का उपयोग करता है जिसके बाद तीन टास्क-विशिष्ट हेड्स हैं: $\beta_2$ और $\beta_3$ के लिए दो रिग्रेशन हेड्स, और न्यूट्रॉन-स्किन प्रकार (स्किन, हेलो, या कोई नहीं) के लिए एक क्लासिफिकेशन हेड। यह मल्टीटास्क डिज़ाइन नेटवर्क को एक एकीकृत लेटेंट रिप्रेजेंटेशन सीखने के लिए मजबूर करता है जो व्यतिकरणोग्राम (interferogram) की संयुक्त निर्भरता को कैप्चर करता है।
4. व्याख्यात्मकता (Interpretability): मॉडल की भौतिक प्रासंगिकता को मान्य करने के लिए, लेखक यह पहचानने के लिए 'प्रेडिक्शन डिफरेंस एनालिसिस' (PDA) लागू करते हैं कि कौन से मोमेंटम स्पेस क्षेत्र विशिष्ट निष्कर्षों को संचालित करते हैं।

प्रमुख परिणाम

• प्रदर्शन: मॉडल एक स्ट्रेस-टेस्ट वातावरण में उच्च सटीकता प्रदर्शित करता है जिसमें इनकोहेरेंट बैकग्राउंड शामिल है। वास्तविक बैकग्राउंड स्तरों ($n=1$) के लिए, फ्रेमवर्क $\beta_2$ के लिए $R^2 \approx 0.96$ और $\beta_3$ के लिए $R^2 \approx 0.93$ प्राप्त करता है, और न्यूट्रॉन-स्किन प्रकारों को वर्गीकृत करने में 99.3% सटीकता प्राप्त करता है। यहाँ तक कि जब इनकोहेरेंट क्रॉस-सेक्शन को दो ऑर्डर ऑफ मैग्नीट्यूड ($n=100$) बढ़ाया जाता है, तब भी मॉडल मजबूत प्रदर्शन बनाए रखता है, हालांकि $\beta_3$ (जो सूक्ष्म, स्थानीयकृत संशोधनों को प्रेरित करता है) $\beta_2$ की तुलना में थोड़ा तेजी से घटता है।
• फीचर डिसेंटैंगलमेंट (विशेषता पृथक्करण): व्याख्यात्मकता विश्लेषण से पता चलता है कि नेटवर्क सफलतापूर्वक दो संरचनात्मक क्षेत्रों के भौतिक चालकों को अलग करता है। विरूपण मापदंडों ($\beta_2, \beta_3$) का रिग्रेशन मुख्य रूप से डार्क इंटरफेरेंस फ्रिंज (फेज-सेंसिटिव क्षेत्र) द्वारा संचालित होता है, जबकि न्यूट्रॉन-स्किन प्रकार का वर्गीकरण ब्राइट डिफ्रैक्शन स्पॉट्स के किनारों (एम्प्लीट्यूड-सेंसिटिव क्षेत्र) पर निर्भर करता है।
• अवलोकनीय (Observables) का व्युत्पत्ति: लेखक इन सीखे गए फीचर्स को प्रयोगात्मक रूप से सुलभ काइनेमैटिक अवलोकनीयों में अनुवादित करते हैं:
  • विरूपण (Deformation): इसे "फ्रिंज एवरेज वैल्यू" (निचले 5% पिक्सेल का माध्य तीव्रता) से मैप किया गया है, जो बहुत कम $p_T$ ($< 0.005$ GeV/c) पर यील्ड अनुपात और निम्न-$p_T$ शासन में एनिसोट्रोपिक फ्लो गुणांकों ($v_2, v_3$) के साथ सहसंबंधित है।
  • न्यूट्रॉन स्किन: इसे ब्राइट स्पॉट्स के "हाफ-विड्थ एट हाफ-मैक्सिमम" (HWHM) से मैप किया गया है, जो उच्च $p_T$ क्षेत्र ($0.14 < p_T < 0.16$ GeV/c) में माध्य ट्रांसवर्स मोमेंटम $\langle p_T \rangle$ और एनिसोट्रोपिक फ्लो गुणांकों के साथ सहसंबंधित है।

महत्व और दावे
यह शोध पत्र पारंपरिक फिटिंग प्रक्रियाओं में निहित पैरामीटर डिजेनेरेसी के बिना परमाणु विरूपण और न्यूट्रॉन-स्किन मोटाई को एक साथ सीमित करने की दीर्घकालिक समस्या का समाधान प्रदान करने का दावा करता है। UPCs को फेम्टोस्कोपिक डबल-स्लिट प्रयोगों के रूप में मानकर और डीप लर्निंग लागू करके, लेखक प्रदर्शित करते हैं कि परमाणु आकार और सतह के प्रसार (surface diffuseness) के उलझे हुए संकेतों को प्रभावी ढंग से अलग किया जा सकता है।

प्राथमिक योगदान केवल मशीन लर्निंग का अनुप्रयोग नहीं है, बल्कि इसकी व्याख्यात्मकता है, जो उच्च-आयामी स्पेक्ट्रल आकृतियों और विशिष्ट काइनेमैटिक विंडोज़ के बीच के अंतर को पाटती है। लेखक तर्क देते हैं कि मानक फ्लो हार्मोनिक्स और यील्ड अनुपात, जो पहचाने गए काइनेमैटिक विंडोज़ के भीतर हैं, जटिल व्यतिकरण पैटर्न के प्रॉक्सी के रूप में कार्य कर सकते हैं, जिससे पूर्ण इमेज रिकंस्ट्रक्शन या मॉडल-डिपेंडेंट ग्लोबल फिट की आवश्यकता के बिना परमाणु ज्यामिति पर मात्रात्मक बाधाएं लगाई जा सकती हैं। यह कार्य सुझाव देता है कि यह "AI-एन्हांस्ड लेंस" स्थानिक ग्लूऑन घनत्व और जनरलाइज्ड पार्टोन डिस्ट्रीब्यूशन (GPDs) की जांच करने के लिए भी विस्तारित किया जा सकता है, जो फेम्टोमीटर स्केल पर नाभिक की इमेजिंग के लिए एक नया मार्ग प्रदान करता है।