⚛️ high-energy experiments

Parnassus: A GPU-enabled, Python-based Package for Fast Particle Detector Simulation and Reconstruction

यह शोध पत्र पारनासस (Parnassus) को प्रस्तुत करता है, जो एक सार्वजनिक, GPU-सक्षम पायथन/पायटॉर्च (Python/PyTorch) फ्रेमवर्क है जो विभिन्न कण भौतिकी प्रयोगों के लिए तेज़, विनिमेय डिटेक्टर सिमुलेशन और पुनर्निर्माण मॉडल प्रदान करता है, और जियोन्ट4 (Geant4) तथा डेलफिस (Delphes) जैसे पारंपरिक उपकरणों का एक ROOT-मुक्त विकल्प प्रदान करता है।

मूल लेखक: Abdelrahman Elabd, Eilam Gross, Dmitrii Kobylianskii, Benjamin Nachman

प्रकाशित 2026-06-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Abdelrahman Elabd, Eilam Gross, Dmitrii Kobylianskii, Benjamin Nachman

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 सटीक रूप से भविष्यवाणी करने की कोशिश कर रहे हैं कि एक जटिल मशीन, जैसे कि एक विशाल भौतिकी प्रयोगशाला में एक कण डिटेक्टर (particle detector), कैसे प्रतिक्रिया देगी जब एक उप-परमाणु कण (subatomic particle) उससे टकराता है।

वास्तविक दुनिया में, वैज्ञानिक एक अत्यंत विस्तृत, अत्यंत धीमी कंप्यूटर प्रोग्राम का उपयोग करते हैं जिसे Geant4 कहा जाता है ताकि सिम्युलेट किया जा सके। Geant4 को एक हाई-डेफिनिशन, 4K मूवी कैमरे के रूप में समझें जो बारिश की हर एक बूंद, हवा के हर झोंके और गिरते हुए हर पत्ते को रिकॉर्ड करता है। यह अविश्वसनीय रूप से सटीक है, लेकिन इसे रेंडर करने में इतना समय लगता है कि केवल एक "तूफान" (एक कण टकराव) को सिम्युलेट करने में घंटों लग सकते हैं। यदि आप लाखों तूफानों का अध्ययन करना चाहते हैं, तो आपको वर्षों तक चलने वाले सुपरकंप्यूटर फार्म की आवश्यकता होगी।

Parnassus एक नया टूल है जो एक स्मार्ट, इंस्टेंट वेदर फोरकास्ट (तुरंत मौसम का पूर्वानुमान) की तरह काम करता है। एक पूर्ण विवरण देने के बजाय, यह तूफान के अंतिम परिणाम की भविष्यवाणी करने के लिए एक "शॉर्टकट" का उपयोग करता है।

यहाँ यह पेपर इस टूल को सरल शब्दों में कैसे समझाता है:

1. "जादुई अनुवादक" (मुख्य विचार)

Parnassus एक सॉफ्टवेयर पैकेज है जो "सत्य" (जो कणों को एक आदर्श निर्वात/vacuum में करना चाहिए) को सीधे "वास्तविकता" (जो डिटेक्टर वास्तव में देखता है, टकराव की उथल-पुथल के बाद) में अनुवादित करता है।

पुराना तरीका: आप डिटेक्टर का एक पूर्ण-पैमाने का मॉडल बनाते हैं, कण के टकराने का सिम्युलेशन करते हैं, हर उछाल को ट्रैक करते हैं, और फिर परिणाम मापते हैं। (धीमा, जैसे यह देखने के लिए कि बारिश में घर कैसा दिखता है, एक असली घर बनाना)।
Parnassus का तरीका: आप कण का "ब्लूप्रिंट" (खाका) इसमें डालते हैं, और यह तुरंत "तैयार घर" बाहर निकाल देता है जिसमें बारिश से होने वाले नुकसान की गणना पहले ही की जा चुकी होती है। (तेज़, जैसे AI का उपयोग करके बारिश में घर की एक फोटो जेनरेट करना)।

2. दो अलग-अलग "शॉर्टकट"

पेपर कहता है कि Parnassus दो अलग-अलग प्रकार के शॉर्टकट ("बैकएंड्स") प्रदान करता है:

"AI आर्टिस्ट" (न्यूरल मॉडल्स): यह "फ्लो मैचिंग" (Flow Matching) नामक आर्टिफिशियल इंटेलिजेंस का उपयोग करता है। कल्पना करें कि एक कलाकार है जिसने कणों के दिखने के लाखों फोटो का अध्ययन किया है कि वे डिटेक्टर से टकराने के बाद कैसे दिखते हैं। जब आप उसे एक नया कण दिखाते हैं, तो वह तुरंत उस चीज़ की तस्वीर बना देता है जो डिटेक्टर देखेगा। यह अविश्वसनीय रूप से तेज़ है और शक्तिशाली ग्राफिक्स कार्ड (GPUs) पर चलता है, जो वही चिप्स हैं जिनका उपयोग गेमिंग के लिए किया जाता है।
"गणितीय कैलकुलेटर" (TorchDelphes): यह 'Delphes' नामक एक पुराने टूल का पुनर्गठित संस्करण है, जिसे पूरी तरह से पायथन (एक लोकप्रिय कोडिंग भाषा) में बनाया गया है ताकि यह उन तेज़ ग्राफिक्स कार्डों पर भी चल सके। यह नुकसान का अनुमान लगाने के लिए गणितीय सूत्रों का उपयोग करता है, ठीक वैसे ही जैसे एक मौसम विज्ञानी तूफान की भविष्यवाणी करने के लिए समीकरणों का उपयोग करता है।

3. "यूनिवर्सल एडाप्टर"

Parnassus की सबसे शानदार विशेषताओं में से एक यह है कि इसे इस बात से फर्क नहीं पड़ता कि आप किस डिटेक्टर का सिम्युलेशन कर रहे हैं।

डिटेक्टर सेटिंग्स को "कार्ड्स" (जैसे ताश की गड्डी) के रूप में सोचें।
यदि आप CMS डिटेक्टर (जो CERN में उपयोग किया जाता है) का सिम्युलेशन करना चाहते हैं, तो आप "CMS कार्ड" चुनते हैं।
यदि आप ATLAS या ALEPH डिटेक्टरों का सिम्युलेशन करना चाहते हैं, तो आप बस कार्ड बदल देते हैं।
जादू: आपको AI को फिर से प्रशिक्षित करने या कोड को फिर से लिखने की आवश्यकता नहीं है। आप बस कार्ड बदलते हैं, और वही टूल नए डिटेक्टर के लिए काम करता है। यह एक यूनिवर्सल रिमोट कंट्रोल की तरह है जो आपके टीवी, स्टीरियो और एयर कंडीशनर पर काम करता है, बस एक अलग बटन दबाकर।

4. यह क्यों मायने रखता है (द स्पीड बूस्ट)

पेपर इस बात पर जोर देता है कि Parnassus GPU-एनेबल्ड है।

पुराने टूल्स: मानक कंप्यूटर प्रोसेसर (CPUs) पर चलते थे, जो एक अकेले शेफ की तरह हैं जो भोजन पका रहा है। वे अच्छे हैं, लेकिन धीमे हैं।
Parnassus: ग्राफिक्स प्रोसेसिंग यूनिट्स (GPUs) पर चलता है, जो एक साथ काम करने वाले 10,000 शेफ वाले किचन की तरह है।
परिणाम: पेपर दिखाता है कि Parnassus पुराने तरीकों की तुलना में इवेंट्स (सिमुलेशन) को बहुत तेज़ी से प्रोसेस कर सकता है, विशेष रूप से जब AI मॉडल का उपयोग किया जाता है। यह पुराने तरीकों द्वारा कुछ सिम्युलेशन करने में लगने वाले समय में हजारों सिम्युलेशन को संभाल सकता है।

5. यह वास्तव में क्या करता है (और क्या नहीं करता)

यह पेपर इस टूल के बारे में बहुत विशिष्ट है:

यह करता है: सिम्युलेट करता है कि एक डिटेक्टर कणों को कैसे देखता है, उन्हें "जेट्स" (कणों के क्लस्टर) में समूहित करता है, और ऊर्जा और दिशा जैसी चीजों की गणना करता है। यह ऐसी फाइलें आउटपुट करता है जिनका वैज्ञानिक तुरंत उपयोग कर सकते हैं।
यह नहीं करता: यह पूरी तरह से वास्तविक, धीमे सिम्युलेशन की आवश्यकता को समाप्त नहीं करता है। AI मॉडल को वास्तविक, धीमे सिम्युलेशन से डेटा पर प्रशिक्षित किया गया था ताकि वे नकल करना सीख सकें।
यह नहीं करता: यह कोई मेडिकल टूल या पृथ्वी पर मौसम की भविष्यवाणी करने वाला टूल नहीं है। यह विशेष रूप से हाई-एनर्जी फिजिक्स (ब्रह्मांड के सबसे छोटे निर्माण खंडों का अध्ययन) के लिए है।

सारांश उपमा (Summary Analogy)

कल्पना कीजिए कि आप एक फिल्म निर्देशक हैं।

Geant4 ऐसा है जैसे 10,000 कलाकारों को काम पर रखना, एक असली शहर बनाना और एक दृश्य को वास्तविक समय में फिल्माना। यह एकदम सही है, लेकिन इसमें एक महीना लगता है।
Parnassus वैसा है जैसे उसी दृश्य को 5 सेकंड में जेनरेट करने के लिए एक शक्तिशाली AI का उपयोग करना। यह 99% समान दिखता है, लेकिन आप एक दृश्य बनाने में लगने वाले समय में 1,000 अलग-अलग संस्करण बना सकते हैं।

पेपर Parnassus को एक मुफ्त, ओपन-सोर्स टूल के रूप में प्रस्तुत करता है जो भौतिकविदों को जटिल, पुराने सॉफ्टवेयर को इंस्टॉल किए बिना अपने स्वयं के कंप्यूटरों पर ये "इंस्टेंट सिम्युलेशन" चलाने की अनुमति देता है, जिससे ब्रह्मांड का अध्ययन बहुत तेज़ और अधिक सुलभ हो जाता है।

Parnassus का तकनीकी सारांश

समस्या विवरण
कण और परमाणु भौतिकी में पूर्ण डिटेक्टर सिमुलेशन और पुनर्निर्माण (reconstruction), जो आमतौर पर Geant4 पर आधारित होता है, अत्यधिक गणनात्मक रूप से महंगा है। यह प्रक्रिया अक्सर बड़े पैमाने के प्रयोगों के कंप्यूटिंग बजट पर हावी हो जाती है और व्यक्तिगत शोधकर्ताओं या बड़े पैमाने के खोजपूर्ण अध्ययनों के लिए निषेधात्मक हो सकती है। एक ऐसे तेज़, सटीक सरोगेट (surrogate) की महत्वपूर्ण आवश्यकता है जो ट्रुथ-लेवल (जेनेरेटर-लेवल) कणों को सीधे डिटेक्टर-लेवल पुनर्निर्मित कणों में मैप कर सके। ऐसे टूल को पूर्ण सिमुलेशन श्रृंखला की शुद्धता (fidelity) को बनाए रखना चाहिए, जबकि इसमें आदेश-दर-आदेश (orders-of-magnitude) गति सुधार प्रदान करने की क्षमता होनी चाहिए, और आदर्श रूप से इसके लिए legacy C++ फ्रेमवर्क जैसे ROOT या Delphes को स्थापित करने की आवश्यकता नहीं होनी चाहिए।

कार्यप्रणाली (Methodology)
Parnassus एक Python/PyTorch-आधारित, GPU-संगत फ्रेमवर्क है जिसे इन चुनौतियों को संबोधित करने के लिए डिज़ाइन किया गया है। यह एक एकीकृत, प्रक्रिया-अज्ञेय (process-agnostic), और डिटेक्टर-अज्ञेय API प्रदान करता है जहाँ उपयोगकर्ता विशिष्ट प्रयोगों को लक्षित करने के लिए एक "डिटेक्टर कार्ड" (Delphes कार्ड के समान) चुनते हैं। फ्रेमवर्क ट्रुथ-लेवल इवेंट्स को दो इंटरचेंजेबल बैकएंड्स में से एक के माध्यम से रूट करता है, जो दोनों ही डाउनस्ट्रीम भौतिकी-आधारित पोस्ट-प्रोसेसिंग (जैसे कि FastJet के माध्यम से जेट क्लस्टरिंग, लेप्टॉन आइसोलेशन) के लिए पार्टिकल-फ्लो (PFlow) ऑब्जेक्ट्स उत्पन्न करते हैं।

दो प्राथमिक बैकएंड प्रकार हैं:

न्यूरल बैकएंड्स (Neural Backends): ये फुल सिमुलेशन और पुनर्निर्माण डेटा पर प्रशिक्षित 'कंडीशनल फ्लो मैचिंग' आर्किटेक्चर का उपयोग करते हैं। मॉडल ट्रुथ-लेवल कण गुणों पर आधारित (conditioned) होते हैं, जिससे वे किसी विशिष्ट भौतिक प्रक्रिया से बंधे बिना डिटेक्टर रिस्पॉन्स को सीख सकते हैं। यह प्रक्रिया-स्तरीय सामान्यीकरण (process-level generalization) को सक्षम बनाता है, जिसमें आउट-ऑफ-डिस्ट्रीब्यूशन परिदृश्य भी शामिल हैं, बिना पुन: प्रशिक्षण (retraining) के। वर्तमान रिलीज़ में CMS (2011) और ALEPH डिटेक्टरों के लिए फ्लो-मैचिंग मॉडल शामिल हैं।
पैरामीट्रिक बैकएंड (TorchDelphes): यह Delphes फास्ट-सिमुलेशन श्रृंखला का एक शुद्ध PyTorch पुन: कार्यान्वयन (re-implementation) है, जो नेटिव रूप से GPU पर चलता है। यह डिटेक्टर कार्ड से लोड किए गए मापदंडों का उपयोग करके कण प्रसार (propagation), ट्रैकिंग दक्षता, मोमेंटम स्मियरिंग, कैलोरीमीटर रिस्पॉन्स और एनर्जी-फ्लो मर्जिंग को मॉडल करता है। इस रिलीज़ में CMS, ATLAS और ALEH के लिए TorchDelphes कार्ड शामिल हैं, जिन्हें C++ Delphes 3.5.1 के विरुद्ध सत्यापित किया गया है।

फ्रेमवर्क HepMC फाइलों या Pythia8 स्टीयरिंग कार्ड्स से इनपुट को संभालता है। यह वैकल्पिक पाइल-अप मर्जिंग (एक Delphes-संगत मर्जर का उपयोग करके) का समर्थन करता है और इसमें पार्टिकल फ़िल्टरिंग, जेट क्लस्टरिंग (जो $k_T$ , एंटी- $k_T$ , और कैम्ब्रिज/आचेन एल्गोरिदम का समर्थन करता है), और लेप्टॉन आइसोलेशन के लिए पोस्ट-प्रोसेसिंग पाइपलाइन शामिल है। आउटपुट uproot लाइब्रेरी के माध्यम से ROOT फॉर्मेट में लिखा जाता है, जिससे नेटिव ROOT इंस्टॉलेशन की आवश्यकता समाप्त हो जाती है।

प्रमुख योगदान

सार्वजनिक सॉफ्टवेयर रिलीज़: पेपर Parnassus की प्रारंभिक सार्वजनिक रिलीज़ प्रस्तुत करता है, जो फास्ट सिमुलेशन और पुनर्निर्माण के लिए एक उपयोगकर्ता के अनुकूल इंटरफ़ेस प्रदान करता है।
हाइब्रिड बैकएंड आर्किटेक्चर: फ्रेमवर्क जेनेरेटिव न्यूरल मॉडल और पैरामीट्रिक पुन: कार्यान्वयन को एक ही API के तहत एकीकृत करता है, जिससे उपयोगकर्ताओं को अपने विश्लेषण वर्कफ़्लो को बदले बिना उच्च-विश्वसनीयता वाले सीखे गए मॉडलों और तेज़ पैरामीट्रिक सन्निकटन (approximations) के बीच स्विच करने की अनुमति मिलती है।
GPU-नेटिव कार्यान्वयन: पारंपरिक C++/ROOT टूल्स के विपरीत, Parnassus GPU त्वरण (acceleration) को सक्षम करने के लिए PyTorch का लाभ उठाता है, जिससे इवेंट प्रोसेसिंग की गति काफी बढ़ जाती है।
निर्भरता में कमी: यह सॉफ़्टवेयर C++ Delphes, ROOT, Pythia8, या FastJet को मैन्युअल रूप से बनाने की निर्भरता को हटा देता है; इन्हें Python पैकेज डिपेंडेंसी के रूप में स्थापित किया जाता है।
विस्तारित डिटेक्टर समर्थन: रिलीज़ में CMS और ALEPH डिटेक्टरों (न्यूरल) के लिए सत्यापित मॉडल और CMS, ATLAS, और ALEPH के लिए पैरामीट्रिक कार्ड शामिल हैं, जो फ्रेमवर्क को $e^+e^-$ LEP वातावरण तक विस्तारित करते हैं।

परिणाम

प्रदर्शन बेंचमार्क: $H \to ZZ \to 4\ell$ इवेंट्स का उपयोग करते हुए बेंचमार्क में, TorchDelphes बैकएंड ने NVIDIA RTX A6000 GPU पर 86.9 इवेंट्स/सेकंड का थ्रूपुट प्राप्त किया, जबकि C++ Delphes 3.5.1 ने CPU पर 80.6 इवेंट्स/सेकंड प्राप्त किया। न्यूरल फ्लो मॉडल ने उसी GPU पर 17.5 इवेंट्स/सेकंड प्राप्त किया। लेखक नोट करते हैं कि इस रिलीज़ में न्यूरल बैकएंड को गति के लिए अनुकूलित नहीं किया गया था और वर्तमान दरें अधिकांश अनुप्रयोगों के लिए सीमित कारक होने की संभावना नहीं है।
सत्यापन (Validation): TorchDelphes बैकएंड को CMS और ATLAS कार्डों के लिए C++ Delphes 3.5.1 के विरुद्ध सत्यापित किया गया था। न्यूरल मॉडलों के सत्यापन और प्रक्रिया-सामान्यीकरण क्षमताओं को पिछले कार्यों (संदर्भ [2, 11]) में स्थापित किया गया था, जिन्होंने प्रदर्शित किया कि यह दृष्टिकोण व्यापक मानक मॉडल प्रक्रियाओं में पूर्ण CMS सिमुलेशन को पुनरुत्पादित करता है।
प्रदर्शन (Demonstration): पेपर स्टैंडर्ड मॉडल ( $H \to ZZ \to 4\ell$ ) और बियॉन्ड स्टैंडर्ड मॉडल ( $H \to aa \to gg\mu\mu$ ) दोनों प्रक्रियाओं पर फ्रेमवर्क की क्षमता का प्रदर्शन करता है। परिणाम दिखाते हैं कि समान वर्कफ़्लो विभिन्न प्रकार के अंतिम अवस्थाओं (final states) को संभाल सकता है, जो दृश्य टोपोलॉजी और रेजोनेंस संरचनाओं (जैसे BSM परिदृश्यों में लेप्टॉन-जैसे ऑब्जेक्ट्स से हैड्रोनिक गतिविधि को अलग करना) को सही ढंग से पुनर्गठित करता है।

महत्व
यह पेपर Parnassus को पारंपरिक फास्ट सिमुलेशन टूल्स के एक आधुनिक विकल्प के रूप में स्थापित करता है, जो विशेष रूप से Geant4 और legacy C++/ROOT-आधारित वर्कफ़्लो की कम्प्यूटेशनल बाधाओं को संबोधित करता है। एक GPU-सक्षम, Python-नेटिव इंटरफ़ेस प्रदान करके, यह आधुनिक विश्लेषण पाइपलाइनों में निर्बाध एकीकरण को सक्षम बनाता है। लेखक इस बात पर जोर देते हैं कि यह फ्रेमवर्क शोधकर्ताओं को नए भौतिकी प्रक्रियाओं के लिए बिना पुन: प्रशिक्षण के उन्हीं डिटेक्टर मॉडलों को लागू करने की अनुमति देता है, बशर्ते इनपुट मान्य चरण स्थान (phase space) के भीतर हों। इस रिलीज़ का उद्देश्य व्यापक समुदाय को न्यूरल फास्ट सिमुलेशन और पुनर्निर्माण अपनाने में सक्षम बनाना है, जिसके लिए भविष्य की रिलीज़ में डिटेक्टर कार्ड और सत्यापित कॉन्फ़िगरेशन के पुस्तकालय को विस्तारित करने की योजना है।