⚛️ nuclear theory

Bridging Ab Initio Symmetries and Global Nuclear Masses with Interpretable Neural Networks

यह शोध पत्र प्रदर्शित करता है कि विग्नर के SU(4) और एलियट के SU(3) समरूपताओं को समाविष्ट करने वाले व्याख्यात्मक न्यूरल नेटवर्क न केवल वैश्विक परमाणु द्रव्यमानों की भविष्यवाणी करने में प्रतिस्पर्धी सटीकता प्राप्त करते हैं, बल्कि यह भी प्रकट करते हैं कि ये मौलिक समरूपताएं संपूर्ण परमाणु चार्ट में बाइंडिंग ऊर्जाओं को नियंत्रित करती हैं, जो न्यूट्रॉन ड्रिपलाइन के पास समरूपता बहाली जैसी घटनाओं में महत्वपूर्ण भौतिक अंतर्दृष्टि प्रदान करती हैं।

मूल लेखक: Phong Dang, Evander Espinoza, Xiaoliang Wan, Michela Negro, Jerry P. Draayer, Feng Pan, Tomas Dytrych, Daniel Langr, David Kekejian

प्रकाशित 2026-06-29✓ Author reviewed ⓘ

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Phong Dang, Evander Espinoza, Xiaoliang Wan, Michela Negro, Jerry P. Draayer, Feng Pan, Tomas Dytrych, Daniel Langr, David Kekejian

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

परमाणु नाभिक (atomic nucleus) की कल्पना एक छोटे, अराजक डांस फ्लोर के रूप में करें जो प्रोटॉन और न्यूट्रॉन से भरा हुआ है। दशकों से, भौतिकविदों ने यह अनुमान लगाने के लिए एक एकल "नियम पुस्तिका" (rulebook) लिखने का प्रयास किया है कि ये नर्तक एक-दूसरे को कितनी मजबूती से थामे रखते हैं (उनकी बंधन ऊर्जा या binding energy, जो परमाणु के द्रव्यमान को निर्धारित करती है)। पारंपरिक रूप से, उन्होंने एक "लिक्विड ड्रॉप" (liquid drop) मॉडल का उपयोग किया है, जिसमें नाभिक को पानी की एक बूंद की तरह माना जाता है जहाँ मुख्य कारक केवल यह है कि वह बूंद कितनी बड़ी है और उसके नर्तक एक-दूसरे को कितना प्रतिकर्षित करते हैं।

यह शोध पत्र एक अलग प्रश्न पूछता है: क्या कोई छिपे हुए, सुंदर नृत्य पैटर्न (सममिति/symmetries) हैं जो पूरे परमाणु चार्ट को नियंत्रित करते हैं, हल्के परमाणुओं से लेकर सबसे भारी, सुपर-हैवी परमाणुओं तक?

लेखक, फोंग डांग के नेतृत्व में, इसे एक नए प्रकार के "स्मार्ट" कंप्यूटर प्रोग्राम जिसे इंटरप्रिटेबल न्यूरल नेटवर्क (Interpretable Neural Network) कहा जाता है, का उपयोग करके परखने का निर्णय लेते हैं। यहाँ उनकी यात्रा का विवरण दिया गया है:

1. पुराना तरीका बनाम नए सुराग

पारंपरिक "लिक्विड ड्रॉप" मॉडल को मौसम के पूर्वानुमान की तरह समझें जो केवल तापमान और आर्द्रता को देखता है। यह ठीक है, लेकिन यह हवा के पैटर्न को छोड़ देता है।

लेखकों ने भौतिकी में खोजे गए दो विशिष्ट "नृत्य पैटर्न" को शामिल किया:

विग्नर का SU(4): एक ऐसी सममिति जो प्रोटॉन और न्यूट्रॉन को एक विशिष्ट तरीके से विनिमेय (interchangeable) भागीदारों के रूप में मानती है।
एलियट का SU(3): एक ऐसी सममिति जो नाभिक के आकार (चाहे वह गेंद की तरह गोल हो या फुटबॉल की तरह खिंचा हुआ) से संबंधित है।

इन पैटर्नों को केवल एक "ब्लैक बॉक्स" कंप्यूटर में डालने के बजाय, जो केवल एक संख्या उगल देता है, उन्होंने एक ऐसा सिस्टम बनाया जो स्वयं की व्याख्या करने के लिए डिज़ाइन किया गया था। वे यह देखना चाहते थे कि ये पैटर्न द्रव्यमान को कैसे प्रभावित करते हैं, न कि केवल द्रव्यमान क्या है।

2. तीन "स्मार्ट" मॉडल

टीम ने इन विचारों का परीक्षण करने के लिए तीन अलग-अलग संस्करण बनाए:

FINN (द पॉइंट प्रेडिक्टर): यह मॉडल केवल नृत्य पैटर्न को देखता है और कहता है, "मेरा अनुमान है कि द्रव्यमान X है।" यह उस छात्र की तरह है जिसने उत्तर कुंजी (answer key) रट ली है।
GINN (द अनसर्टेन्टी कैलकुलेटर): यह मॉडल अधिक सतर्क है। यह कहता है, "मेरा अनुमान है कि द्रव्यमान X है, लेकिन मैं केवल 80% आश्वस्त हूँ।" यह उस मौसम भविष्यवक्ता की तरह है जो बारिश की संभावना का प्रतिशत देता है।
WINN (द रूलबुक राइटर): यह मुख्य आकर्षण है। ब्लैक बॉक्स के बजाय, WINN एक बाइलीनियर फॉर्मूला (bilinear formula) है। कल्पना कीजिए कि यह आठ विशिष्ट सामग्रियों वाला एक नुस्खा (recipe) है (नृत्य पैटर्न)। AI केवल द्रव्यमान का अनुमान नहीं लगाता; यह सीखता है कि प्रत्येक विशिष्ट परमाणु के लिए प्रत्येक "सामग्री" को कैसे मिलाना है। यह उस शेफ की तरह है जो केवल स्वाद का अनुमान लगाने के बजाय, किसी व्यंजन के लिए नमक, काली मिर्च और चीनी के सटीक अनुपात को सीखता है।

3. परिणाम: सममिति की जीत

जब उन्होंने वास्तविक दुनिया के डेटा (AME2016 नामक ज्ञात परमाणु द्रव्यमान के डेटाबेस का उपयोग करके और AME2020 से नए खोजे गए परमाणुओं पर परीक्षण करके) के विरुद्ध अपने मॉडलों का परीक्षण किया, तो परिणाम आश्चर्यजनक थे:

लिक्विड ड्रॉप कमजोर था: इसने बड़ी गलतियाँ कीं, विशेष रूप से विलक्षण (exotic) परमाणुओं के लिए।
विग्नर की सममिति (SU(4)) को जोड़ना एक गेम-चेंजर था: केवल इस एक सममिति को जोड़ने से भविष्यवाणी त्रुटियां आधी हो गईं। इसने सिद्ध किया कि 1937 में विग्नर का पुराना विचार आज भी पूरे परमाणु चार्ट में प्रभावी है, न कि केवल छोटे परमाणुओं में।
WINN विजेता रहा: "रूलबुक" मॉडल (WINN) ने सबसे कम त्रुटि दर (0.430 MeV) प्राप्त की। यह दुनिया के सबसे जटिल, उच्च-तकनीकी मॉडलों के प्रतिस्पर्धी है, लेकिन WINN ने यह केवल आठ सरल पदों (terms) के साथ किया।

मुख्य निष्कर्ष: लेखक तर्क देते हैं कि WINN के सफल होने का कारण केवल यह नहीं है कि यह एक अच्छा कैलकुलेटर है। बल्कि यह है कि वे "आठ सामग्रियां" (सममिति) वास्तव में उस वास्तविक भौतिकी को पकड़ लेती हैं कि नाभिक एक साथ कैसे जुड़े रहते हैं। ब्रह्मांड सरल, सुंदर नियमों का पालन करता प्रतीत होता है।

4. उन्होंने क्या खोजा?

चूंकि उनका मॉडल "व्याख्या योग्य" (interpretable) था (हम देख सकते थे कि नुस्खा क्या है), उन्होंने दो दिलचस्प चीजें पाईं:

"न्यूट्रॉन ड्रिप लाइन" की रक्षा: परमाणु चार्ट के किनारे, जहाँ परमाणु बहुत अधिक न्यूट्रॉन से भरे होते हैं, विग्नर की सममिति (SU(4)) अचानक बहुत मजबूत हो गई। ऐसा लगता है जैसे "नृत्य साथी" (प्रोटॉन और न्यूट्रॉन) इन चरम स्थितियों में एक-दूसरे का हाथ बहुत मजबूती से पकड़ने लगे हैं, जिससे एक ऐसी सममिति बहाल हुई जिसे पहले टूटा हुआ माना जाता था।
सुपरहेवी सरप्राइज: सबसे भारी, सुपर-हेवी तत्वों में, एक विशिष्ट "फोर-बॉडी" इंटरेक्शन (क्वार्टिक टर्म) अचानक महत्वपूर्ण हो गया। यह सुझाव देता है कि इन विशाल नाभिकों में, चार कणों के समूह विशेष क्लस्टर बना सकते हैं, जो सबसे भारी क्षेत्रों में नई भौतिकी का संकेत है।

सारांश

सरल शब्दों में, यह शोध पत्र सादगी और भव्यता (simplicity and elegance) की जीत है। लेखकों ने दिखाया है कि यदि आप कणों के अंतर्निहित "नृत्य कदमों" (सममिति) को समझते हैं, तो परमाणु द्रव्यमान की भविष्यवाणी करने के लिए आपको एक विशाल, जटिल कंप्यूटर की आवश्यकता नहीं है। इन प्राचीन नियमों का सम्मान करने वाले मॉडल बनाकर, उन्होंने एक ऐसा उपकरण बनाया जो न केवल सटीक है, बल्कि हमें यह भी बताता है कि ब्रह्मांड इस तरह क्यों बना है। उन्होंने केवल नंबरों की भविष्यवाणी नहीं की; उन्होंने परमाणु जगत की छिपी हुई व्यवस्था को उजागर किया।

तकनीकी सारांश: व्याख्यात्मक न्यूरल नेटवर्क के साथ एब इनीशियो (Ab Initio) समरूपताओं और वैश्विक नाभिकीय द्रव्यमानों को जोड़ना

समस्या विवरण
यद्यपि एब इनीशियो नाभिकीय सिद्धांत ने हल्के और मध्यम द्रव्यमान वाले नाभिकों में विग्नर के SU(4) और एलियट के SU(3) समरूपताओं को प्रमुख विशेषताओं के रूप में स्थापित किया है, फिर भी यह स्पष्ट नहीं है कि क्या ये समरूपताएं ड्रिपलाइन के पास स्थित विजातीय आइसोटोप सहित संपूर्ण नाभिकीय चार्ट में बाइंडिंग (binding) को नियंत्रित करती हैं। पारंपरिक मशीन लर्निंग (ML) दृष्टिकोण अक्सर "ब्लैक बॉक्स" के रूप में कार्य करते हैं, जो भौतिक अंतर्दृष्टि प्रदान किए बिना केवल पैटर्न पकड़ते हैं। इसके विपरीत, पारंपरिक द्रव्यमान सूत्र (जैसे, लिक्विड ड्रॉप मॉडल) उच्च सटीकता के साथ भविष्यवाणी करने के लिए सूक्ष्म विवरणों की कमी रखते हैं। लेखक इस अंतर को पाटने के लिए व्याख्यात्मक न्यूरल नेटवर्क (NN) मॉडल विकसित करने का लक्ष्य रखते हैं, जो यह परीक्षण करने के लिए कि क्या SU(3) और SU(4) समरूपताएं वैश्विक नाभिकीय व्यवस्थितता (global nuclear systematics) के लिए एक शासी सिद्धांत के रूप में कार्य कर सकती हैं, जिसमें शुद्ध उच्च-सटीक बेंचमार्किंग के बजाय भौतिक अंतर्दृष्टि को प्राथमिकता दी गई है।

कार्यप्रणाली
यह अध्ययन डेटा क्यूरेशन, फीचर इंजीनियरिंग और मॉडल विकास में शामिल तीन चरणों वाली कार्यप्रणाली का उपयोग करता है:

डेटा संग्रह और विभाजन:
- नाभिकीय द्रव्यमान AME2016 डेटासेट से एकत्र किए गए थे (सैद्धांतिक एक्सट्रपलेशन को छोड़कर) और इन्हें एक प्रशिक्षण सेट (1908 नाभिक, 80%) और एक परीक्षण सेट (478 नाभिक, 20%) में विभाजित किया गया।
- AME2020 डेटासेट ने 71 नाभिकों का एक सत्यापन सेट प्रदान किया जो उस संस्करण में पहली बार रिपोर्ट किए गए थे, जो अनदेखे, अक्सर विजातीय नाभिकों के एक्सट्रपलेशन के लिए एक बेंचमार्क के रूप में कार्य करता है।
- हल्के नाभिक ( $Z < 8, N < 8$ ) को बाहर रखा गया।
समरूपता-प्रेरित फीचर इंजीनियरिंग:
मॉडल तीन श्रेणियों में समूहबद्ध नौ भौतिकी-सूचित (physics-informed) फीचर्स का उपयोग करते हैं:
- लिक्विड ड्रॉप मॉडल (LDM) फीचर्स: प्रोटॉन संख्या ( $Z$ ), न्यूट्रॉन संख्या ( $N$ ), सतह टर्म प्रॉक्सी ( $A^{2/3}$ ), और आइसोस्पिन प्रोजेक्शन ( $T_z = (N-Z)/2$ )।
- SU(4) फीचर्स: द्वितीय ( $C_2$ ), तृतीय ( $C_3$ ), और चतुर्थ ( $C_4$ ) क्रम के कैसिमीर ऑपरेटर्स। ये स्पिन-आइसोस्पिन ध्रुवीकरण बलों का वर्णन करते हैं। लेखकों का परिकल्पना है कि निम्नतम $C_2$ मान वाला प्रमुख अपरिमेय प्रतिनिधित्व (irrep), जिसे हल्के नाभिकों के लिए एब इनीशियो गणनाओं में पहचाना गया है, पूरे चार्ट में विस्तृत होता है।
- SU(3) फीचर्स: कुल हार्मोनिक ऑसिलेटर क्वांट्स ( $N\hbar\omega$ ) और SU(3) समूह के द्वितीय ( $C_2$ ) और तृतीय ( $C_3$ ) क्रम के कैसिमीर ऑपरेटर्स, जो क्वाड्रुपोल संग्रह (quadrupole collectivity) और विरूपण (deformation) को कूटबद्ध करते हैं।
- फीचर चयन: मैक्सिमल इंफॉर्मेशन कोएफिशिएंट (MIC) का उपयोग करके सहसंबंध विश्लेषण से पता चला कि क्यूबिक SU(4) कैसिमीर ( $C_3$ ) अन्य फीचर्स के साथ कमजोर रूप से सहसंबंधित था और विषम-द्रव्यमान वाले नाभिकों के बीच संकेत उतार-चढ़ाव प्रदर्शित करता था। फलस्वरूप, $C_3$ [SU(4)] को एक अप्रासंगिक फीचर के रूप में अंतिम मॉडलों से बाहर कर दिया गया।
न्यूरल नेटवर्क आर्किटेक्चर:
तीन अलग-अलग मॉडल बनाए गए:
- FINN (फीचर-इन्फॉर्म्ड NN): एक मानक सिंगल-आउटपुट NN जो फीचर्स को सीधे बाइंडिंग एनर्जी (BE) से मैप करता है। यह एक मीन स्क्वेर्ड एरर (MSE) लॉस और एक भौतिकी-सूचित गैर्वी-केल्सन (GK) रेगुलराइजेशन टर्म का उपयोग करता है।
- GINN (गौसियन-इन्फॉर्म्ड NN): एक टू-आउटपुट NN जो माध्य $\mu_{BE}$ और अनिश्चितता $\sigma_{BE}$ दोनों की भविष्यवाणी करता है। यह अनिश्चितता को मापने के लिए नेगेटिव लॉग-लाइक्लीहुड (NLL) लॉस का उपयोग करता है।
- WINN (विग्नर-इन्फॉर्म्ड NN): एक व्याख्यात्मक, द्विपद (bilinear) द्रव्यमान सूत्र, जहाँ कपलिंग स्ट्रेंथ को एक NN द्वारा सीखा जाता है। सूत्र को इस प्रकार परिभाषित किया गया है:
  $BE = a + bZ^2 + cT_z^2 + dN\hbar\omega + eC_2[\text{SU(3)}] + fC_3[\text{SU(3)}] + gC_2[\text{SU(4)}] + hC_4[\text{SU(4)}]$
  यहाँ, गुणांक $\{a, \dots, h\}$ $N$ और $Z$ के फलन हैं जिन्हें नेटवर्क द्वारा सीखा जाता है, जिससे मॉडल को नाभिकीय परिदृश्य में समरूपता योगदान को अनुकूलित करने की अनुमति मिलती है।

प्रमुख परिणाम

प्रदर्शन मेट्रिक्स:
- LDM बेसलाइन ने 1.270 MeV (FINN) का वैलिडेशन रूट-मीन-स्क्वेर्ड एरर (RMSE) प्राप्त किया।
- अकेले SU(4) फीचर्स जोड़ने से वैलिडेशन RMSE घटकर 1.024 MeV हो गया, जो दर्शाता है कि विग्नर की समरूपता बल्क प्रॉपर्टीज के परे भी भविष्य कहनेवाला जानकारी रखती है।
- LDM, SU(4), और SU(3) फीचर्स का संयोजन ब्लैक-बॉक्स मॉडलों के लिए सर्वश्रेष्ठ प्रदर्शन प्रदान करता है: 0.624 MeV (FINN) और 0.793 MeV (GINN)।
- WINN ने 0.430 MeV का सबसे कम वैलिडेशन RMSE प्राप्त किया, जो FINN और GINN दोनों से बेहतर प्रदर्शन करता है। यह परिणाम केवल आठ समरूपता-प्रेरित पदों का उपयोग करने के बावजूद अत्याधुनिक द्रव्यमान मॉडलों के प्रतिस्पर्धी है।
एक्सट्रपलेशन क्षमता:
- ज्ञात क्षेत्र से 5 न्यूट्रॉन के भीतर के नाभिकों के लिए WS3 और HFB-26 मॉडलों के साथ तुलना करने पर, WINN ने अच्छा सामंजस्य (5 MeV के भीतर) दिखाया।
- ज्ञात चार्ट से दूरी के साथ त्रुटियां व्यवस्थित रूप से बढ़ती हैं, जो एक कॉम्पैक्ट आठ-टर्म मॉडल के एक्सट्रपलेशन की अंतर्निहित सीमाओं को दर्शाती हैं।
भौतिक अंतर्दृष्टि:
- SU(4) बहाली (Restoration): द्वितीय SU(4) कैसिमीर ( $C_2$ ) ने न्यूट्रॉन ड्रिपलाइन ( $Z \approx 8-60$ ) के पास एक स्पष्ट वृद्धि दिखाई, जो बाइंडिंग ऊर्जा में 10-40% का योगदान देती है, जो स्पिन-ऑर्बिट स्प्लिटिंग के दमन के कारण विग्नर की समरूपता की बहाली का संकेत देती है।
- सुपरहेवी क्षेत्र: चतुर्थ SU(4) कैसिमीर ( $C_4$ ) ने सुपरहेवी क्षेत्र ( $N \gtrsim 126$ ) में महत्वपूर्ण शक्ति प्राप्त की, जो $C_2$ के प्रतिस्पर्धी हो गया, जो संभवतः $\alpha$ -सिस्टमेटिक्स के प्रभुत्व से जुड़ा है।
- पेयरिंग (Pairing): मॉडल ने बिना किसी स्पष्ट पेयरिंग टर्म के पेयरिंग प्रभावों को सफलतापूर्वक कैप्चर किया, जैसा कि अवशेषों (residuals) में व्यवस्थित संकेत व्युत्क्रमण या विषम-सम (odd-even) उतार-चढ़ाव की अनुपस्थिति से सिद्ध होता है।
- एक्टिवेशन फंक्शन्स: अध्ययन में पाया गया कि पीसवाइज-लीनियर एक्टिवेशन फंक्शन (ReLU, PReLU) शेल क्लोजर पर दो-न्यूट्रॉन सेपरेशन एनर्जी ( $S_{2n}$ ) की तीव्र गिरावट को पुनरुत्पादित करने में स्मूथ फंक्शन (Tanh, SiLU) की तुलना में बेहतर प्रदर्शन करते हैं।

महत्व और दावे
यह शोध दावा करता है कि न्यूरल नेटवर्क आर्किटेक्चर में भौतिक समरूपताओं को सीधे एम्बेड करना (जैसा कि WINN में है), उन्हें केवल इनपुट फीचर्स के रूप में उपयोग करने की तुलना में अधिक प्रभावी है। इसका प्राथमिक महत्व पूर्ण द्रव्यमान भविष्यवाणियों की निरपेक्ष सटीकता में नहीं, बल्कि प्राप्त भौतिक अंतर्दृष्टि में निहित है:

समरूपताओं का सत्यापन: परिणाम प्रमाण प्रदान करते हैं कि विग्नर की SU(4) और एलियट की SU(3) समरूपताएं केवल हल्के नाभिकों तक सीमित नहीं हैं, बल्कि विजातीय आइसोटोप सहित संपूर्ण नाभिकीय चार्ट के लिए शासी सिद्धांत के रूप में कार्य करती हैं।
व्याख्यात्मकता: मानक ML मॉडलों के विपरीत, WINN प्रकट करता है कि समरूपताएं विभिन्न क्षेत्रों में बाइंडिंग एनर्जी को कैसे प्रभावित करती हैं (जैसे, ड्रिपलाइन के पास SU(4) की वृद्धि)।
उभरते सिद्धांत: यह कार्य उभरती समरूपताओं को व्यक्तिगत नाभिकों के डिस्क्रिप्टर होने से ऊपर उठाकर वैश्विक नाभिकीय व्यवस्थितता के लिए एक ढांचे के रूप में स्थापित करता है।
भावी दिशाएं: लेखक सुझाव देते हैं कि जबकि वर्तमान समरूपता आधार कॉम्पैक्ट और प्रभावी है, भविष्य के कार्य अन्य अवलोकन योग्यों (जैसे, $\beta$ -क्षय) तक इस ढांचे का विस्तार कर सकते हैं या बेहतर irrep चयन के माध्यम से ब्रेकन-सिमेट्री (symmetry breaking) को संबोधित कर सकते हैं।

1. पुराना तरीका बनाम नए सुराग

2. तीन "स्मार्ट" मॉडल

3. परिणाम: सममिति की जीत

4. उन्होंने क्या खोजा?

सारांश

इसी तरह के और पेपर