Self-Supervised Calibration of Scientific Instruments Using Physical Consistency Constraints

तकनीकी सारांश: भौतिक निरंतरता बाधाओं का उपयोग करके वैज्ञानिक उपकरणों का स्व-पर्यवेक्षित अंशांकन (Self-Supervised Calibration)

समस्या विवरण
वैज्ञानिक उपकरण प्रणालियों में मशीन लर्निंग की तैनाती अक्सर अंशांकन (calibration) की बाधा के कारण बाधित होती है। पारंपरिक अंशांकन प्रक्रियाएं विशेषज्ञ-संचालित, प्रयोग-विशिष्ट और समर्पित मापों या मैन्युअल रूप से लेबल किए गए डेटा पर निर्भर करती हैं। यह एक चक्रीय निर्भरता पैदा करता है: लेबल किया गया प्रशिक्षण डेटा उत्पन्न करने के लिए अक्सर अनुमानित अंशांकन की आवश्यकता होती है, जिसे सुपरवाइज्ड लर्निंग (supervised learning) प्रतिस्थापित करने का प्रयास करती है। फलस्वरूप, मौजूदा AI दृष्टिकोण सीमित स्केलेबिलिटी, कम पुनरुत्पादकता (reproducibility) और विकसित होती प्रायोगिक स्थितियों (जैसे गेन ड्रिफ्ट, दबाव भिन्नता, या डिटेक्टर उम्र बढ़ना) के प्रति खराब अनुकूलन क्षमता से ग्रस्त हैं। लेखक एक महत्वपूर्ण अंतराल की पहचान करते हैं: वर्तमान प्रणालियों में पूर्व-अंशांकित संकेतों या बाहरी लेबल के बिना सीधे कच्चे मापों से गुप्त अंशांकन मापदंडों (latent calibration parameters) को अनुमानित करने में असमर्थता।

कार्यप्रणाली
यह शोध पत्र एक भौतिकी-सूचित स्व-पर्यवेक्षित ढांचे (physics-informed self-supervised framework) का प्रस्ताव करता है जो गुप्त डिटेक्टर अंशांकन मापदंडों और कार्य-विशिष्ट भविष्यवाणियों को संयुक्त रूप से सीखता है। इस पद्धति का प्रदर्शन GANIL में VAMOS++ मैग्नेटिक स्पेक्ट्रोमीटर पर किया गया है, विशेष रूप से आयनिक चार्ज-स्टेट ($q$) निर्धारण के लिए, जो परमाणु द्रव्यमान ($A$) के पुनर्निर्माण के लिए आवश्यक है।

मुख्य कार्यप्रणाली में निम्नलिखित घटक शामिल हैं:

1. संयुक्त अनुमान प्रारूप (Joint Inference Formulation): समस्या को अज्ञात अंशांकन गुणांकों $\mathbf{c}$ और कच्चे डिटेक्टर संकेतों $\mathbf{x}$ के माध्यम से लक्ष्य मात्रा $y = f(\mathbf{x}, \mathbf{c})$ का अनुमान लगाने के रूप में तैयार किया गया है। $\mathbf{c}$ और $y$ दोनों को एक साथ सीखा जाता है।
2. भौतिक निरंतरता बाधाएं (Physical Consistency Constraints): यह ढांचा परमाणु द्रव्यमान की विविक्त (discrete) प्रकृति का उपयोग स्व-पर्यवेक्षण के स्रोत के रूप में करता है। जबकि द्रव्यमान-से-आवेश अनुपात ($A/q$) और लोरेन्ट्ज़ कारक ($\gamma$) मापे जाते हैं, कुल गतिज ऊर्जा ($E_{tot}$) एक खंडित आयनीकरण कक्ष (ionization chamber) से प्राप्त की जाती है। संबंध $q = E_{tot} / [u(\gamma-1)(A/q)]$ इन चरों को जोड़ता है। चूंकि परमाणु द्रव्यमान संख्याएँ पूर्णांक (integers) होती हैं, इसलिए पुनर्निर्मित द्रव्यमान $A$ को पूर्णांक मानों के आसपास क्लस्टर होना चाहिए।
3. पुनरावृत्त भिन्नात्मक छद्म-लेबलिंग (Iterative Fractional Pseudo-Labelling):
   • आरंभिकरण (Initialization): एक "वार्म-अप" चरण औसत आयनिक चार्ज स्टेट ($\bar{q}$) के एक कमजोर पूर्व अनुमान (weak prior) का उपयोग करके अंशांकन गुणांकों को एक भौतिक रूप से प्रशंसनीय क्षेत्र के भीतर आरंभ करता है।
   • छद्म-लेबल पीढ़ी (Pseudo-Label Generation): मॉडल एक चार्ज स्टेट की भविष्यवाणी करता है, और उम्मीदवार पूर्णांक सुधार ($\Delta q$) का मूल्यांकन किया जाता है। निकटतम पूर्णांक के बीच रूट-मीन-स्क्वायर-डेविएशन (RMSD) को न्यूनतम करने के लिए इष्टतम सुधार का चयन किया जाता है।
   • प्रशिक्षण लूप (Training Loop): वे घटनाएँ जो निरंतरता दहलीज ($||q_{label} - \lfloor q_{label} + 0.5 \rfloor|| < 0.4$) को संतुष्ट करती हैं, उन्हें छद्म-लेबल दिए जाते हैं। महत्वपूर्ण रूप से, प्रत्येक छद्म-लेबलिंग चक्र के बाद, नेटवर्क के सभी भारों (weights) को पुन: आरंभ किया जाता है। यह मॉडल को शुरुआती, संभावित रूप से गलत छद्म-लेबलों को अपने भारों में संहिताबद्ध करने (कन्फर्मेशन बायस) से रोकता है, यह सुनिश्चित करता है कि केवल अपडेट किए गए लेबल ही अगले अनुकूलन चरण को संचालित करें।
4. पैरामीट्राइजेशन (Parameterization): भौतिक रूप से सार्थक समाधान सुनिश्चित करने के लिए अंशांकन गुणांकों को सिग्मॉइड फंक्शन का उपयोग करके पूर्व-निर्धारित अंतरालों के भीतर प्रतिबंधित किया गया है।

प्रमुख योगदान
लेखक चार प्राथमिक योगदानों को रेखांकित करते हैं:

1. डिटेक्टर अंशांकन को एक भौतिकी-सूचित स्व-पर्यवेक्षित शिक्षण समस्या के रूप में प्रारूपित करना।
2. एक पुनरावृत्त भिन्नात्मक छद्म-लेबलिंग ढांचे को पेश करना जो कच्चे डेटा से गुप्त अंशांकन मापदंडों और कार्य भविष्यवाणियों को संयुक्त रूप से अनुमानित करता है।
3. यह प्रदर्शित करना कि भौतिक निरंतरता बाधाएं (विशेष रूप से विविक्त परमाणु द्रव्यमान) बाहरी लेबल के बिना सीधे अंशांकन मापदंडों का अनुमान लगा सकती हैं।
4. अंशांकन, विश्लेषण और डिटेक्टर निदान को एक एकीकृत ढांचे में एकीकृत करके "इंटेलिजेंट इंस्ट्रूमेंटेशन" की ओर एक मार्ग स्थापित करना।

प्रायोगिक परिणाम
ढांचे का मूल्यांकन VAMOS++ से $1 \times 10^7$ घटनाओं के डेटासेट पर किया गया:

• अभिसरण (Convergence): सिस्टम ने लगभग 6 मिनट के भीतर स्थिर अभिसरण प्राप्त किया। अंतिम चार्ज-स्टेट रिज़ॉल्यूशन (RMSD($q$)) 0.198 तक पहुँच गया, जो कि एक विशिष्ट, पूर्णतः सुपरवाइज्ड नेटवर्क द्वारा प्राप्त 0.177 के करीब है जो स्पष्ट रूप से स्थानीयकृत डिटेक्टर खामियों को ध्यान में रखता है।
• द्रव्यमान रिज़ॉल्यूशन (Mass Resolution): परमाणु द्रव्यमान रिज़ॉल्यूशन (RMSD($A$)) 0.23 पर स्थिर हुआ।
• मजबूती (Robustness): मॉडल कमजोर पूर्व अनुमान ($\bar{q}=36, 39, 42$ के साथ परीक्षण किया गया) के बावजूद एक ही समाधान पर अभिसरित हुआ, जो इंगित करता है कि भौतिक बाधाएं, न कि आरंभिकरण, अंशांकन को संचालित करती हैं।
• लेबल गुणवत्ता: स्व-पर्यवेक्षित विधि द्वारा उत्पन्न चार्ज-स्टेट वितरण (FWHM 1.1%–1.3%) विशेषीकृत सुपरवाइज्ड नेटवर्क (FWHM 1.0%–1.2%) के लगभग समान था।
• डिटेक्टर अवस्था निगरानी: अनुमानित अंशांकन गुणांकों ने डिटेक्टर स्वास्थ्य के लिए अवलोकन योग्य (observables) के रूप में कार्य किया। पद्धति ने स्थानिक खामियों (विंडो-सपोर्ट वायर के साथ सहसंबंध) और अस्थायी बदलावों (12-घंटे के अंतराल में गेन भिन्नता) को सफलतापूर्वक पहचाना।
• डाउनस्ट्रीम अनुप्रयोग: स्व-पर्यवेक्षित गुणांकों का उपयोग करने पर, परिणामी ऊर्जा हानि बनाम अवशिष्ट ऊर्जा प्लॉट ने विभिन्न परमाणु संख्याओं ($Z$) के लिए अलग-अलग बैंड दिखाए, जिससे स्वायत्त कण पहचान (autonomous particle identification) संभव हुई।

महत्व और दावे
शोध पत्र स्व-अंशांकन और स्व-निगरानी करने वाले वैज्ञानिक उपकरणों के लिए एक सामान्य प्रतिमान (paradically) स्थापित करने का दावा करता है। अंशांकन को एक पूर्व शर्त के बजाय एक सीखने योग्य घटक के रूप में मानकर, यह दृष्टिकोण पूर्व-अंशांकित संकेतों पर निर्भरता को समाप्त करता है। लेखक दावा करते हैं कि यह "इंटेलिजेंट इंस्ट्रूमेंटेशन" की ओर एक कदम है, जहाँ उपकरण स्वायत्त रूप से अंशांकन, विश्लेषण और प्रदर्शन अनुकूलन कर सकते हैं।

इसका महत्व अंशांकन मापदंडों को मध्यवर्ती मात्राओं से "डिटेक्टर-स्टेट ऑब्जर्वेबल्स" में बदलने में निहित है जो उपकरण के स्वास्थ्य (जैसे उम्र बढ़ना, दबाव उतार-चढ़ाव) को दर्शाते हैं। हालांकि इसे एक परमाणु भौतिकी डिटेक्टर पर प्रदर्शित किया गया है, लेखक कहते हैं कि यह ढांचा किसी भी वैज्ञानिक उपकरण के लिए लागू करने योग्य है जहाँ अंशांकन मापदंड गुप्त चर हैं और भौतिक निरंतरता बाधाएं (जैसे संरक्षण नियम या विविक्त क्वांटम संख्याएं) उपलब्ध हैं। यह कार्य अंशांकन और निष्कर्ष (inference) के बीच चक्रीय निर्भरता के समाधान के रूप में कार्य करता है, जो स्केलेबल और पुनरुत्पादक AI परिनियोजन को सक्षम बनाता है।