⚛️ nuclear theory

Extracting Barrier Distributions from Fusion Cross Sections

यह शोध पत्र यह प्रदर्शित करता है कि बेयसियन न्यूरल नेटवर्क (Bayesian neural networks), प्रायोगिक क्रॉस-सेक्शन डेटा से फ्यूजन बैरियर वितरण निकालने में अनिश्चितताओं के साथ अधिक विश्वसनीय पुनर्निर्माण प्रदान करके गॉसियन प्रक्रियाओं (Gaussian processes) से बेहतर प्रदर्शन करते हैं, साथ ही भविष्य के प्रयोगात्मक प्रभाव के लिए प्रमुख क्षेत्रों की पहचान करते हैं और यह रेखांकित करते हैं कि सभी विधियों की विश्वसनीयता मुख्य रूप से प्रयोगात्मक अनिश्चितताओं के परिमाण पर निर्भर करती है।

मूल लेखक: Aaron Philip

प्रकाशित 2026-07-09

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aaron Philip

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

मुख्य विचार: परमाणु के भीतर देखने के लिए उन्हें टकराना

कल्पना कीजिए कि आप यह जानने की कोशिश कर रहे हैं कि एक बंद डिब्बे के अंदर क्या है, लेकिन आप उसे खोल नहीं सकते। इसे जानने का एकमात्र तरीका यह है कि आप उस पर अन्य वस्तुएं फेंकें और देखें कि वे उससे कैसे टकराती हैं या उससे चिपक जाती हैं।

परमाणु भौतिकी (nuclear physics) में, वैज्ञानिक ऐसा भारी परमाणु नाभिकों (atomic nuclei) को आपस में टकराकर करते हैं। कभी-कभी वे फ्यूज हो जाते हैं (एक साथ चिपक जाते हैं), और कभी-कभी वे अलग होकर उछल जाते हैं। "फ्यूजन क्रॉस सेक्शन" (fusion cross section) केवल अलग-अलग गति (ऊर्जा) पर उनके एक साथ चिपकने की दर को मापने का एक तकनीकी तरीका है।

लंबे समय तक, वैज्ञानिकों ने सोचा कि ये टकराव एक एकल, चिकनी पहाड़ी के ऊपर से लुढ़कती एक गेंद की तरह थे। यदि गेंद के पास पहाड़ी के ऊपर जाने के लिए पर्याप्त ऊर्जा है, तो वह दूसरी ओर लुढ़क जाती है। लेकिन वास्तविक परमाणु अव्यवस्थित होते हैं। उनके पास आंतरिक भाग होते हैं जो हिलते-डुलते या कंपन करते हैं। इसका मतलब है कि "पहाड़ी" केवल एक एकल चिकनी रेखा नहीं है; यह वास्तव में कई ऊंचाइयों और आकारों वाला एक अव्यवस्थित, ऊबड़-खाबड़ परिदृश्य (bumpy landscape) है।

इस थीसिस का लक्ष्य इन टकरावों से प्राप्त अव्यवस्थित डेटा (data) को लेना और यह पुनर्गठित करना है कि वह "ऊबड़-खाबड़ परिदृश्य" (जिसे बैरियर डिस्ट्रीब्यूशन कहा जाता है) वास्तव में कैसा दिखता है।

समस्या: "धुंधली फोटो" का प्रभाव

इस परिदृश्य के आकार को देखने के लिए, वैज्ञानिकों को एक विशिष्ट गणितीय तकनीक अपनानी पड़ती है: वे डेटा लेते हैं और उसका सेकंड डेरिवेटिव (second derivative) निकालते हैं।

इसे इस प्रकार समझें:

डेटा: एक पर्वत श्रृंखला की थोड़ी धुंधली फोटो।
गणितीय तकनीक: फोटो को देखकर हर चोटी और घाटी की सटीक रूपरेखा खींचने की कोशिश करना।

समस्या यह है कि यह गणितीय तकनीक "शोर" (noise - यानी फोटो की खामियों) के प्रति अत्यंत संवेदनशील है। यदि डेटा में थोड़ी सी भी त्रुटि है, तो गणित भ्रमित हो जाता है और ऐसी नकली चोटियाँ और घाटियाँ बनाने लगता है जो वास्तव में मौजूद ही नहीं हैं। यह एक कांपते हाथ पर टेढ़ी-मेढ़ी रेखा खींचने जैसा है; परिणाम एक पहाड़ के बजाय एक टेढ़ा-मेढ़ा निशान जैसा दिखता है।

पुराना समाधान: "चिकना चित्रकार" (गौसियन प्रोसेस)

एक पिछले अध्ययन में, गोडबी (Godbey) नामक एक वैज्ञानिक ने इसे गौसियन प्रोसेस (GP) नामक टूल का उपयोग करके ठीक करने की कोशिश की थी।

उपमा: कल्पना कीजिए कि आपके पास एक बहुत ही लचीली, खिंचाव वाली रबर की चादर है। आप इसे उन बिंदुओं पर पिन से टिका देते हैं जहाँ आपके पास डेटा है। चादर स्वाभाविक रूप से पिनों के बीच के हिस्सों को चिकना कर देती है। फिर आप परिदृश्य को देखने के लिए चादर के आकार को ट्रेस कर सकते हैं।

थीसिस के निष्कर्ष:

क्या काम आया: जब डेटा बहुत साफ और सटीक था, तो यह रबर की चादर बहुत अच्छा काम करती थी। इसने मुख्य पहाड़ी का एक चिकना और सटीक चित्र दिया।
कहाँ विफल हुआ: जब डेटा थोड़ा शोर वाला (noisy) था (जो वास्तविक प्रयोगों में अक्सर होता है), तो रबर की चादर किनारों पर बेतहाशा हिलने लगी। इसने नकली चोटियाँ (भूतिया पहाड़) बना दीं जो असली नहीं थीं। इसे "एलियासिंग" (aliasing) कहा जाता है। यह वैसा ही है जैसे जब फिल्म में घूमता हुआ पहिया उल्टा घूमता हुआ दिखाई देता है; गणितीय तकनीक एक भ्रम पैदा करती है।

नया समाधान: "स्मार्ट जासूस" (बेयसियन न्यूरल नेटवर्क)

इस थीसिस के लेखक, आरोन फिलिप (Aaron Philip) ने एक नए, अधिक शक्तिशाली टूल का उपयोग करने का निर्णय लिया जिसे बेयसियन न्यूरल नेटवर्क (BNN) कहा जाता है, विशेष रूप से AutoBNN नामक सॉफ्टवेयर टूल का उपयोग करके।

उपमा: एक रबर की चादर के बजाय, कल्पना कीजिए कि आपने जासूसों की एक टीम को काम पर रखा है।

प्रत्येक जासूस उसी धुंधली फोटो को देखता है।
वे सभी परिदृश्य का चित्र बनाने की कोशिश करते हैं, लेकिन उन्हें अलग-अलग राय रखने की अनुमति है।
क्योंकि वे "बेयसियन" हैं, वे आपको केवल एक चित्र नहीं देते; वे आपको एक चित्र और उसके साथ एक विश्वास स्तर (confidence level) देते हैं। वे कह सकते हैं, "मुझे 90% यकीन है कि यहाँ एक पहाड़ी है, लेकिन उस अजीब उभार के बारे में मैं केवल 50% निश्चित हूँ।"
"AutoBNB" टूल एक मैनेजर की तरह है जो स्वचालित रूप से अलग-अलग चित्र बनाने की शैलियों (विभिन्न "आर्किटेक्चर") को आजमाता है ताकि यह देखा जा सके कि कौन सी जासूस टीम सबसे अच्छा काम करती है।

थीसिस के निष्कर्ष:

बेहतर दृष्टि: जासूसों की टीम (विशेष रूप से "चेंजपॉइंट" मॉडल प्रकार) शोर को अनदेखा करने में बहुत बेहतर थी। उन्हें नकली पहाड़ बनाने के लिए धोखा नहीं दिया जा सका।
ईमानदार अनिश्चितता: जब डेटा खराब या गायब था, तो जासूस ईमानदार थे। उन्होंने एक विस्तृत, धुंधला क्षेत्र बनाया और कहा, "हमें अभी नहीं पता कि यहाँ क्या है।" पुराना रबर शीट (GP) अक्सर गलत होने पर भी एक तीखी, आत्मविश्वासी रेखा बना देता था।
लॉगैरिद्मिक स्पेस (Logarithmic Space): लेखक ने पाया कि "लॉगैरिद्मिक" तरीके से गणित करने से (जैसे एक ऐसे मानचित्र पर देखना जहाँ दूरियां संकुचित होती हैं) जासूसों को परिदृश्य का आकार बहुत स्पष्ट रूप से देखने में मदद मिली, विशेष रूप से तब जब डेटा अव्यवस्थित था।

परिणाम: हमने क्या सीखा?

लेखक ने इन नए तरीकों का परीक्षण पिछले प्रयोगों के वास्तविक डेटा पर किया:

"भूतिया" चोटियाँ: कुछ प्रयोगों में, पुराने तरीके (GP) ने दावा किया कि परिदृश्य में एक दूसरी, छोटी पहाड़ी थी। नए तरीके (BNN) ने कहा, "वास्तव में, हमें यकीन नहीं है। डेटा बहुत शोर वाला है कि यह पहाड़ी असली है या केवल प्रकाश का एक भ्रम।"
अगली बार कहाँ देखना है: क्योंकि नया तरीका जानता है कि वह कहाँ भ्रमित है, यह वैज्ञानिकों को बता सकता है: "हे, यदि आप सच्चाई जानना चाहते हैं, तो इस विशिष्ट गति पर टकराव को मापें।" यह भविष्य के प्रयोगों के लिए एक GPS की तरह कार्य करता है।
डेटा नहीं है? कोई बात नहीं: लेखक ने यह भी पता लगाया कि इन उपकरणों का उपयोग तब कैसे किया जाए जब वैज्ञानिकों ने यह नहीं लिखा हो कि उनके माप कितने "शोर वाले" (noisy) थे। नया तरीका शोर के स्तर का अनुमान लगा सकता है और फिर भी एक अच्छा उत्तर दे सकता है।

निचोड़

यह थीसिस शोर वाले वैज्ञानिक डेटा को साफ करने के लिए बेहतर उपकरण बनाने के बारे में है।

पुराना टूल: साफ डेटा के लिए अच्छा है, लेकिन डेटा अव्यवस्थित होने पर नकली विवरण बना देता है।
नया टूल: स्मार्ट, संभाव्य (probabilistic) जासूसों की एक टीम जो अव्यवस्थित डेटा को संभाल सकती है, अपनी अनिश्चितता स्वीकार कर सकती है, और आपको ठीक से बता सकती है कि सच्चाई जानने के लिए आपको आगे कहाँ देखना है।

लेखक ने इन नए उपकरणों के लिए कोड जारी कर दिया है ताकि अन्य वैज्ञानिक अनुमान लगाना बंद करें और परमाणु दुनिया के वास्तविक आकार को देख सकें।

तकनीकी सारांश: फ्यूजन क्रॉस सेक्शन से बैरियर डिस्ट्रीब्यूशन निकालना

समस्या विवरण
भारी आयनों (heavy ions) का फ्यूजन एक जटिल प्रक्रिया है जहाँ नाभिकों के बीच की अंतःक्रिया को एकल बैरियर के माध्यम से एक साधारण एक-आयामी टनलिंग मॉडल द्वारा पर्याप्त रूप से वर्णित नहीं किया जा सकता है। इसके बजाय, सामूहिक अवस्थाओं (collective states) और अन्य चैनलों के कपलिंग से एक निरंतर "बैरियर वितरण" (distribution of barriers), $D(E)$ उत्पन्न होता है। ऊर्जा-भारित क्रॉस-सेक्शन ( $E\sigma$ ) के दूसरे व्युत्पन्न (second derivative) के माध्यम से प्रयोगात्मक फ्यूजन क्रॉस-सेक्शन डेटा ( $\sigma(E)$ ) से इस वितरण को निकालना सैद्धांतिक रूप से संभव है: $D(E) \propto \frac{d^2(E\sigma)}{dE^2}$ । हालाँकि, व्यवहार में, यह निष्कर्षण संख्यात्मक रूप से अस्थिर है। मानक पॉइंट-डिफरेंस स्कीम्स प्रयोगात्मक शोर (noise), डेटा रिज़ॉल्यूशन और अनियमितता के प्रति अत्यधिक संवेदनशील होती हैं, जिससे अक्सर अविश्वसनीय परिणाम प्राप्त होते हैं, विशेष रूप से प्राथमिक बैरियर के ऊपर की ऊर्जाओं पर। हालाँकि हाल के कार्य (Godbey 2024) ने डेटा को स्मूथ करने और अनिश्चितता अनुमान प्रदान करने के लिए गॉसियन प्रोसेस (GPs) का उपयोग किया है, लेकिन उच्च ऊर्जाओं पर निकाले गए वितरण की सटीकता और अनिश्चितता मात्रा निर्धारण (uncertainty quantification) की विश्वसनीयता के संबंध में सीमाएँ बनी हुई हैं।

कार्यप्रणाली
यह शोध प्रबंध बैरियर डिस्ट्रीब्यूशन के निष्कर्षण को बेंचमार्क करने और सुधारने के लिए एक बहु-चरणीय दृष्टिकोण अपनाता है:

टोय मॉडल्स के साथ बेंचमार्किंग: अध्ययन ग्राउंड-ट्रुथ डेटा उत्पन्न करने के लिए वोंग फॉर्मूला (Wong 1973), जो फ्यूजन क्रॉस-सेक्शन के लिए एक विश्लेतिक मॉडल है, का उपयोग करता है। प्रयोगात्मक स्थितियों को सिम्युलेट करने के लिए इस डेटा को यथार्थवादी शोर स्तरों ( $\eta = \delta\sigma/\sigma$ ), परिवर्तनशील रिज़ॉल्यूशन ( $\Delta E$ ), और अनियमित अंतराल के साथ दूषित किया गया है।
गॉसियन प्रोसेस रिग्रेशन (GPR): लेखक ने रेडियल बेसिस फंक्शन (RBF) कर्नेल्स के साथ प्रशिक्षित GPs के माध्यम से Godbey (2024) की पद्धति का विस्तार किया है। एक महत्वपूर्ण पद्धतिगत बदलाव लॉगैरिद्मिक स्पेस (मल्टीप्लिकेटिव एरर्स को मॉडल करना) में प्रशिक्षण लेना है, न कि लीनियर स्पेस में, ताकि कोवेरिएंस मैट्रिक्स को स्थिर किया जा सके और फ्यूजन डेटा की सांख्यिकीय प्रकृति को बेहतर ढंग से दर्शाया जा सके। अध्ययन अज्ञात सापेक्ष अनिश्चितताओं का अनुमान लगाने के लिए एक तकनीक भी पेश करता है, जिसमें प्रयोगात्मक त्रुटियों के उद्धृत न होने पर ग्लोबल वेरिएंस पैरामीटर को मार्जिनल लाइकलीहुड मैक्सिमाइजेशन के माध्यम से अनुकूलित किया जाता है।
बायेसियन न्यूरल नेटवर्क (BNNs): GPs की सीमाओं को दूर करने के लिए, यह शोध प्रबंध व्याख्या योग्य बायेसियन न्यूरल नेटवर्क के प्रशिक्षण के लिए AutoBNN (Carroll et al. 2024) को लागू करता है। इन नेटवर्क्स को No-U-Turn Sampler (NUTS) एल्गोरिदम के माध्यम से मार्कोव चेन मोंटे कार्लो (MCMC) का उपयोग करके प्रशिक्षित किया जाता है। यह अध्ययन विशिष्ट आर्किटेक्चर की खोज करता है, जिनमें "सम ऑफ चेंजपॉइंट्स" (Sum of Changepoints) और "चेंजपॉइंट ऑफ प्रोडक्ट्स" (Changepoint of Products) शामिल हैं, जो मॉडल को विभिन्न ऊर्जा क्षेत्रों में अपने सांख्यिकीय व्यवहार को अनुकूलित करने की अनुमति देते हैं।
नियमितीकरण (Regularization): दूसरे व्युत्पन्न (विशेष रूप से चेंजपॉइंट स्थानों पर) की संख्यात्मक अस्थिरता को संबोधित करने के लिए, BNN प्रशिक्षण के दौरान तीसरे व्युत्पन्न के परिमाण को दंडित करने वाला एक 'प्रायर' (prior) लागू किया गया है।

मुख्य परिणाम

गॉसियन प्रोसेस की सीमाएँ:
- एलियासिंग (Aliasing): GPs प्राथमिक बैरियर से अधिक ऊर्जा पर "एलियासिंग" (मिथ्या दोलन शिखर/false oscillatory peaks) प्रदर्शित करते हैं। इसका कारण कर्नेल फंक्शनों के लीनियर कॉम्बिनेशन में बड़े कैंसिलेशन के कारण कोवेरिएंस मैट्रिक्स का इल-कंडीशनिंग है।
- शोर संवेदनशीलता: यदि शोर का स्तर कम ( $\eta \leq 10^{-2}$ ) हो, तो GPs डेटा की अनियमितता और विरलता (sparsity) के प्रति मजबूत होते हैं, लेकिन उच्च शोर स्तरों ( $\eta \approx 10^{-1}$ ) पर वे बैरियर के स्थान और संरचना को पकड़ने में विफल रहते हैं।
- अनिश्चितता का कम आकलन: GP-उद्धृत अनिश्चितता अक्सर कम आंकी जाती है, जो परमाणु संरचना के बारे में अति-आत्मविश्वासी निष्कर्षों की ओर ले जा सकती है।
- लॉग-स्पेस प्रशिक्षण: लॉग-स्पेस में प्रशिक्षण स्थिरता में सुधार करता है और प्राथमिक शिखर की रिकवरी को बेहतर बनाता है, लेकिन यह उच्च-ऊर्जा एलियासिंग को समाप्त नहीं करता है।
बायेसियन न्यूरल नेटवर्क का प्रदर्शन:
- बेहतर उच्च-ऊर्जा रिकवरी: विशिष्ट AutoBNN आर्किटेक्चर, विशेष रूप से "चेंजपॉइंट" क्षमताओं वाले, GPs में देखे गए स्पूरियस एलियासिंग के बिना सब-बैरियर और ऊपर-बैरियर दोनों क्षेत्रों में बैरियर डिस्ट्रीब्यूशन को सफलतापूर्वक रिकवर करते हैं।
- अनिश्चितता मात्रा निर्धारण: BNNs अधिक विश्वसनीय और विस्तृत अनिश्चितता बैंड प्रदान करते हैं, जो सही ढंग से पहचानते हैं कि किन क्षेत्रों में डेटा मॉडल को बाधित करने के लिए अपर्याप्त है (जैसे, एक प्लेटो और एक माध्यमिक शिखर के बीच अंतर करना)।
- लॉग-स्पेस की आवश्यकता: GPs की तरह ही, क्रॉस-सेक्शन डेटा पर प्रभावी नियमितीकरण और प्रदर्शन के लिए लॉग-स्पेस में BNNs को प्रशिक्षित करना आवश्यक है।
प्रयोगात्मक डेटा पर अनुप्रयोग:
- इन विधियों को वास्तविक डेटासेट्स (जैसे, $^{16}\text{O} + ^{208}\text{Pb}$ , $^{40}\text{Ca} + ^{40}\text{Ca}$ ) पर लागू किया गया।
- उन मामलों में जहाँ उद्धृत अनिश्चितताएँ थीं, BNNs ने तृतीयक उत्थान (tertiary rises) और माध्यमिक संरचनाओं की पहचान की जिन्हें डिस्क्रीट 3-पॉइंट फॉर्मूला मिस कर गया था।
- उन मामलों में जहाँ उद्धृत अनिश्चितताएँ नहीं थीं, अनुमानित सापेक्ष अनिश्चितता विधि ने बैरियर डिस्ट्रीब्यूशन के निष्कर्षण की अनुमति दी, हालांकि BNNs ने उन क्षेत्रों में उच्च अनिश्चितता को सही ढंग से चिह्नित किया जहाँ मॉडल असहमत थे (जैसे, $^{48}\text{Ca} + ^{48}\text{Ca}$ में 55 MeV के आसपास), जो आगे के प्रयोगात्मक मापन की आवश्यकता का सुझाव देता है।

महत्व और योगदान
यह शोध प्रबंध बैरियर डिस्ट्रीब्यूशन निकालने के लिए मजबूत, सांख्यिकीय रूप से सुदृढ़ उपकरण प्रदान करके परमाणु भौतिकी में "थ्योरी-एक्सपेरिमेंट साइकिल" में योगदान देता है।

पद्धतिगत प्रगति: यह प्रदर्शित करता है कि जबकि GPs उपयोगी हैं, वे उच्च ऊर्जाओं पर विशिष्ट संख्यात्मक आर्टिफैक्ट्स (एलियासिंग) से ग्रस्त हैं। AutoBNN आर्किटेक्चर का परिचय बैरियर डिस्ट्रीब्यूशन की अधिक निष्ठावान रिकवरी और अच्छी तरह से मात्रा निर्धारित अनिश्चितताओं की पेशकश करता है।
प्रयोगात्मक मार्गदर्शन: मॉडल के निरंतर पोस्टीरियर और एन्सेम्बल असहमति का लाभ उठाकर, यह कार्य उन विशिष्ट ऊर्जा श्रेणियों की पहचान करता जहाँ अतिरिक्त प्रयोगात्मक डेटा सबसे अधिक प्रभावशाली होगा, जो सरल डेटा फिटिंग से आगे बढ़कर सक्रिय प्रयोगात्मक डिजाइन की ओर ले जाता है।
ओपन-सोर्स कार्यान्वयन: लेखक विश्लेषण पाइपलाइन के लिए एक उपयोगकर्ता के अनुकूल, ओपन-सोर्स कार्यान्वयन जारी करते हैं, जिसमें संशोधित AutoBNN कोड और अनियमित प्रयोगात्मक डेटा को संभालने के लिए स्क्रिप्ट शामिल हैं, ताकि प्रयोगात्मक समुदाय में इसे अपनाने के लिए प्रोत्साहित किया जा सके।
लापता डेटा को संभालना: यह शोध प्रबंध उन प्रयोगात्मक डेटासेट्स के विश्लेषण के लिए एक मान्य रणनीति प्रदान करता जहाँ मापन अनिश्चितताओं को स्पष्ट रूप से उद्धृत नहीं किया गया है, जो परमाणु भौतिकी साहित्य में एक सामान्य परिदृश्य है।

सीमाएँ और भविष्य का कार्य
लेखक नोट करते हैं कि तीसरे-व्युत्पन्न दंड की शक्ति ( $\lambda$ ) के चयन के लिए विशेषज्ञ ट्यूनिंग की आवश्यकता होती है और "सम ऑफ चेंजपॉइंट" और "चेंजपॉइंट ऑफ प्रोडक्ट्स" मॉडल बिना किसी स्पष्ट विश्वसनीयता मीट्रिक के विरोधाभासी भविष्यवाणियां दे सकते हैं। इसके अलावा, जबकि MCMC प्रशिक्षण बेहतर परिणाम देता है, यह गणनात्मक रूप से महंगा है। शोध प्रबंध भविष्य के कार्य के रूप में AutoBNN के परिमित-चौड़ाई (finite-width) वाले मॉडलों को अनंत-चौड़ाई वाले गॉसियन प्रोसेस कर्नेल्स में अनुवादित करने का प्रस्ताव करता है ताकि प्रशिक्षण को तेज किया जा सके, हालांकि इस अनुवाद में फंक्शन डिस्ट्रीब्यूशन की मल्टी-मोडैलिटी को संरक्षित करने के संबंध में चुनौतियाँ हैं।