⚛️ nuclear theory

Bayesian Inference for Extracting Barrier Distributions from Fusion Excitation Functions

यह शोध पत्र विरल फ्यूजन एक्साइटेशन फंक्शन डेटा से अच्छी तरह से कैलिब्रेटेड अनिश्चितताओं के साथ बैरियर वितरणों को मजबूती से निकालने के लिए AutoBNN का उपयोग करते हुए एक बेयसियन इन्फरेंस फ्रेमवर्क प्रस्तुत करता है, जो बेंचमार्क में गॉसियन प्रोसेस रिग्रेशन से बेहतर प्रदर्शन करता है और प्रायोगिक हेवी-आयन फ्यूजन प्रतिक्रियाओं में स्पूरियस संरचनाओं को सफलतापूर्वक कम करता है।

मूल लेखक: Aaron Philip, Pablo Giuliani, Kyle Godbey

प्रकाशित 2026-07-17

📖 3 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Aaron Philip, Pablo Giuliani, Kyle Godbey

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

परमाणु नाभिक की कल्पना एक ठोस संगमरमर के रूप में नहीं, बल्कि प्रोटॉन और न्यूट्रॉन के एक लचीले, कंपन करते हुए गुब्बारे के रूप में करें। जब इनमें से दो गुब्बारे उच्च गति पर आपस में टकराते हैं, तो वे कभी-कभी एक साथ जुड़ जाते हैं, जिसे परमाणु संलयन (न्यूक्लियर फ्यूजन) कहा जाता है। यह केवल एक शानदार पार्टी ट्रिक नहीं है; यह वह इंजन है जो सितारों को शक्ति देता है और पृथ्वी पर स्वच्छ ऊर्जा के द्वार खोलने की कुंजी है। लेकिन उन्हें चिपकाने के लिए, आपको उन्हें इतनी जोर से धकेलना होगा कि वे "कूलम्ब बैरियर" नामक एक विशाल अदृश्य प्रतिकर्षण दीवार को पार कर सकें।

यहाँ पेचीदा हिस्सा यह है: क्योंकि ये परमाणु गुब्बारे हिलने-डुलने वाले और जटिल होते हैं, वे केवल एक एकल दीवार का सामना नहीं करते हैं। इसके बजाय, टकराव का क्वांटम मैकेनिक्स बाधाओं का एक पूरा "वितरण" (डिस्ट्रीब्यूशन) बनाता है—कुछ कम, कुछ अधिक, कुछ ऊबड़-खाबड़, कुछ चिकने। वैज्ञानिक इसे "बैरियर डिस्ट्रीब्यूशन" कहते हैं। यह नाभिक की आंतरिक संरचना के फिंगरप्रिंट की तरह है। यदि आप इस फिंगरप्रिंट को पढ़ सकते हैं, तो आप जान सकते हैं कि नाभिक कैसे बना है और यह कैसा व्यवहार करता है। समस्या यह है कि प्रयोगों से हमें जो डेटा मिलता है वह अव्यवस्थित होता है, जैसे तेज़ चलती कार की धुंधली तस्वीर। फिंगरप्रिंट को स्पष्ट रूप से देखने के लिए, आपको डेटा का "सेकंड डेरिवेटिव" खोजने के लिए गहन गणित करना पड़ता है, जो कि "परिवर्तन की दर कितनी तेज़ी से बदल रही है" को कहने का एक फैंसी तरीका है। दुर्भाग्य से, अव्यवस्थित और विरल (स्पार्स) डेटा पर यह गणित करने से अक्सर नकली पैटर्न और जंगली अनुमान बन जाते हैं, जिससे फिंगरप्रिंट टीवी स्क्रीन पर दिखने वाले स्टैटिक (शोर) जैसा दिखने लगता है।

यह शोध पत्र उस स्टैटिक को साफ करने का एक नया, स्मार्ट तरीका पेश करता है। लेखक, आरोन फिलिप, पाब्लो गिउलियानी और काइल गोडबे ने इस समस्या को एक जासूसी कहानी की तरह लिया: केवल नंबरों को क्रंच करने के बजाय, उन्होंने एक AutoBNN नामक बेयसियन मशीन लर्निंग टूल का उपयोग किया। इस टूल को एक सुपर-स्मार्ट, सतर्क कलाकार के रूप में सोचें जो केवल वही नहीं बनाता जो वह देखता है, बल्कि अपने स्केच के चारों ओर एक "कॉन्फिडेंस ज़ोन" भी बनाता है ताकि यह दिखाया जा सके कि वह कहाँ अनुमान लगा रहा है और कहाँ उसे यकीन है। उन्होंने इस नए कलाकार का परीक्षण एक पुराने, लोकप्रिय तरीके (गौसियन प्रोसेस) और एक मानक गणितीय ट्रिक (3-पॉइंट डिफरेंस फॉर्मूला) के विरुद्ध हजारों सिम्युलेटेड प्रयोगों का उपयोग करके किया।

परिणाम स्पष्ट थे: पुराने तरीके अक्सर गलत हो जाते थे, जिससे वास्तविक रूप से मौजूद न होने वाली बाधाओं में नकली उभार और चोटियाँ बन जाती थीं, और वे अपनी गलतियों के बारे में बहुत अधिक आश्वस्त थे। हालाँकि, AutoBNN कलाकार ने सिमुलेशन में वास्तविक "फिंगरप्रिंट" को सफलतापूर्वक पुनः प्राप्त किया, भले ही डेटा शोर भरा या विरल था, और इसने अपनी अनिश्चितता का ईमानदार, सुव्यवस्थित अनुमान दिया। जब टीम ने इस नए तरीके को वास्तविक दुनिया के हेवी-आयन फ्यूजन प्रयोगों पर लागू किया, तो इसने उन अजीब, स्प्यूरियस (नकली) संरचनाओं को सुचारू कर दिया जिन्हें अन्य तरीकों ने ऊर्जा अवरोध के ऊपर रिपोर्ट किया था। अनिवार्य रूप से, उन्होंने परमाणु नाभिक की छिपी हुई संरचना को देखने के लिए एक बेहतर लेंस बनाया, जिससे वैज्ञानिकों को अपने डेटा पर अधिक भरोसा करने और यह समझने में मदद मिली कि तारे कैसे जलते हैं और हम भविष्य में फ्यूजन ऊर्जा का लाभ कैसे उठा सकते हैं।

तकनीकी सारांश: फ्यूजन एक्साइटेशन फंक्शन्स से बैरियर डिस्ट्रीब्यूशन निकालने के लिए बायेसियन इन्फरेंस (Bayesian Inference)

समस्या विवरण (Problem Statement)
बैरियर डिस्ट्रीब्यूशन ( $D_f(E)$ ) संलयन (fusion) करने वाले नाभिकों की संरचना और गतिशीलता के बारे में महत्वपूर्ण अंतर्दृष्टि प्रदान करते हैं, जो चैनल कपलिंग, विरूपण (deformations) और स्थानांतरण प्रक्रियाओं (transfer processes) के बारे में जानकारी को समाहित करते हैं। ये डिस्ट्रीब्यूशन सैद्धांतिक रूप से प्रयोगात्मक फ्यूजन एक्साइटेशन फंक्शन्स, $\sigma(E)$ , के साथ दूसरे अवकलज (second derivative) संबंध $D_f(E) = \frac{d^2}{dE^2}(E\sigma)$ के माध्यम से जुड़े होते हैं। हालाँकि, विरल (sparse) और शोर युक्त (noisy) प्रयोगात्मक डेटा से $D_f(E)$ निकालना संख्यात्मक रूप से अस्थिर है। पारंपरिक विधियाँ, जैसे कि 3-पॉइंट डिफरेंस फॉर्मूला, माप के शोर को बढ़ा देती हैं और असतत ऊर्जा बिंदुओं (discrete energy points) तक सीमित होती हैं। जबकि गॉसियन प्रोसेस (GP) रिग्रेशन एक निरंतर विकल्प प्रदान करता है, पिछले अध्ययन संकेत देते हैं कि मानक GP दृष्टिकोण (विशेष रूप से रेडियल बेसिस फंक्शन (RBF) कर्नेल्स का उपयोग करने वाले) यथार्थवादी प्रयोगात्मक स्थितियों के तहत अंतर्निहित बैरियर डिस्ट्रीब्यूशन को सही ढंग से पुनः प्राप्त करने में संघर्ष कर सकते हैं, जिससे अक्सर अवास्तविक दोलन (spurious oscillations) उत्पन्न होते हैं और खराब कैलिब्रेटेड अनिश्चितता अनुमान (uncertainty estimates) मिलते हैं।

कार्यप्रणाली (Methodology)
लेखक बैरियर डिस्ट्रीब्यूशन को निकालने की प्रक्रिया को एक बायेसियन इन्फरेंस समस्या के रूप में देखते हैं। वे एक नवीन दृष्टिकोण प्रस्तावित करते हैं जिसमें AutoBNN का उपयोग किया गया है, जो मूल रूप से टाइम सीरीज़ फोरकास्टिंग के लिए विकसित एक व्याख्या योग्य (interpretable) बायेसियन मशीन लर्निंग फ्रेमवर्क है।

बायेसियन फ्रेमवर्क: समस्या को प्रयोगात्मक डेटा $D_\sigma = (E, y, \delta y)$ के दिए जाने पर एक्साइटेशन फंक्शन की पोस्टीरियर डिस्ट्रीब्यूशन $p(\sigma|D_\sigma)$ खोजने के रूप में तैयार किया गया है। क्रॉस-सेक्शन के विस्तृत डायनेमिक रेंज को संभालने के लिए, लेखक लॉगरिदमिक स्पेस में कार्य करते हैं, $g(E) = \log(\sigma(E)/\bar{y})$ को परिभाषित करते हैं और इस रूपांतरित स्पेस में एक एडिटिव एरर मॉडल मानते हैं।
AutoBNN कार्यान्वयन: मानक GPs के विपरीत, AutoBNN गॉसियन प्रोसेस के सरोगेट के रूप में बायेसियन न्यूरल नेटवर्क्स (BNNs) का उपयोग करता है। लेखक "सम ऑफ चेंजपॉइंट" (Sum of Changepoint) आर्किटेक्चर का उपयोग करते हैं, जो खंडित कर्नेल संयोजनों (piecewise kernel combinations) को जोड़ता है। यह मॉडल को विभिन्न ऊर्जा श्रेणियों में अलग-अलग सांख्यिकीय संरचनाओं के अनुकूल होने की अनुमति देता है।
नियमितीकरण (Regularization): व्युत्पन्न बैरियर डिस्ट्रीब्यूशन में अवास्तविक विच्छेदन (unphysical discontinuities) को रोकने के लिए, एक संशोधित प्रायर (prior) पेश किया गया है जो लेटेंट फंक्शन $g_\theta(E)$ के तीसरे अवकलज के बड़े मानों को दंडित (penalize) करता है।
डिफरेंशिएशन (Differentiation): एक प्रमुख तकनीकी लाभ $D_f(E)$ के लिए आवश्यक दूसरे अवकलज की गणना करने के लिए फॉरवर्ड-मोड ऑटोमैटिक डिफरेंशिएशन (JAX के माध्यम से) का उपयोग करना है, जो असतत विधियों में निहित फाइनाइट डिफरेंस त्रुटियों से बचता है।
बेंचमार्किंग: इस विधि का परीक्षण मानक GP रिग्रेशन (RBF कर्नेल्स के साथ) और 3-पॉइंट डिफरेंस फॉर्मूला के विरुद्ध किया गया है। सिम्युलेटेड डेटा को वोंग फॉर्मूला (Wong formula) का उपयोग करके 16 अलग-अलग डेटासेट्स के माध्यम से जनरेट किया गया है, जो ऊर्जा अंतराल की अनियमितता ( $\kappa$ ), औसत रेजोल्यूशन ( $\Delta E$ ), और माप शोर ( $\eta$ ) में भिन्न होते हैं।

प्रमुख परिणाम (Key Results)

रिकवरी सटीकता: सभी 16 सिम्युलेटेड परिदृश्यों में, AutoBNN मॉडल्स ने वास्तविक अंतर्निहित बैरियर डिस्ट्रीब्यूशन को पुनः प्राप्त करने में GP मॉडल्स की तुलना में बेहतर प्रदर्शन किया। जहाँ GPs कभी-कभी पीक हाइट और चौड़ाई को अधिक सटीकता से पुनः प्राप्त कर सकते थे, वहीं AutoBNN पीक लोकेशन और समग्र आकार को पकड़ने में उत्कृष्ट रहा, विशेष रूप से उच्च अनियमितता, कम रेजोल्यूशन या उच्च शोर वाले डेटासेट्स में।
अनिश्चितता कैलिब्रेशन (Uncertainty Calibration): एम्पिरिकल कवरेज प्लॉट्स ने प्रदर्शित किया कि AutoBN्य AutoBNN अच्छी तरह से कैलिब्रेटेड अनिश्चितता अनुमान प्रदान करता है, जिसमें कवरेज दरें नाममात्र विश्वसनीय अंतराल (nominal credible intervals) के साथ निकटता से मेल खाती हैं। इसके विपरीत, GP मॉडल्स ओवरकॉन्फिडेंट भविष्यवाणियाँ दिखाते हैं, जिनमें कवरेज दरें विकर्ण (diagonal) से काफी नीचे होती हैं, जो यह दर्शाता है कि उनके अनिश्चितता अनुमान अविश्वसनीय हैं।
प्रयोगात्मक डेटा पर अनुप्रयोग: लेखकों ने चार हेवी-आयन फ्यूजन रिएक्शंस ( $^{16}\text{O} + ^{208}\text{Pb}$ $^{16} O +^{208} Pb$ , $^{40}\text{Ca} + ^{40}\text{Ca}$ $^{40} Ca +^{40} Ca$ , $^{48}\text{Ca} + ^{40}\text{Ca}$ $^{48} Ca +^{40} Ca$ , और $^{48}\text{Ca} + ^{48}\text{Ca}$ $^{48} Ca +^{48} Ca$ ) पर AutoBNN फ्रेमवर्क लागू किया।
- $^{16}\text{O} + ^{208}\text{Pb}$ के लिए, AutoBNN ने अब-बैरियर संरचनाओं (above-barrier structures) में अधिक अंतर्दृष्टि प्रदान की और 3-पॉइंट फॉर्मूला द्वारा रिपोर्ट की गई अनिश्चितताओं को सीमित किया।
- $^{40}\text{Ca} + ^{40}\text{Ca}$ के लिए, मॉडल ने एक सेकेंडरी बम्प की उपस्थिति का समर्थन किया लेकिन यह भी संकेत दिया कि प्राइमरी पीक का स्थान डेटा द्वारा कड़ाई से सीमित नहीं था।
- कैल्शियम-48 प्रतिक्रियाओं के लिए, AutoBNN भविष्यवाणियाँ बैरियर के ऊपर 3-पॉइंट फॉर्मूला से भिन्न थीं, जो एक शार्प सेकेंडरी राइज के बजाय एक स्मूथ सेकेंडरी प्लेटो (smoother secondary plateau) का सुझाव देती हैं, जो प्रभावी रूप से स्प्यूरियस अब-बैरियर संरचनाओं को कम करती हैं।

महत्व और दावे (Significance and Claims)
यह पेपर दावा करता है कि AutoBNB-आधारित दृष्टिकोण फ्यूजन एक्साइटेशन फंक्शन्स के विश्लेषण के लिए एक मजबूत, मॉडल-एग्नोस्टिक सांख्यिकीय विधि प्रदान करता है। इसका प्राथमिक महत्व इसकी क्षमता में निहित है:

विरल और शोर युक्त डेटा से अंतर्निहित बैरियर डिस्ट्रीब्यूशन को सफलतापूर्वक पुनः प्राप्त करना, जहाँ पारंपरिक फाइनाइट डिफरेंस और मानक GP विधियाँ विफल हो जाती हैं।
अच्छी तरह से कैलिब्रेटेड अनिश्चितता अनुमान प्रदान करना, जो परमाणु संरचना की व्याख्या करने और सैद्धांतिक मॉडलों (जैसे, कपल्ड-चैनल्स या टाइम-डिपेंडेंट डेंसिटी फंक्शनल थ्योरी) के परीक्षण के लिए महत्वपूर्ण है।
अब-बैरियर क्षेत्र में स्प्यूरियस संरचनाओं के प्रवेश को कम करना, जो पिछले निष्कर्षण तरीकों में एक सामान्य आर्टिफैक्ट है।

लेखक इस बात पर जोर देते हैं कि उन्होंने इस विधि के अनुप्रयोग को सुगम बनाने के लिए एक उपयोगकर्ता के अनुकूल सॉफ्टवेयर कार्यान्वयन विकसित किया है, जिसका लक्ष्य परमाणु विज्ञान समुदाय के लिए बैरियर डिस्ट्रीब्यूशन निष्कर्षण की विश्वसनीयता में सुधार करना है।

इसी तरह के और पेपर