Mitigating Detector Ageing Effects with Graph-Based Multi-Modal Track Reconstruction at Belle II

कल्पना कीजिए कि एक कण त्वरक (particle accelerator) के भीतर एक विशाल, उच्च गति वाला कैमरा है, जिसे ब्रह्मांड के सबसे सूक्ष्म निर्माण खंडों की तस्वीरें लेने के लिए डिज़ाइन किया गया है। यह कैमरा, जिसे डिटेक्टर कहा जाता है, हजारों सूक्ष्म तारों से बना है जो एक जाल की तरह काम करते हैं, जो कणों के अदृश्य रास्तों को पकड़ लेते हैं जब वे तेजी से गुजरते हैं। इस कैमरे को पूरी तरह से काम करने के लिए, इसे साफ होना चाहिए, तारों को मजबूत होना चाहिए, और "फिल्म" (डेटा) को पूर्ण होना चाहिए। लेकिन समस्या यह है कि मशीन इतनी शक्तिशाली है कि वह धीरे-धीरे कैमरे को घिस रही है। तीव्र विकिरण और कणों की निरंतर बमबारी एक नाजुक घड़ी पर पड़ने वाले रेत के तूफान की तरह है; समय के साथ, तार थक जाते हैं, कुछ पूरी तरह से काम करना बंद कर देते हैं, और तस्वीरें अधूरी या धुंधली होने लगती हैं।

वैज्ञानिकों को यह पता लगाने की आवश्यकता है कि यदि कैमरा क्षतिग्रस्त हो जाए तो इन कणों के पथों को कैसे बनाया जाए। पारंपरिक रूप से, वे एक चरण-दर-चरण रेसिपी का उपयोग करते हैं: "पहले, यहाँ एक बिंदु खोजें, फिर उस बिंदु को वहाँ के एक बिंदु से जोड़ें, फिर जाँच करें कि क्या यह एक सीधी रेखा में फिट बैठता है।" लेकिन जब कैमरा खराब होता है, तो बिंदु गायब हो जाते हैं, और रेखाएं टेढ़ी-मेढ़ी हो जाती हैं, इसलिए यह पुरानी रेसिपी विफल हो जाती है। बड़ा सवाल यह है: क्या हम कंप्यूटर को सिखा सकते हैं कि जब तस्वीर बिखरी हुई हो तो बिंदुओं को जोड़ने के बारे में अधिक स्मार्ट कैसे बना जाए, बिना पूरे कैमरे को दोबारा बनाए? यह वह चुनौती है जिसका सामना बेल II (Belle II) प्रयोग कर रहा है, जो एक विशाल भौतिकी परियोजना है जो यह समझने की कोशिश कर रही है कि ब्रह्मांड पदार्थ (matter) से क्यों बना है न कि प्रति-पदार्थ (antimatter) से।

टूटा हुआ कैमरा और स्मार्ट सॉल्वर

बेल II प्रयोग की दुनिया में, मुख्य कैमरा एक सेंट्रल ड्रिफ्ट चैंबर (CDC) है, जो गैस और हजारों तारों से भरा एक विशाल सिलेंडर है। जैसे-जैसे मशीन चलती है, विकिरण के कारण तार "थक" जाते हैं, जिससे उनकी कणों को पहचानने की क्षमता कम हो जाती है। कुछ तार पूरी तरह से काम करना बंद कर देते हैं, और अन्य अविश्वसनीय हो जाते हैं। यह वैज्ञानिकों के लिए एक दुःस्वप्न पैदा करता है: उन्हें जो डेटा मिलता है वह छेदों से भरा होता है। कल्पना कीजिए कि आप एक जंगल के माध्यम से एक धावक के पथ को ट्रेस करने की कोशिश कर रहे हैं, लेकिन हर कुछ कदमों के बाद एक पेड़ गायब हो जाता है, और कभी-कभी जंगल का एक पूरा हिस्सा ही गायब हो जाता है।

इसे हल करने का पुराना तरीका, जिसे "बेसलाइन फाइंडर" (Baseline Finder) कहा जाता है, एक सख्त शिक्षक की तरह है जो कहता है, "यदि तुम लगातार दो कदम चूक जाते हो, तो मुझे विश्वास नहीं है कि तुम दौड़े भी थे।" यह एक पूर्ण, निरंतर हिट्स की रेखा खोजने पर निर्भर करता है। जब कैमरा क्षतिग्रस्त हो जाता है, तो यह पुराना शिक्षक हाथ खड़े कर देता है और गिनती करना बंद कर देता है, जिससे डेटा का भारी नुकसान होता है। वास्तव में, जब उनके सिमुलेशन में डिटेक्टर खराब हुआ, तो इस पुराने तरीके की दक्षता एक स्वस्थ डिटेक्टर के प्रदर्शन की तुलना में 28% गिर गई, और जो ट्रैक उसने खोजे वे केवल 90% शुद्ध (यानी कुछ नकली थे) थे।

यहाँ इस कहानी का नया नायक आता है: एक ग्राफ न्यूरल नेटवर्क (GNN), जिसे लेखक "BAT फाइंडर" कहते हैं। एक सख्त शिक्षक के बजाय, BAT फाइंडर को एक सुपर-स्मार्ट जासूस के रूप में सोचें जिसे सुरागों के क्रम की परवाह नहीं है। यह पृष्ठ पर बिखरे हुए सभी बिंदुओं (हिट्स) को एक साथ देखता है और पूछता है, "इनमें से कौन से बिंदु एक ही कहानी के हैं?" यह "ऑब्जेक्ट कंडेंसेशन" (object condensation) नामक तकनीक का उपयोग करता है, जो एक चुंबक की तरह है जो एक ही कण से संबंधित सभी बिंदुओं को एक घने समूह में खींचता है, जबकि शोर और नकली बिंदुओं को दूर धकेलता है। इसे एक पूर्ण रेखा की आवश्यकता नहीं है; इसे बस पैटर्न देखने की आवश्यकता है।

प्रयोग: सबसे खराब स्थिति के लिए प्रशिक्षण

लेखकों ने केवल उम्मीद नहीं की कि यह जासूस काम करेगा; उन्होंने इसे परीक्षण के अधीन रखा। उन्होंने एक टूटे हुए कैमरे का एक वास्तविक सिमुलेशन बनाया, जो ठीक उसी क्षति की नकल करता है जिसका सामना वास्तविक डिटेक्टर कर रहा है: तार जो 3êu 35% कम कुशल हैं (एक मान जिसे वे $C = 0.35$ कहते हैं), डिटेक्टर के पूरे हिस्से जो पूरी तरह से मृत हैं, और कैमरे के विभिन्न हिस्सों के बीच बड़े अंतराल।

उन्होंने तीन दृष्टिकोणों का परीक्षण किया:

1. पुराना तरीका (बेसलाइन फाइंडर): सख्त शिक्षक।
2. मध्यम मार्ग (CAT फाइंडर): एक मिश्रण जहाँ जासूस केवल आंतरिक कैमरे को देखता है, लेकिन शिक्षक अभी भी बाहरी परतों की जाँच करता है।
3. पूर्ण जासूस (BAT फाइंडर): जासूस पूरी तस्वीर को एक साथ देखता है।

सबसे पहले, उन्होंने जासूस को एक "परफेक्ट" कैमरे पर सीखने दिया। जब उन्होंने बिना किसी अतिरिक्त प्रशिक्षण के टूटे हुए कैमरे पर इसका परीक्षण किया, तो इसने पुराने शिक्षक से बेहतर प्रदर्शन किया, लेकिन बड़े अंतरालों के कारण यह भ्रमित हो गया, जिससे इसकी शुद्धता गिरकर लगभग 93% रह गई। यह एक ऐसे जासूस की तरह था जो एक साफ शहर में अपराध सुलझाने में माहिर है लेकिन सड़कों के बंद होने पर खो जाता है।

लेकिन यहाँ जादू का नुस्खा है: उन्होंने जासूस को फिर से प्रशिक्षित किया। उन्होंने इसे टूटे हुए कैमरे के उदाहरण दिए ताकि यह सीख सके कि एक "बिखरा हुआ" पथ कैसा दिखता है। इसके लिए नए कंप्यूटर बनाने या जासूस के दिमाग को बदलने की आवश्यकता नहीं थी; उन्होंने बस इसे विशिष्ट प्रकार की क्षति के साथ अधिक अभ्यास कराया।

परिणाम: दिन बचाना

परिणाम प्रभावशाली थे। पुन: प्रशिक्षण के बाद, BAT फाइंडर टूटे हुए कैमरे का चैंपियन बन गया:

• दक्षता (Efficiency): यह 64.2% यूनिफॉर्मली डिस्पलेस्ड म्यूऑन्स (विशेष रूप से 100 सेमी तक विस्थापित होने वाले) को खोजने में सफल रहा। इसकी तुलना में पुराने तरीके ने इन विशिष्ट कणों में से केवल 36.2% को ही खोजा। इसका मतलब है कि नए तरीके ने इस समूह के लिए लगभग दोगुने ट्रैक बचा लिए।
• शुद्धता (Purity): बिखरे हुए डेटा के बावजूद, इसके द्वारा खोजे गए ट्रैक 96.1% शुद्ध थे। पुराना तरीका केवल 90.1% तक पहुँच सका।

यह पेपर दिखाता है कि जासूस ने केवल क्षति का सामना ही नहीं किया; बल्कि वह अनुकूल भी हुआ। जब कैमरे में बड़े अंतराल थे जहाँ तार गायब थे, तो पुराना तरीका पूरी तरह से विफल हो गया क्योंकि वह अंतराल को पाट नहीं सका। हालाँकि, BAT फाइंडर ने उन अंतरालों के पार बिंदुओं को जोड़ने के लिए सीखा क्योंकि यह पूरे इवेंट को चरणों के अनुक्रम के बजाय एक बड़े पहेली के रूप में देखता है।

यह क्यों महत्वपूर्ण है

लेखक निष्कर्ष निकालते हैं कि डिटेक्टर को होने वाली क्षति कोई नई, अनसुलझी समस्या नहीं है; यह केवल उस "भाषा" में बदलाव है जिसे डेटा बोलता है। पैटर्न अलग हैं, लेकिन भौतिकी वही है। केवल अपने AI को नए, क्षतिग्रस्त पैटर्न पर फिर से प्रशिक्षित करके, वे हार्डवेयर के पुराना होने पर भी प्रयोग को सुचारू रूप से चलाने में सक्षम हैं।

यह एक बड़ी बात है क्योंकि बेल II मशीन वर्षों तक चलने वाली है, और डिटेक्टर समय के साथ और अधिक क्षतिग्रस्त होगा। हर बार तार टूटने पर हार्डवेयर को ठीक करने या पूरे सॉफ़्टवेयर को शून्य से लिखने के बजाय, वैज्ञानिक बस अपने AI पर "रिट्रेन" (retrain) बटन दबा सकते हैं। यह एक लचीला, भविष्य के अनुकूल समाधान है जो यह सुनिश्चित करता है कि वे उस बहुमूल्य डेटा को नहीं खोएंगे जो ब्रह्मांड के रहस्यों को खोलने के लिए आवश्यक है, भले ही उनका कैमरा धीरे-धीरे घिस रहा हो। यह पेपर साबित करता है कि सही AI के साथ, एक टूटा हुआ कैमरा भी सटीक तस्वीरें ले सकता है।