⚛️ high-energy experiments

Decorrelation of neural networks from particle lifetimes in the LHCb topological $b$ trigger

यह शोध पत्र LHCb टोपोलॉजिकल ट्रिगर में न्यूरल नेटवर्क स्कोर को $b$ -हैड्रॉन लाइफटाइम से डिकोरिलेट (decorrelate) करने के लिए दो विधियों का परिचय और मूल्यांकन करता है, जो उच्च-पाइलअप वातावरण में गलत रूप से संबद्ध क्षय उत्पादों (misassociated decay products) के कारण होने वाले पूर्वाग्रहों को संबोधित करता है ताकि भौतिकी विश्लेषणों के लिए निष्पक्ष इवेंट चयन सुनिश्चित किया जा सके।

मूल लेखक: Johannes Albrecht, Alessandro Bertolin, James Connaughton, Jonathan Davies, Blaise Delaney, Agnieszka Dziurda, Conor Fitzpatrick, Maciej Giza, Vava V. Gligorov, James A. Gooding, Nicole Schulte, Nicol

प्रकाशित 2026-07-27

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Johannes Albrecht, Alessandro Bertolin, James Connaughton, Jonathan Davies, Blaise Delaney, Agnieszka Dziurda, Conor Fitzpatrick, Maciej Giza, Vava V. Gligorov, James A. Gooding, Nicole Schulte, Nicole Skidmore, Mika Vesterinen, Mike Williams, Shunan Zhang, Valeriia Zhovkovska

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

कल्पना कीजिए कि एक विशाल, हाई-स्पीड कैमरा एक भीड़ भरे स्टेडियम में फूटते हुए आतिशबाजी के विस्फोट की तस्वीर लेने की कोशिश कर रहा है। कैमरा इतना तेज़ है कि वह उस पल को रोक सकता है जब आतिशबाजी फटती है, लेकिन स्टेडियम इतना भरा हुआ है कि ठीक उसी समय हजारों अन्य आतिशबाजी भी फूट रही हैं। यह चुनौती LHCb प्रयोग के सामने है जो लार्ज हैड्रोन कोलाइडर (LHC) में चल रहा है। वैज्ञानिक इस मशीन का उपयोग "ब्यूटी" कणों (या b-हैड्रोन) का अध्ययन करने के लिए करते हैं, जो भारी, अस्थिर कण हैं जो बहुत तेज़ी से क्षय होते हैं, या टूट जाते हैं। उन्हें खोजने के लिए, कंप्यूटर सिस्टम एक क्लब के सुपर-फास्ट बाउंसर की तरह काम करता है, जो बाद में सुरक्षित रखने के लिए दिलचस्प घटनाओं को चुनने के लिए हर सेकंड लाखों टकरावों को स्कैन करता है।

समस्या यह है कि इन ब्यूटी कणों का एक विशिष्ट "व्यक्तित्व" होता है: वे टूटने से पहले एक सूक्ष्म लेकिन मापने योग्य दूरी तय करते हैं, जिससे मलबे का एक विशिष्ट पैटर्न बनता है। कंप्यूटर एक स्मार्ट एल्गोरिदम का उपयोग करता है, जो आर्टिफिशियल इंटेलिजेंस का एक प्रकार है जिसे न्यूरल नेटवर्क कहा जाता है, ताकि वह इस पैटर्न को पहचान सके। हालाँकि, प्रयोग के वर्तमान, अधिक व्यस्त संस्करण में, स्टेडियम इतना भीड़भाड़ वाला है कि बाउंसर कभी-कभी भ्रमित हो जाता है। वह गलती से एक आतिशबाजी के मलबे को दूसरे पड़ोसी के मलबे के साथ मिला सकता है, जिससे एक नकली पैटर्न बन जाता है जो एक लंबे समय तक जीवित रहने वाले ब्यूटी कण जैसा दिखता है। यदि कंप्यूटर इन नकली चीज़ों को पहचानने में बहुत अधिक कुशल हो जाता है, तो वह उन वास्तविक, लंबे समय तक जीवित रहने वाले कणों को अनदेखा करना शुरू कर सकता है जिन्हें उसे खोजना चाहिए, जिससे विज्ञान बर्बाद हो सकता है। यह शोध पत्र इस बारे में है कि कंप्यूटर को यह गलती करने से कैसे रोका जाए बिना वास्तविक आतिशबाजी को खोजने की अपनी क्षमता खोए।

व्यस्त बाउंसर और नकली सुराग

LHCb प्रयोग को उन भारी कणों का अध्ययन करने के लिए डिज़ाइन किया गया है जिनमें "ब्यूटी" क्वार्क होता है। ये कण विशेष हैं क्योंकि वे टूटने से पहले लगभग एक सेंटीमीटर की दूरी तय करने के लिए पर्याप्त समय तक जीवित रहते हैं। यह एक अनूठा सिग्नेचर बनाता है: एक "सेकेंडरी वर्टेक्स", या कणों के मिलने का दूसरा बिंदु, जो उस स्थान से थोड़ा अलग होता है जहाँ वे पैदा हुए थे। इन घटनाओं को पकड़ने के लिए, LHCb ट्रिगर सिस्टम एक मशीन लर्निंग टूल का उपयोग करता है जिसे मोनोटोनिक लिप्सचिट्ज़ न्यूरल नेटवर्क (MLNN) कहा जाता है। इस न्यूरल नेटवर्क को एक अत्यधिक प्रशिक्षित जासूस के रूप में सोचें जो सुरागों (जैसे कि कण कितनी दूर चले और वे कितनी तेज़ी से चल रहे थे) को देखता है और हर घटना को एक स्कोर देता है। यदि स्कोर पर्याप्त रूप से उच्च है, तो घटना को सुरक्षित रख लिया जाता है।

जासूस को "मोनोटोनिक" होने के लिए प्रशिक्षित किया गया है, जिसका अर्थ है कि यदि कोई कण अधिक दूरी तय करता है या उसमें अधिक मोमेंटम होता है, तो स्कोर बढ़ जाना चाहिए। यह समझ में आता है क्योंकि वास्तविक ब्यूटी कण आमतौर पर बैकग्राउंड शोर की तुलना में अधिक दूरी तय करते हैं। हालाँकि, प्रयोग हाल ही में बहुत व्यस्त हो गया है। अतीत में, प्रति क्षण लगभग एक टकराव (µ = 1.1) होता था, लेकिन अब एक साथ लगभग 5.3 टकराव (µ = 5.3) हो रहे हैं। यह ऐसा है जैसे बाउंसर एक ही कमरे में एक साथ चल रही पांच अलग-अलग पार्टियों को छाँटने की कोशिश कर रहा हो।

इस भीड़ के कारण, जासूस कभी-कभी धोखा खा जाता है। वह एक टकराव से एक ट्रैक और दूसरे टकराव से एक ट्रैक ले सकता है, उन्हें जोड़ सकता है, और एक "कंपोजिट" कण बना सकता है जो ऐसा दिखता है जैसे उसने बहुत लंबी दूरी तय की हो। यह एक "लाइफटाइम-कोरिलेटेड बैकग्राउंड" है। यह एक नकली सुराग है जो बिल्कुल उन लंबे समय तक जीवित रहने वाले ब्यूटी कणों जैसा दिखता है जिनका वैज्ञानिक अध्ययन करना चाहते हैं। खतरा यह है कि न्यूरल नेटवर्क, इन नकली लंबे-दूरी के ट्रैक्स को देखकर, सभी लंबे-दूरी के ट्रैक्स के प्रति संदिग्ध होना सीख सकता है। यह वास्तविक, लंबे समय तक जीवित रहने वाले ब्यूटी कणों को दंडित करना शुरू कर सकता है क्योंकि वे थोड़े बहुत फakes जैसे दिखते हैं। इससे एक पूर्वाग्रह (bias) पैदा होगा, जिससे प्रयोग उन कणों के प्रति कम संवेदनशील हो जाएगा जिनका उसे अध्ययन करने की आवश्यकता है।

जासूस को भीड़ को अनदेखा करना सिखाना

इसे ठीक करने के लिए, शोधकर्ताओं ने अपने न्यूरल नेटवर्क को "डिकोरिलेट" (decorrelate) करने का प्रयास किया। सरल शब्दों में, वे चाहते थे कि AI यह सीखे कि उसका स्कोर इस बात पर निर्भर नहीं होना चाहिए कि कण कितने समय तक जीवित रहा, विशेष रूप से लंबे समय तक जीवित रहने वाले कणों के लिए। उन्होंने AI की ट्रेनिंग प्रक्रिया में एक "पेनल्टी" जोड़ने के लिए दो अलग-अलग तरीकों का परीक्षण किया यदि वह लाइफटाइम पर बहुत अधिक ध्यान देने लगे।

पहला तरीका DisCo (डिस्टेंस कोरिलेशन) था। कल्पना करें कि यह एक सख्त शिक्षक है जो छात्र पर चिल्लाता है जब भी उसकी ग्रेड उसके कद के आधार पर बदलती है। यदि AI एक लंबे समय तक जीवित रहने वाले कण को उच्च स्कोर देता है, तो पेनल्टी सक्रिय हो जाती है और बताती है, "नहीं, स्कोर इसलिए नहीं बदलना चाहिए क्योंकि लाइफटाइम बदल गया है।"

दूसरा तरीका MoDe (मोमेंट डिकंपोजिशन) था। यह एक लचीले कोच की तरह है। केवल चिल्लाने के बजाय, कोच छात्र के प्रदर्शन को विभिन्न आकृतियों (गणितीय वक्रों) में तोड़ देता है और केवल उन हिस्सों को दंडित करता है जो वहां नहीं होने चाहिए। यह AI को शुरुआत में एक तीव्र "टर्न-ऑन" (sharp turn-on) रखने की अनुमति देता है (स्पष्ट कचरे को खारिज करने के लिए) लेकिन लंबे समय तक जीवित रहने वाले कणों के लिए इसे स्थिर और सुसंगत रहने के लिए मजबूर करता है।

परिणाम: एक सपाट, निष्पक्ष स्कोर

टीम ने अपने AI मॉडल को प्रशिक्षित करने के लिए इन दो तरीकों का उपयोग किया और सिम्युलेटेड डेटा पर उनका परीक्षण किया, विशेष रूप से यह देखने के लिए कि वे $B^+ \to J/\psi(\mu^+\mu^-)K^+$ और $B^0 \to D^-(K^+\pi^-\pi^-)\pi^+$ जैसे वास्तविक ब्यूटी कणों को कितनी अच्छी तरह ढूंढ सकते हैं।

उन्होंने पाया कि दोनों तरीकों ने मदद की, लेकिन वे अलग-अलग तरीकों से काम करते हैं। DisCo पद्धति ने AI को मध्यम लाइफटाइम के बारे में कम चयनात्मक बनाया, जिससे लंबे समय तक जीवित रहने वाले कणों के लिए स्कोर सपाट रहा, लेकिन इसने समग्र दक्षता (efficiency) को थोड़ा कम कर दिया। हालाँकि, MoDe पद्धति मुख्य आकर्षण रही। यह मध्यम लाइफटाइम वाले कणों के लिए दक्षता को उच्च बनाए रखने में सफल रही और साथ ही लंबे समय तक जीवित रहने वाले कणों के लिए स्कोर को सपाट रखने में भी सक्षम रही।

जब उन्होंने 4 पिकोसेकंड (एक पिकोसेकंड एक ट्रिलियनवां सेकंड है) से अधिक लाइफटाइम वाले कणों के डेटा को देखा, तो अंतर स्पष्ट था। बिना किसी मदद के, AI की दक्षता लाइफटाइम बढ़ने के साथ तेजी से गिर गई, जिसका ढलान (slope) लगभग -24.9 था। DisCo पद्धति ने इसे सुधारकर -12.9 कर दिया, लेकिन $\lambda = 0.2$ के पेनल्टी स्ट्रेंथ के साथ MoDe पद्धति ने इस ढलान को लगभग शून्य (-6.6 3-body उम्मीदवारों के लिए) तक ला दिया। इसका मतलब है कि AI अब उन लंबे समय तक जीवित रहने वाले कणों के खिलाफ भेदभाव नहीं कर रहा था जिन्हें उसे खोजना था।

निष्कर्ष

शोध पत्र निष्कर्ष निकालता है कि LHC के रन 3 की व्यस्त स्थितियों ने बैकग्राउंड शोर का एक नया प्रकार पैदा कर दिया है जो ट्रिगर सिस्टम को भ्रमित करता है। न्यूरल नेटवर्क को लाइफटाइम से डिकोरिलेट करने के लिए MoDe दृष्टिकोण का उपयोग करके, LHCb प्रयोग यह सुनिश्चित कर सकता है कि उसका "बाउंसर" निष्पक्ष बना रहे। यह वास्तविक, लंबे समय तक जीवित रहने वाले ब्यूटी कणों को अंदर आने देगा बिना भीड़ भरे स्टेडियम से मिले नकली, मिश्रित ट्रैक्स से धोखा खाए। यह सुनिश्चित करता है कि भविष्य के वैज्ञानिक अध्ययन, जो इन कणों के क्षय (decay) को मापने पर निर्भर करते हैं, कंप्यूटर के अपने भ्रम के कारण पक्षपाती न हों। लेखक सुझाव देते हैं कि यह विधि डेटा को साफ और भौतिकी को सटीक रखने के लिए एक मजबूत समाधान है।

तकनीकी सारांश: LHCb टोपोलॉजिकल b ट्रिगर में न्यूरल नेटवर्क का कण जीवनकाल (Particle Lifetimes) से डिकोरिलेशन (Decorrelation)

समस्या विवरण
LHCb प्रयोग का टोपोलॉजिकल ब्यूटी (b) ट्रिगर एक महत्वपूर्ण मशीन लर्निंग (ML) घटक है, जिसे विशिष्ट जीवनकाल (lifetimes) और ट्रांसवर्स मोमेंटम (transverse momentum) के आधार पर $b$ -हैड्रोन वाले टकराव संबंधी घटनाओं (collision events) को चुनने के लिए डिज़ाइन किया गया है। LHC के रन 3 में, प्रति बंच क्रॉसिंग (bunch crossing) दृश्य प्रोटॉन-प्रोटॉन टकरावों की औसत संख्या ( $\mu$ ) रन 1 और 2 के 1.1 से बढ़कर 5.3 हो गई है। यह उच्च पाइल-अप (pile-up) वातावरण एक विशिष्ट बैकग्राउंड तंत्र पेश करता है: विभिन्न प्राइमरी वर्टिसिस (PVs) से प्राप्त क्षय उत्पादों (decay products) का गलत जुड़ाव (misassociation)।

जब विभिन्न PVs के ट्रैक को गलत तरीके से एक कैंडिडेट वर्टेक्स बनाने के लिए संयोजित किया जाता है, तो परिणामी सेकेंडरी वर्टेक्स (SV) कृत्रिम रूप से बड़े फ्लाइट डिस्टेंस और जीवनकाल प्रदर्शित कर सकता है। यह "लाइफटाइम-कोरिलेटेड बैकग्राउंड" एक ऐसा पूर्वाग्रह (bias) उत्पन्न करता है जहाँ न्यूरल नेटवर्क (NN) स्कोर, जो $b$ -डिके टोपोलॉजी की पहचान करने के लिए प्रशिक्षित होते हैं, अनजाने में बड़े वास्तविक जीवनकाल वाले उम्मीदवारों को दंडित करते हैं। इसके परिणामस्वरूप, बड़े जीवनकाल पर चयन दक्षता (selection efficiency) कम हो जाती है, जो एक ऐसा पूर्वाग्रह पेश करती है जो समय-निर्भर भौतिकी विश्लेषणों (time-dependent physics analyses) से समझौता करती है, जो सटीक $b$ -हैड्रॉन क्षय-समय वितरण को पुनर्गठित करने के लिए एक निष्पक्ष प्रतिक्रिया (unbiased response) पर निर्भर करते हैं।

कार्यप्रणाली (Methodology)
इसे संबोधित करने के लिए, लेखकों ने दो अलग-अलग दृष्टिकोणों को लागू किया है जिनका उपयोग कैंडिडेट लाइफटाइम ( $\tau$ ) से मोनोटोनिक लिप्सचिट्ज़ न्यूरल नेटवर्क्स (MLNNs) को डिकोरिलेट करने के लिए किया जाता है। MLNNs, जो 2- और 3-बॉडी कैंडिडेट का चयन करते हैं, को ट्रांसवर्स मोमेंटम ( $p_T$ ) और इम्पैक्ट पैरामीटर क्वालिटी ( $\chi^2_{IP}$ ) जैसे फीचर्स में मोनोटोनिक होने की आवश्यकता है, लेकिन वे स्पष्ट रूप से लाइफटाइम वेरिएबल तक पहुँच नहीं रखते हैं।

यह अध्ययन दो पेनल्टी टर्म्स का मूल्यांकन करता है जिन्हें बाइनरी क्रॉस-एन्ट्रॉपी (BCE) लॉस फंक्शन में जोड़ा गया है:

डिस्टेंस कोरिलेशन (DisCo): यह विधि एक पेनल्टी टर्म जोड़ती है जो NN स्कोर ( $\hat{y}$ ) और लाइफटाइम ( $\tau$ ) के बीच डिस्टेंस कोवेरिएंस (distance covariance) पर आधारित है। पेनल्टी को स्कोर और लाइफटाइम के सेल्फ-कोवेरिएंस द्वारा सामान्यीकृत (normalize) किया जाता है, जो प्रभावी रूप से दोनों चरों के बीच डिस्टेंस कोरिलेशन ($dCorr$) को न्यूनतम करता है।
मोमेंट डिकंपोजिशन (MoDe): यह दृष्टिकोण लाइफटाइम द्वारा बिन किए गए NN स्कोर के क्युमुलेटिव डेनसिटी फंक्शन (CDF) को लेजेंड्रे पॉलीनोमियल्स (Legendre polynomials) में विघटित करता है। लॉस फंक्शन वास्तविक CDF और उसके डिकंपोजिशन (विशेष रूप से एक क्वाड्रेटिक टर्म, $\ell=2$ का उपयोग करके) के बीच के अंतर को दंडित करता है। यह $\tau$ और $\hat{y}$ के बीच एक नियंत्रित क्वाड्रेटिक डिपेंडेंस की अनुमति देता है, जो बड़े जीवनकाल पर मोनोटोनिसिटी को लागू करता है जबकि छोटे क्षय समय पर आवश्यक "टर्न-ऑन" कर्व को बनाए रखता है ताकि प्रॉम्प्ट बैकग्राउंड को खारिज किया जा सके।

इन मॉडलों को $B^+ \to J/\psi(\mu^+\mu^-)K^+$ और $B^0 \to D^-(K^+\pi^-\pi^-)\pi^+$ क्षय के सिम्युलेटेड सैंपल्स पर प्रशिक्षित किया गया था, जिसमें बैकग्राउंड को मिनिमम बायस सिमुलेशन के माध्यम से मॉडल किया गया था।

प्रमुख योगदान और परिणाम
यह शोध पत्र LHCb रन 3 टोपोलॉजिकल $b$ ट्रिगर फ्रेमवर्क के भीतर इन डिकोरिलेशन तकनीकों के कार्यान्वयन और मूल्यांकन को प्रस्तुत करता है।

अनुकूलन (Optimization): DisCo दृष्टिकोण के लिए इष्टतम डिकोरिलेशन स्ट्रेंथ $\lambda = 0.8$ और MoDe दृष्टिकोण के लिए $\lambda = 0.2$ पाई गई।
दक्षता प्रदर्शन (Efficiency Performance): दोनों विधियों ने बड़े जीवनकाल ( $\tau \gtrsim 5$ $τ ≳ 5$ ps) पर चयन दक्षता को सपाट (flattened) करने में सफलता प्राप्त की, जिससे गैर-डिकोरिलेटेड मॉडलों में देखी गई दक्षता गिरावट को कम किया जा सका।
- DisCo दृष्टिकोण ने मध्यवर्ती जीवनकाल पर दक्षता को कम करके और बड़े जीवनकाल पर उस निचले स्तर को बनाए रखकर एक सपाट दक्षता प्राप्त की।
- MoDe दृष्टिकोण ने मध्यवर्ती जीवनकाल पर प्रदर्शन बनाए रखते हुए बड़े जीवनकाल पर दक्षता में सुधार किया। यह MoDe फॉर्मूलेशन के कारण है क्योंकि यह छोटे क्षय समयों पर आवश्यक तीव्र टर्न-ऑन कर्व को दंडित नहीं करता है।
मात्रात्मक विश्लेषण (Quantitative Analysis): $\tau > 4$ ps के लिए $B^0$ कैंडिडेट की दक्षता के लीनियर लीस्ट-स्क्वायर रिग्रेशन फिट्स ने प्रदर्शित किया कि MoDe ने दक्षता वक्र के नकारात्मक ढलान (negative slope) को कम करने में बेहतर प्रदर्शन किया। 3-बॉडी कैंडिडेट के लिए, MoDe का ढलान लगभग शून्य के बराबर ( $-6.6 \pm 5.5$ ns $^{-1}$ ) था, जबकि गैर-डिकोरिलेटेड ढलान $-22.2 \pm 2.8$ ns $^{-1}$ था।

महत्व
लेख का निष्कर्ष है कि टोपोलॉजिकल $b$ ट्रिगर में लाइफटाइम डिकोरिलेशन प्राप्त करने के लिए MoDe दृष्टिकोण अधिक उपयुक्त है। पाइल-अप-प्रेरित गलत जुड़ाव से उत्पन्न पूर्वाग्रह को समग्र वर्गीकरण शक्ति (classification power) से समझौता किए बिना सफलतापूर्वक कम करके, ये विधियाँ यह सुनिश्चित करती हैं कि ट्रिगर रिस्पॉन्स कण के जीवनकाल के संबंध में निष्पक्ष रहे। यह LHCb रन 3 के उच्च-पाइल-अप वातावरण में समय-निर्भर मापों (time-dependent measurements) की संवेदनशीलता को बनाए रखने के लिए आवश्यक है।

व्यस्त बाउंसर और नकली सुराग

जासूस को भीड़ को अनदेखा करना सिखाना

परिणाम: एक सपाट, निष्पक्ष स्कोर

निष्कर्ष

इसी तरह के और पेपर