⚛️ high-energy experiments

Topological analysis of scale-invariant spatial fluctuations in ultrarelativistic heavy-ion collisions

यह शोध पत्र एक नवीन दो-चरणीय टोपोलॉजिकल मशीन लर्निंग फ्रेमवर्क प्रस्तुत करता है जो अल्ट्रारिलेटिविस्टिक हेवी-आयन कोलिजन में अत्यधिक गैर-क्रिटिकल बैकग्राउंड से कमजोर क्रिटिकल फ्लक्चुएशन सिग्नल्स को सफलतापूर्वक अलग करने के लिए टोपोलॉजिकल डेटा एनालिसिस को डीप लर्निंग के साथ जोड़ता है, जिससे पावर-लॉ स्केलिंग को पुनर्स्थापित किया जाता है और क्यूसीडी (QCD) क्रिटिकल पॉइंट की विश्वसनीय पहचान सक्षम होती है।

मूल लेखक: Salman Khurshid Malik, Ramni Gupta, Fakhar Ul Haider, Balwan Singh

प्रकाशित 2026-08-11

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Salman Khurshid Malik, Ramni Gupta, Fakhar Ul Haider, Balwan Singh

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

ब्रह्मांडीय सूप और एक छिपे हुए नुस्खे की खोज

कल्पना कीजिए कि बिग बैंग के ठीक एक सेकंड के कुछ ही अंशों बाद का ब्रह्मांड कैसा था। यह आज के ठंडे, खाली अंतरिक्ष जैसा नहीं था, बल्कि एक अत्यंत गर्म, अत्यंत सघन सूप जैसा था जहाँ पदार्थ के बुनियादी निर्माण खंड—क्वार्क्स और ग्लूऑन्स—बिना किसी सामान्य नियम के स्वतंत्र रूप से तैर रहे थे। पदार्थ की इस अवस्था को क्वार्क-ग्लूऑन प्लाज्मा (QGP) कहा जाता है। आज के वैज्ञानिक भारी परमाणु नाभिकों को विशाल मशीनों, जिन्हें पार्टिकल कोलाइडर कहा जाता है, में प्रकाश की गति के करीब टकराकर इस प्राचीन सूप को फिर से बनाने की कोशिश करते हैं। जब ये टकराव होते हैं, तो QGP एक बहुत ही छोटे क्षण के लिए बनता है और फिर ठंडा होकर वापस साधारण कणों (जैसे प्रोटॉन और न्यूट्रॉन) में बदल जाता है जो हमारी दुनिया को बनाते हैं।

बड़ा सवाल यह है: यह परिवर्तन कैसे होता है? क्या यह सुचारू रूप से होता है, जैसे बर्फ पानी में पिघलती है, या क्या कोई विशिष्ट "टिपिंग पॉइंट" या महत्वपूर्ण क्षण है जहाँ नियम नाटकीय रूप से बदल जाते हैं? इसे QCD क्रिटिकल पॉइंट के रूप में जाना जाता है। इसे खोजने के लिए, वैज्ञानिक टकराव के बाद निकलने वाले कणों के उड़ने के तरीके में सूक्ष्म, अराजक लहरों (ripples) की तलाश करते हैं। यदि ब्रह्मांड ने उस महत्वपूर्ण टिपिंग पॉइंट को छुआ होता, तो ये लहरें विभिन्न आकारों में एक विशिष्ट, स्व-समान पैटर्न (जैसे कि एक फ्रैक्टल स्नोफ्लेक) की तरह दिखतीं। हालाँकि, इस पैटर्न को खोजना अविश्वसनीय रूप से कठिन है क्योंकि संकेत एक तूफान में फुसफुसाहट जैसा है; क्रिटिकल पॉइंट की "फुसफुसाहट" टक्कर में उत्पन्न होने वाले अरबों साधारण कणों के "गरज" में दब जाती है।

मशीन में एक भूत की तलाश

यह शोध पत्र इस बारे में है कि कैसे भौतिकविदों की एक टीम ने उस फुसफुसाहट को खोजने के लिए एक नए प्रकार के जासूसी कार्य का उपयोग करने का निर्णय लिया। उन्होंने केवल ध्यान से सुनने की कोशिश नहीं की; उन्होंने एक ऐसी मशीन बनाई जो अराजकता के आकार को "देख" सके।

समस्या: भूसे के ढेर में सुई
कल्पना कीजिए कि आप लाखों फीके, धूसर कंकड़ों से भरी एक विशाल बाल्टी के भीतर छिपे कुछ विशिष्ट, चमकते हुए मार्बल्स (कंचों) को खोजने की कोशिश कर रहे हैं। यदि आप पूरी बाल्टी को एक मेज पर उलट देते हैं और मार्बल्स को गिनते हैं, तो आप उन्हें मिस कर सकते हैं क्योंकि धूसर कंकड़ बहुत अधिक प्रभावशाली हैं। हेवी-आयन टकरावों की दुनिया में, "धूसर कंकड़" टकराव से उत्पन्न होने वाले सामान्य कण हैं (जिसे EPOS नामक मॉडल द्वारा सिम्युलेट किया गया है), और "चमकते हुए मार्बल्स" वे दुर्लभ कण हैं जो क्रिटिकल पॉइंट के संकेत दिखा सकते हैं (जिसे CMC नामक मॉडल द्वारा सिम्युलेट किया गया है)।

शोधकर्ताओं ने पाया कि भले ही उन्होंने अपने सिमुलेशन में क्रिटिकल कणों का एक "सिग्नल" इंजेक्ट किया हो, लेकिन यह इतना कमजोर था—कुल कणों का केवल 1% से 5%—कि पारंपरिक गणना और माप के तरीके विफल हो गए। सिग्नल बैकग्राउंड शोर द्वारा पूरी तरह से धो दिया गया था। यह एक स्टेडियम में चीखते हुए प्रशंसकों के बीच एक एकल वायलिन को सुनने की कोशिश करने जैसा था।

समाधान: टोपोलॉजिकल मशीन लर्निंग
इसे हल करने के लिए, लेखकों ने टोपोलॉजिकल डेटा एनालिसिस (TDA) और मशीन लर्निंग को शामिल करते हुए एक चतुर दो-चरणीय रणनीति का उपयोग किया। TDA को डेटा के "आकार" को देखने के एक तरीके के रूप में समझें, न कि केवल संख्याओं को। व्यक्तिगत कणों को देखने के बजाय, उन्होंने टकराव को बिंदुओं के एक बादल (cloud of points) के रूप में माना और पूछा: "इस बादल का आकार कैसा दिखता है?"

चरण एक: आकार बदलने वाला (इवेंट क्लासिफिकेशन)
सबसे पहले, उन्होंने कणों के ट्रैक्स को एक 2D मानचित्र में बदल दिया (जिसे $\eta$ और $\varphi$ निर्देशांक कहा जाता है)। फिर उन्होंने डेलाने त्रिकोणीकरण (Delaunay triangulation) नामक एक गणितीय उपकरण का उपयोग करके बिंदुओं को जोड़ने के लिए एक जाल बनाया। जैसे-जैसे वे इस जाल को ज़ूम इन और ज़ूम आउट करते गए, उन्होंने इस आकार में "छेद" और "लूप" कैसे प्रकट और गायब होते हैं, इसका पता लगाया। इसने एक अद्वितीय "फिंगरप्रिंट" बनाया जिसे बेटी कर्व (Betti curve) कहा जाता है।

उन्होंने इन फिंगरप्रिंट्स को दो अलग-अलग प्रकार के AI "मस्तिष्क" में डाला: एक TopoPointNet (डीप लर्निंग नेटवर्क का एक प्रकार) और एक बूस्टेड डिसीजन ट्री (BDT)। इन AI ने बैकग्राउंड शोर के अस्त-व्यस्त, यादृच्छिक आकार और क्रिटिकल सिग्नल के घने, क्लस्टर्ड आकार के बीच सूक्ष्म अंतर को पहचानना सीखा। परिणाम क्या रहा? AI इस सिग्नल को पहचानने में अविश्वसनीय रूप से कुशल हो गया। जब सिग्नल मिश्रण का 5% था, तो AI ने 99% सटीकता के साथ सही घटनाओं की पहचान की, प्रभावी रूप से "धूसर कंकड़ों" को छानकर "चमकते मार्बल्स" वाली बाल्टी को ढूंढ लिया।
चरण दो: पार्टिकल फ़िल्टर (डेंसिटी फ़िल्टर)
हालाँकि, शोधकर्ताओं को एहसास हुआ कि केवल सही बाल्टी चुनना ही पर्याप्त नहीं था। "सिग्नल" वाली बाल्टी के अंदर भी, अधिकांश मार्बल्स अभी भी फीके धूसर कंकड़ ही थे। क्रिटिकल कण अभी भी एक बहुत छोटा अल्पसंख्यक थे। इसलिए, उन्होंने दूसरा चरण जोड़ा: एक पार्टिकल-लेवल डेंसिटी फ़िल्टर।

उन्होंने प्रत्येक कण के बीच की दूरी को देखा। क्रिटिकल कण एक साथ कसकर पैक थे (एक घने क्लस्टर की तरह), जबकि बैकग्राउंड कण बिखरे हुए थे। केवल उन कणों को रखकर जो अपने पड़ोसियों के बहुत करीब थे ( 0.02 रेडियन की दूरी के भीतर), उन्होंने विसरित (diffuse) बैकग्राउंड को हटा दिया। यह ढीली रेत को हटाने के लिए एक छलनी का उपयोग करने जैसा था, जिससे केवल कसकर पैक किए गए रत्न ही बचे।

खोज: पैटर्न की बहाली
जब उन्होंने अपने सिम्युलेटेड डेटा पर इस दो-चरणीय फ़िल्टर को लागू किया, तो कुछ जादुई हुआ। पारंपरिक तरीकों द्वारा बनाए गए अराजक, सपाट रेखाएं अचानक एक ग्राफ पर एक स्पष्ट, सीधी रेखा में बदल गईं। यह रेखा एक पावर-लॉ स्केलिंग (power-law scaling) को दर्शाती है, जो एक क्रिटिकल पॉइंट का गणितीय हस्ताक्षर है।

फ़िल्टर के बिना, "इंटरमिटेंसी इंडेक्स" (एक संख्या जो पैटर्न की ताकत को मापती है) शून्य के करीब था, जिसका अर्थ है कि कोई पैटर्न नहीं मिला।
फ़िल्टर के साथ, इंडेक्स रिकवर होकर $\phi_2 \approx 0.73$ हो गया, जो उनके विशिष्ट सिमुलेशन सेटअप में एक क्रिटिकल सिस्टम के सैद्धांतिक अनुमान ( $\approx 0.75$ ) के बहुत करीब है।

इसका क्या अर्थ है
यह शोध पत्र प्रदर्शित करता है कि टोपोलॉजिकल शेप एनालिसिस को मशीन लर्निंग के साथ जोड़कर, बैकग्राउंड शोर से 50 गुना कमजोर क्रिटिकल सिग्नल को निकाला जा सकता है। लेखक स्पष्ट रूप से कहते हैं कि इस कार्य के लिए पारंपरिक तरीके अपर्याप्त हैं क्योंकि वे शोर में खो जाते हैं। उनका नया तरीका, हालांकि, सिग्नल को सफलतापूर्वक "बहाल" (restore) करता है, यह साबित करता है कि क्रिटिकल ज्यामिति वहां हमेशा मौजूद थी, बस छिपी हुई थी।

यह ध्यान रखना महत्वपूर्ण है कि यह एक सिमुलेशन है। शोधकर्ताओं ने डेटा उत्पन्न करने के लिए कंप्यूटर मॉडल (EPOS और CMC) का उपयोग किया है, अभी वास्तविक कण त्वरक से वास्तविक टकराव का डेटा नहीं। हालांकि परिणाम अत्यधिक आशाजनक हैं और सुझाव देते हैं कि यह विधि वास्तविक जीवन में काम कर सकती है, लेखक चेतावनी देते हैं कि वास्तविक दुनिया के डिटेक्टरों के अपने स्वयं के गुण (जैसे ट्रैक्स का आपस में मिल जाना) होते हैं, जिन्हें इस तकनीक को प्रकृति में वास्तविक QCD क्रिटिकल पॉइंट खोजने के लिए उपयोग करने से पहले टेस्ट करने की आवश्यकता है।

संक्षेप में, यह शोध पत्र दिखाता है कि यदि आप एक भीड़भाड़ वाले कमरे में एक भूत को खोजना चाहते हैं, तो आपको केवल फुसफुसाहट सुनने की जरूरत नहीं है; आपको एक ऐसी मशीन बनानी चाहिए जो भूत की छाया के विशिष्ट आकार को पहचान सके।

तकनीकी सारांश: भारी-आयन टकरावों में स्केल-इनवेरिएंट स्थानिक उतार-चढ़ाव का टोपोलॉजिकल विश्लेषण

समस्या विवरण
भारी-आयन टकरावों में क्वार्क-ग्लूऑन प्लाज्मा (QGP) से हैड्रोनिक पदार्थ के चरण संक्रमण और QCD क्रिटिकल पॉइंट की पहचान, अंतिम-अवस्था कणों में स्केल-इनवेरिएंट स्थानिक उतार-चढ़ाव (इंटरमिटेंसी) का पता लगाने पर निर्भर करती है। जबकि क्रिटिकल मोंटे कार्लो (CMC) मॉडल ने दो-आयामी ट्रांसवर्स मोमेंटम ( $p_x$ - $p_y$ ) स्पेस में इन उतार-चढ़ावों को सफलतापूर्वक सिम्युलेट किया है, प्रयोगात्मक संकेत अत्यंत कमजोर हैं, जो कुल इवेंट सैंपल का केवल कुछ प्रतिशत ही बनाते हैं। ये क्रिटिकल सिग्नल अत्यधिक गैर-क्रिटिकल थर्मल बैकग्राउंड (जैसे, EPOS सिमुलेशन से) द्वारा गंभीर रूप से विरल (diluted) हो जाते हैं, जिससे विश्वसनीय सिग्नल निष्कर्षण के लिए पारंपरिक नॉर्मलाइज्ड फैक्टोरियल मोमेंट (NFM) विश्लेषण अपर्याप्त हो जाता है। इसके अलावा, पिछले इंटरमिटेंसी अध्ययन मुख्य रूप से मोमेंटम स्पेस तक सीमित रहे हैं, जिससे ALICE जैसे डिटेक्टरों द्वारा उपयोग किए जाने वाले प्रयोगात्मक रूप से सुलभ कोणीय ( $\eta, \phi$ ) फेज स्पेस में CMC-आधारित क्रिटिकल फ्लक्चुएशन मॉडल्स के अनुप्रयोग में एक अंतराल रह गया है।

कार्यप्रणाली
लेखक एक नवीन दो-चरणीय टोपोलॉजिकल मशीन लर्निंग फ्रेमवर्क प्रस्तावित करते हैं, जिसे ( $\eta, \phi$ ) फेज स्पेस में डोमिनेंट बैकग्राउंड से कमजोर क्रिटिकल सिग्नल निकालने के लिए डिज़ाइन किया गया है।

इवेंट जनरेशन और सिग्नल एम्बेडिंग:
- बैकग्राउंड: $\sqrt{s_{NN}} = 5.02$ TeV पर $6 \times 10^5$ मिनिमम बायस Pb-Pb टकराव के इवेंट्स EPOS हाइब्रिड इवेंट जनरेटर का उपयोग करके उत्पन्न किए गए।
- सिग्नल: CMC मॉडल, जिसमें एक लेवी रैंडम वॉक (Lévy random walk) का उपयोग किया गया है जिसका घातांक $\mu = 1/6$ है (जो 3D आइसिंग यूनिवर्सल क्लास के अनुरूप है), को सीधे ( $\eta, \phi$ ) एक्सेप्टेंस विंडो में क्रिटिकल क्लस्टर्स उत्पन्न करने के लिए अनुकूलित किया गया।
- एम्बेडिंग: क्रिटिकल सिग्नल ट्रैक्स को 1%, 3%, और 5% के अंशों ( $\lambda$ ) पर EPOS इवेंट्स में एम्बेड किया गया। चयनित EPOS ट्रैक्स के मूल कोणीय निर्देशांकों को ट्रांसवर्स मोमेंटम ( $p_T$ ) को सुरक्षित रखते हुए CMC निर्देशांकों द्वारा प्रतिस्थापित किया गया।
टोपोलॉजिकल डेटा एनालिसिस (TDA) पाइपलाइन:
- डेलाने फिल्ट्रेशन (Delaunay Filtration): कण इवेंट्स को 2D पॉइंट क्लाउड्स के रूप में माना गया। अज़िमथल एंगल $\phi$ पर आवधिक सीमा स्थितियों (periodic boundary conditions) को लागू करने के लिए एक "फैंटम-पॉइंट" योजना के साथ डेलाने ट्राइएंगुलेशन का निर्माण किया गया।
- सब-लेवल सेट फिल्ट्रेशन: कणों के निकटतम-पड़ोसी दूरी ( $d_{NN}$ ) के आधार पर एक निरंतर ज्यामितीय फिल्ट्रेशन किया गया। जैसे-जैसे स्केल पैरामीटर $\epsilon$ बढ़ता है, सिम्पलीशियल कॉम्प्लेक्स (वर्टिसेस, एडजेस, फेसेस) सक्रिय होते जाते हैं।
- बेटी कर्व्स (Betti Curves): टोपोलॉजिकल इनवेरिएंट्स के विकास—विशेष रूप से 0-वें बेटी नंबर ( $\beta_0$ , कनेक्टेड कंपोनेंट्स) और 1-ले बेटी नंबर ( $\beta_1$ , लूप्स)—को ट्रैक करने के लिए बेटी कर्व्स का निर्माण किया गया।
- बायस करेक्शन: मल्टीप्लिसिटी बायस और कलेक्टिव फ्लो प्रभावों को हटाने के लिए, रॉ बेटी कर्व्स को मल्टीप्लिसिटी द्वारा नॉर्मलाइज किया गया और अज़िमथल रैंडमाइजेशन के माध्यम से सुधारा गया। इसने डायनामिकल स्पेशियल कोरिलेशन को अलग करने के लिए $\Delta$ -बेटी कर्व्स ( $\beta^\Delta_k = \beta_k - \beta^{rand}_k$ ) उत्पन्न किए।
मशीन लर्निंग क्लासिफिकेशन:
- 600-डायमेंशनल फीचर वेक्टर्स (कन्केटनेटेड $\Delta\beta_0$ और $\Delta\beta_1$ कर्व्स) को दो अलग-अलग क्लासिफायर: एक 1D कन्वोल्यूशनल न्यूरल नेटवर्क (TopoPointNet) और एक ग्रेडिएंट बूस्टेड डिसीजन ट्री (XGBoost/BDT) में फीड किया गया।
- दो-चरणीय फ़िल्टरिंग:
  - चरण 1 (इवेंट-लेवल): इवेंट्स को सिग्नल या बैकग्राउंड के रूप में वर्गीकृत किया गया। केवल वे इवेंट्स रखे गए जिनमें सिग्नल प्रोबेबिलिटी $S \ge 0.90$ थी।
  - चरण 2 (पार्टिकल-लेवल): चयनित इवेंट्स के भीतर, एक ज्यामितीय डेंसिटी फिल्टर ( $d_{NN} \le \epsilon_{cut}$ ) लागू किया गया ताकि विसरित (diffuse) थर्मल बैकग्राउंड को हटाया जा सके और घने पैक किए गए क्रिटिकल क्लस्टर्स को अलग किया जा सके।

प्रमुख परिणाम

सिग्नल डाइल्यूशन: मिश्रित सैंपल्स (EPOS + 5% CMC) पर मानक NFM विश्लेषण विफल रहा, जिससे पावर-लॉ स्केलिंग रिकवर नहीं हो सकी, और इसने एक इंटरमिटेंसी इंडेक्स $\phi_2 \approx 0$ (बैकग्राउंड-जैसा) दिया, न कि क्रिटिकल वैल्यू।
वर्गीकरण प्रदर्शन: दोनों TopoPointNet और BDT ने उच्च भेदभाव शक्ति (discrimination power) प्रदर्शित की। 5% सिग्नल इंजेक्शन फ्रैक्शन पर, एरिया अंडर द कर्व (AUC) $\approx 0.99$ तक पहुँच गया। मॉडल विभिन्न रेजोल्यूशन ( $N_\epsilon = 300$ अनुकूल था) के माध्यम से मजबूत रहे।
फीचर एट्रिब्यूशन: SHAP और गेन-आधारित महत्व विश्लेषण ने खुलासा किया कि मॉडल विशिष्ट टोपोलॉजिकल स्केल्स पर निर्भर थे:
- $\epsilon \approx 0.001$ rad: सबसे घने लेवी क्लस्टर्स में कनेक्टिविटी की शुरुआत ( $\Delta\beta_0$ )।
- $\epsilon \approx 0.02\text{--}0.05$ rad: क्लस्टर्स के भीतर बंद लूप्स का निर्माण ( $\Delta\beta_1$ )।
- $\epsilon \approx 0.08$ rad: अलग-अलग क्लस्टर्स का विलय (coalescence)।
इंटरमिटेंसी की रिकवरी: दो-चरणीय टोपोलॉजिकल फिल्टर लागू करने के बाद, शेष ट्रैक्स पर NFM विश्लेषण ने सफलतापूर्वक पावर-लॉ स्केलिंग को बहाल कर दिया। 5% डाइल्यूटेड मिश्रण के लिए रिकवर किया गया इंटरमिटेंसी इंडेक्स $\phi_2 \approx 0.73$ था, जो शुद्ध CMC रेफरेंस वैल्यू $\phi_2 \approx 0.75$ (ज्यामिति और सीमित एक्सेप्टेंस के कारण $2/3$ से शिफ्ट होकर) के काफी करीब है।

महत्ता और दावे
लेखक $(\eta, \phi)$ फेज स्पेस में CMC मॉडल के साथ टोपोलॉजिकल मशीन लर्निंग के प्रथम अनुप्रयोग का दावा करते हैं। लेखक का तर्क है कि यह कार्य:

एक मजबूत, डेटा-संचालित कार्यप्रणाली स्थापित करता है जहाँ पारंपरिक फैक्टोरियल मोमेंट विश्लेषण सिग्नल डाइल्यूशन के कारण विफल हो जाता है।
यह प्रदर्शित करता है कि टोपोलॉजिकल फीचर्स (बेटी कर्व्स) में कम सिग्नल अंशों (1–5%) पर भी थर्मल बैकग्राउंड से क्रिटिकल फ्लक्चुएशन को अलग करने के लिए पर्याप्त ज्यामितीय जानकारी होती है।
यह प्रमाणित करता कि एक दो-चरणीय पाइपलाइन (इवेंट क्लासिफिकेशन के बाद पार्टिकल-लेवल डेंसिटी फिल्टरिंग) अंतर्निहित क्रिटिकल स्केलिंग कानूनों को पुनः प्राप्त करने के लिए आवश्यक है।
LHC ऊर्जाओं (विशेष रूप से ALICE) पर भविष्य के प्रयोगात्मक खोजों के लिए एक बेसलाइन प्रदान करता है, यह देखते हुए कि हालांकि वर्तमान अध्ययन जनरेटर स्तर पर है, यह फ्रेमवर्क हाई-स्टैटिस्टिक्स क्षमताओं का लाभ उठाने के लिए डिज़ाइन किया गया है।

लेखक तत्काल प्रयोगात्मक अनुप्रयोग के संबंध में विनम्र रहते हैं, यह स्वीकार करते हुए कि वर्तमान विश्लेषण में डिटेक्टर प्रभाव (जैसे, ट्रैक मर्जिंग/स्प्लिटिंग) को सिम्युलेट नहीं किया गया है और CMC मॉडल एक डायनेमिक फेज इवोल्यूशन के बजाय एक स्टैटिक फ्रैक्टल ज्योमेट्री का प्रतिनिधित्व करता है। भविष्य के कार्य में डायनेमिक मॉडल्स (जैसे, SCR मॉडल) और यथार्थवादी डिटेक्टर सिमुलेशन को शामिल करने का प्रस्ताव है।

ब्रह्मांडीय सूप और एक छिपे हुए नुस्खे की खोज

मशीन में एक भूत की तलाश

इसी तरह के और पेपर