⚛️ phenomenology

Know What You Don't Flow

यह शोध पत्र यह प्रदर्शित करता है कि कैसे हेटेरोस्केडैस्टिक (heteroscedastic) और बायेसियन (Bayesian) नॉर्मलाइजिंग फ्लो, स्पष्ट लाइकलीहुड (likelihood) वाले टॉय मॉडल्स और टॉप पेयर घटनाओं के लिए क्लासिफायर-रीवेटेड दृष्टिकोणों का उपयोग करते हुए, LHC भौतिकी में जनरेटिव न्यूरल नेटवर्क के लिए कैलिब्रेटेड व्यवस्थित और सांख्यिकीय अनिश्चितताओं को सीख और प्रसारित कर सकते हैं।

मूल लेखक: Anja Butter, Sascha Diefenbacher, Tilman Plehn, Lorenz Vogel

प्रकाशित 2026-08-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anja Butter, Sascha Diefenbacher, Tilman Plehn, Lorenz Vogel

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

यूरोप के केंद्र में, लार्ज हैड्रोन कोलाइडर प्रोटॉन को प्रकाश की गति के करीब की रफ्तार से आपस में टकराता है, जिससे नए कणों की एक बौछार निकलती है जो हर दिशा में उड़ते हैं। भौतिकविदों ने दशकों तक इन टक्करों का मानचित्रण करने में बिताया है, जिससे वे मलबे की इस अराजक फुहार को ब्रह्मांड कैसे काम करता है, इसके सटीक मापों में बदल देते हैं। इस डेटा को समझने के लिए, वे दो चीजों पर भरोसा करते हैं: डिटेक्टरों से प्राप्त वास्तविक माप और जटिल कंप्यूटर सिमुलेशन से प्राप्त सैद्धांतिक भविष्यवाणियां। वर्षों से, ये दोनों आपस में खूबसूरती से मेल खाते रहे हैं, लेकिन जैसे-जैसे कोलाइडर अधिक शक्तिशाली होता जा रहा है और अधिक डेटा एकत्र कर रहा है, त्रुटि की गुंजाइश कम होती जा रही है। माप इतने सटीक होते जा रहे हैं कि सैद्धांतिक भविष्यवाणियों को भी उतना ही सटीक होना होगा। यदि कंप्यूटर मॉडल थोड़े भी गलत हैं, या यदि वैज्ञानिक यह ठीक से नहीं बता सकते कि वे कितने गलत हो सकते हैं, तो संपूर्ण 'न्यू फिजिक्स' की खोज गुमराह हो सकती है। चुनौती अब केवल सही उत्तर प्राप्त करने के बारे में नहीं है, बल्कि इस बारे में है कि हम उस उत्तर पर कितने आश्वस्त हो सकते हैं।

यहीं से यूनिवर्सिटी ऑफ हाइडलबर्ग की एक टीम का नया दृष्टिकोण काम आता है। वे आर्टिफिशियल इंटेलिजेंस (AI) को न केवल इन कण टकरावों के परिणाम की भविष्यवाणी करना सिखाने पर काम कर रहे हैं, बल्कि यह भी सिखा रहे हैं कि कब वह अनिश्चित हो। मशीन लर्निंग की दुनिया में, 'जेनरेटिव नेटवर्क' नामक एक सामान्य उपकरण एक कुशल जालसाज की तरह कार्य करता है। यह वास्तविक कण टकरावों के पैटर्न को सीखता है और फिर नए, नकली इवेंट्स बनाता है जो असली चीज़ से अलग नहीं लगते। यह अविश्वसनीय रूप से उपयोगी है क्योंकि वास्तविक टकरावों का अनुकरण करना धीमा और महंगा है, जबकि AI सेकंडों में लाखों नकली इवेंट्स बना सकता है। हालांकि, अब तक, ये जालसाज अपनी गलतियों के बारे में चुप रहते थे। वे यह बताए बिना परिणाम उत्पन्न करते थे कि उत्तर कितना ठोस है या केवल एक अनुमान है। हाइडलबर्ग की टीम ने इस समस्या को ठीक करने के लिए एक तरीका विकसित किया है, जिससे इन नेटवर्कों को अपनी अनिश्चितता व्यक्त करने के लिए एक आवाज़ मिल सके।

शोधकर्ताओं ने दो अलग-अलग प्रकार की अनिश्चितताओं पर ध्यान केंद्रित किया जो इन सिमुलेशनों को प्रभावित कर सकती हैं। पहली है सांख्यिकीय अनिश्चितता (statistical uncertainty), जो केवल इसलिए होती है क्योंकि प्रशिक्षण डेटा सीमित है। यदि किसी नेटवर्क ने किसी दुर्लभ घटना के केवल कुछ ही उदाहरण देखे हैं, तो उसे उस घटना की दोबारा भविष्यवाणी करते समय कम आश्वस्त होना चाहिए। दूसरा प्रकार है व्यवस्थित अनिश्चितता (systematic uncertainty), जो अधिक सूक्ष्म है। यह नेटवर्क की अपनी खामियों, इसे प्रशिक्षित करने के तरीके, या इससे सीखे गए डेटा के शोर (noise) से उत्पन्न होती है। अनंत डेटा होने के बावजूद, एक नेटवर्क में एक अंतर्निहित पूर्वाग्रह या अंध बिंदु (blind spot) हो सकता है। टीम जानना चाहती थी कि क्या वे एक ही AI को इन दोनों प्रकार की त्रुटियों को एक साथ ट्रैक करने और उन्हें सटीक रूप से रिपोर्ट करने के लिए प्रशिक्षित कर सकते हैं।

अपने विचार का परीक्षण करने के लिए, उन्होंने एक सरल, काल्पनिक मॉडल से शुरुआत की जहाँ वे सटीक सत्य जानते थे। उन्होंने वास्तविक दुनिया की खामियों को दर्शाने के लिए डेटा में कृत्रिम शोर (artificial noise) डाला और फिर देखा कि AI उस पर कैसी प्रतिक्रिया देता है। उन्होंने पाया कि वे नेटवर्क को देखे जा रहे शोर के आकार को सीखने के लिए प्रशिक्षित कर सकते हैं। जब हमने शोर बढ़ाया, तो नेटवर्क द्वारा रिपोर्ट की गई अनिश्चितता भी बढ़ गई, जो स्थिति की वास्तविकता से मेल खाती थी। उन्होंने यह भी परीक्षण किया कि नेटवर्क सीखने की गति को कैसे संभालता है। यदि सीखने की प्रक्रिया बहुत तेज़ और अराजक थी, तो नेटवर्क में एक विशिष्ट प्रकार की त्रुटि विकसित हुई, और टीम के तरीके ने इसे एक व्यवस्थित दोष के रूप में सफलतापूर्वक पहचाना। महत्वपूर्ण रूप से, उन्होंने दिखाया कि नेटवर्क डेटा की कमी के कारण होने वाली त्रुटियों और प्रशिक्षण प्रक्रिया के कारण होने वाली त्रुटियों के बीच अंतर कर सकता है, और प्रत्येक के लिए सही प्रकार की अनिश्चितता निर्धारित कर सकता है।

असली परीक्षण तब हुआ जब उन्होंने इस पद्धति को एक जटिल, वास्तविक परिदृश्य पर लागू किया: टॉप क्वार्क जोड़ों (top quark pairs) का उत्पादन, जो कोलाइडर के सबसे भारी और सबसे अधिक अध्ययन किए जाने वाले कणों में से एक है। इस मामले में, वे पहले से सटीक गणितीय सत्य नहीं जानते थे, जो भौतिकविदों की सामान्य स्थिति होती है। इसे हल करने के लिए, उन्होंने एक दूसरे AI, एक क्लासिफायर (classifier) का उपयोग करके एक चतुर तकनीक अपनाई, जो एक मार्गदर्शक के रूप में कार्य करता है। इस क्लासिफायर ने जेनरेटिव नेटवर्क के मोटे, प्रारंभिक अनुमानों की वास्तविक डेटा के साथ तुलना की और नेटवर्क के पथ को सुधारने में मदद की। इस सुधारे गए पथ को लक्ष्य के रूप में उपयोग करके, जेनरेटिव नेटवर्क सटीक इवेंट्स बनाने में सक्षम हुआ और साथ ही, अपनी व्यवस्थित त्रुटियों को मापने में भी सक्षम हुआ। परिणाम आश्चर्यजनक थे। नेटवर्क ने सफलतापूर्वक मानचित्रित किया कि वह कहाँ आश्वस्त था और कहाँ नहीं, और कण टकराव की हर दिशा में इन अनिश्चितताओं को प्रसारित किया।

टीम ने यह भी पता लगाया कि ये नेटवर्क "नुइसेंस पैरामीटर्स" (nuisance parameters) को कैसे संभालते हैं, जो सिमुलेशन में ऐसे चर (variables) हैं जो पूरी तरह से ज्ञात नहीं हैं, जैसे कि टॉप क्वार्क का सटीक द्रव्यमान। उन्होंने नेटवर्क को इस द्रव्यमान को बदलने के लिए प्रशिक्षित किया और देखा कि अंतिम परिणामों में अनिश्चितता कैसे बदलती है। उन्होंने एक स्पष्ट, पूर्वानुमानित संबंध पाया: जैसे-जैसे इनपुट द्रव्यमान में अनिश्चितता बढ़ी, आउटपुट इवेंट्स में अनिश्चितता एक विशिष्ट, मापने योग्य तरीके से बढ़ी। इसका अर्थ है कि भविष्य में, भौतिकविद इन नेटवर्कों का उपयोग तुरंत यह देखने के लिए कर सकते हैं कि एक मौलिक स्थिरांक (fundamental constant) में छोटा सा परिवर्तन उनके पूरे विश्लेषण में कैसे प्रभाव डालता है।

यह कार्य प्रदर्शित करता है कि ऐसे जेनरेटिव नेटवर्क बनाना संभव है जो न केवल तेज़ जालसाज हैं, बल्कि वैज्ञानिक खोज में ईमानदार भागीदार भी हैं। इन प्रणालियों को अपनी विश्वसनीयता को कैलिब्रेट करना सिखाकर, शोधकर्ताओं ने एक ऐसा उपकरण प्रदान किया है जो कण भौतिकी के प्रयोगों की अगली पीढ़ी के लिए आवश्यक अत्यधिक सटीकता को संभाल सकता है। अब ये नेटवर्क केवल डेटा उत्पन्न नहीं करते; वे वैज्ञानिकों को बताते हैं कि वे उस डेटा पर कितना भरोसा कर सकते हैं, जिससे आर्टिफिशियल इंटेलिजेंस का एक 'ब्लैक बॉक्स' प्रकृति के मौलिक नियमों की खोज के लिए एक पारदर्शी उपकरण में बदल जाता है।

तकनीकी सारांश: "नो व्हाट यू डोंट फ्लो" (Know What You Don't Flow)

समस्या विवरण
जेनरेटिव मशीन लर्निंग मॉडल, जैसे कि नॉर्मलाइजिंग फ्लो (NFs), LHC भौतिकी में फेज-स्पेस डेंसिटी (phase-space densities) निकालने और क्लासिकल सिमुलेशन चेन की तुलना में तेजी से इवेंट्स जेनरेट करने के लिए परिवर्तनकारी उपकरण बन गए हैं। हालाँकि, एक महत्वपूर्ण कमजोरी बनी हुई है: इन इम्प्लिसिटली (implicitly) सीखे गए डेंसिटीज के लिए मजबूत, कैलिब्रेटेड अनिश्चितता मात्रा निर्धारण (uncertainty quantification) का अभाव। जबकि सुपरवाइज्ड रिग्रेशन में सांख्यिकीय अनिश्चितताओं (सीमित प्रशिक्षण डेटा से उत्पन्न) या व्यवस्थित अनिश्चितताओं (मॉडल की अभिव्यक्ति या शोर वाले डेटा से उत्पन्न) को सीखने के लिए विधियाँ मौजूद हैं, उन्हें जेनरेटिव नेटवर्क के लिए व्यापक रूप से संयोजित या कैलिब्रेट नहीं किया गया है। विशेष रूप से, जेनरेटिव नेटवर्क द्वारा ट्रेनिंग नॉइज़ या ऑप्टिमाइजेशन आर्टिफैक्ट्स से व्यवस्थित अनिश्चितताओं को सीखने के तरीके और अज्ञात वास्तविक डेंसिटी के मामले में इन अनिश्चितताओं को कैलिब्रेट करने के बीच एक अंतराल (gap) है।

कार्यप्रणाली (Methodology)
लेखक जेनरेटिव नेटवर्क में दो अलग-अलग प्रकार की अनिश्चितताओं को पहचानने और कैलिब्रेट करने के लिए एक फ्रेमवर्क प्रस्तावित करते हैं:

व्यवस्थित अनिश्चितताएँ ( $\sigma_{\text{syst}}$ ): इन्हें उन अनिश्चितताओं के रूप में परिभाषित किया गया है जो एक ही प्रकार के अनंत प्रशिक्षण डेटा के साथ भी समाप्त नहीं होती हैं (जैसे, लक्ष्य डेंसिटी में शोर, नेटवर्क की अभिव्यक्ति, या लर्निंग रेट में उतार-चढ़ाव)।
सांख्यिकीय अनिश्चितताएँ ( $\sigma_{\text{stat}}$ ): इन्हें उन अनिश्चितताओं के रूप में परिभाषित किया गया है जो अधिक प्रशिक्षण डेटा के साथ समाप्त हो जाती हैं (जैसे, विशिष्ट फेज-स्पेस क्षेत्र में सांख्यिकी की कमी)।

इनसे निपटने के लिए, यह पेपर दो आर्किटेक्चर की तुलना करता है और उन्हें पेश करता है:

हेटरोसेडास्टिक नॉर्मलाइजिंग फ्लो (HNF): एक फ्लो नेटवर्क जो लॉग-डेंसिटी $\log p_\theta(x)$ के साथ-साथ एक MLP को प्रेडिक्ट करता है जो एक स्थानीय अनिश्चितता $\sigma_{\text{syst}}(x)$ की भविष्यवाणी करता है। इसे एक हेटरोसेडास्टिक गौसियन लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है। महत्वपूर्ण रूप से, उन मामलों के लिए जहाँ वास्तविक डेंसिटी $p_{\text{truth}}(x)$ अज्ञात है, लेखक एक क्लासिफायर-रीवेटेड टारगेट (classifier-reweighted target) का उपयोग करते हैं। एक अनुमानित डेंसिटी $p_{\text{expl}}(x)$ को एक क्लासिफायर $C(x)$ द्वारा पुन: भारित (reweighted) किया जाता है जो इसे वास्तविक डेटा से अलग करता है, जिससे HNF के लिए एक स्पष्ट लक्ष्य $p_{\text{expl}}(x) \times \frac{C(x)}{1-C(x)}$ बनता है।
बायेसियन नॉर्मलाइजिंग फ्लो (BNF): एक फ्लो जहाँ नेटवर्क पैरामीटर्स को फिक्स्ड वैल्यू के बजाय प्रोबेबिलिटी डिस्ट्रीब्यूशन (पोस्टीरियर्स) के रूप में माना जाता है। पोस्टीरियर से सैंपलिंग करके, जेनरेटेड डेंसिटीज का एन्सेम्बल सांख्यिकीय अनिश्चितता $\sigma_{\text{stat}}(x)$ प्रदान करता है।

इस कार्यप्रणाली को पहले एक ज्ञात डेंसिटी वाले 2D टॉय मॉडल पर, और उसके बाद एक यथार्थवादी 16-डायमेंशनल टॉप पेयर ( $t\bar{t}$ ) प्रोडक्शन प्रोसेस (पूर्ण लीप्टोनिक डिके के साथ) पर मान्य किया गया है।

प्रमुख योगदान और परिणाम

व्यवस्थित अनिश्चितताओं का कैलिब्रेशन: टॉय मॉडल का उपयोग करके, लेखक प्रदर्शित करते हैं कि HNF इंजेक्ट की गई गौसियन नॉइज़ को व्यवस्थित अनिश्चितता के रूप में सही ढंग से सीखता है। सीखी गई अनिश्चितता इंजेक्ट किए गए शोर के स्तर के साथ रैखिक रूप से स्केल करती है, और परिणामी "पल्स" (ट्रुथ और प्रेडिक्शन के बीच का अंतर, सीखी गई अनिश्चितता द्वारा सामान्यीकृत) एक स्टैंडर्ड गौसियन वितरण का पालन करते हैं, जो पूर्ण कैलिब्रेशन का संकेत देता है।
लर्निंग रेट एक व्यवस्थित स्रोत के रूप में: अध्ययन यह प्रकट करता है कि स्टोकेस्टिक ऑप्टिमाइजेशन में लर्निंग रेट $\eta$ एक व्यवस्थित अनिश्चितता उत्पन्न करता है। न्यूनतम सीखी गई अनिश्चितता $\min \sigma_{\text{syst}} \propto \sqrt{\eta}$ के रूप में स्केल करती है, जो पुष्टि करती है कि ऑप्टिमाइजेशन नॉइज़ को HNF द्वारा एक व्यवस्थित प्रभाव के रूप में कैप्चर किया गया है।
अनिश्चितता के प्रकारों का अंतर: पेपर HNF और BNF की भूमिकाओं को स्पष्ट रूप से अलग करता है। HNF डेटा, नेटवर्क, या ट्रेनिंग से उत्पन्न स्टोकेस्टिक या डिटर्मिनिस्टिक सिस्टमैटिक्स को सीखता है, जो प्रशिक्षण डेटासेट के आकार ( $N_{\text{train}}$ ) के बावजूद स्थिर रहते हैं। इसके विपरीत, BNF प्रशिक्षण डेटासेट के आकार से उत्पन्न सांख्यिकीय सीमाओं को सीखता है, जो $1/\sqrt{N_{\text{train}}}$ के रूप में स्केल करता है।
क्लासिफायर-रीवेटेड ट्रेनिंग: यथार्थवादी $t\bar{t}$ अनुप्रयोग के लिए जहाँ प्रत्यक्ष प्रशिक्षण के लिए स्पष्ट लाइकलीहुड उपलब्ध नहीं है, क्लासिफायर-रीवेटेड रणनीति लक्षित डेंसिटी को सफलतापूर्वक पुनर्निर्मित करती है। इस रीवेटेड टारगेट पर प्रशिक्षित HNF स्थानीय व्यवस्थित अनिश्चितताओं को सीखता है जो अच्छी तरह से कैलिब्रेटेड हैं, विशेष रूप से जब "थ्योरी-मोटिवेटेड" फैक्टराइज्ड एप्रोक्सिमेशन के बजाय "स्टेटिस्टिक्स-मोटिवेटेड" अनुमानित डेंसिटी का उपयोग किया जाता है।
नुआंस पैरामीटर प्रोपेगेशन (Nuisance Parameter Propagation): लेखक प्रदर्शित करते हैं कि एक कंडीशनल HNF नुआंस पैरामीटर्स (विशेष रूप से टॉप क्वार्क मास $m_t$ ) में एनकोडेड व्यवस्थित अनिश्चितताओं को सीख सकता है। $m_t$ पर कंडीशनल होकर प्रशिक्षित करके, मॉडल टॉप मास की प्रायर अनिश्चितता को सभी फेज-स्पेस ऑब्जर्वेबल्स तक प्रसारित कर सकता है, जो प्रायर विड्थ और सीखी गई व्यवस्थित अनिश्चितता के बीच एक स्केलिंग लॉ स्थापित करता है।

महत्व और दावे
पेपर का दावा है कि यह पार्टिकल फिजिक्स में जेनरेटिव नेटवर्क के लिए व्यवस्थित और सांख्यिकीय दोनों अनिश्चितताओं को सीखने और कैलिब्रेट करने का पहला व्यापक दृष्टिकोण प्रदान करता है। लेखक इस बात पर जोर देते हैं कि जबकि पिछले अध्ययनों ने दिखाया है कि जेनरेटिव नेटवर्क सांख्यिकीय अनिश्चितताओं को सीख सकते हैं, किसी भी पूर्ववर्ती पार्टिकल फिजिक्स अध्ययन ने सीखी गई सांख्यिकीय अनिश्चितताओं के सही कैलिब्रेशन को प्रदर्शित नहीं किया है या सीखी गई डेंसिटी पर व्यवस्थित अनिश्चितताओं के प्रबंधन का विवरण नहीं दिया है।

इसका महत्व शुद्ध रूप से जेनरेटिव मॉडल से अनिश्चितता-जागरूक (uncertainty-aware) जेनरेटिव मॉडल की ओर बढ़ने की क्षमता में निहित है। HNF (सिस्टमैटिक्स के लिए) और BNF (सांख्यिकी के लिए) को मिलाकर, यह फ्रेमवर्क एक पूर्ण अनिश्चितता बजट प्रदान करता है। लेखक नोट करते हैं कि यह LHC अनुप्रयोगों जैसे कि पैरामीटर इन्फरेंस के लिए विशेष रूप से महत्वपूर्ण है, जहाँ कैलिब्रेटेड अनिश्चितताएं एक पूर्व शर्त हैं। यह कार्य स्थापित करता है कि जेनरेटिव नेटवर्क "यह जानने" में सक्षम हैं कि वे क्या फ्लो नहीं कर रहे हैं ("know what they don't flow"), जिससे बिना किसी स्पष्ट विश्लेलिटिकल लाइकलीहुड के भी फेज-स्पेस डेंसिटी पर विश्वसनीय एरर बार प्रदान किए जा सकते हैं।

इसी तरह के और पेपर