A High- and Variable-Dimensional Measurement of the $Z$+jets Differential Cross Section with the ATLAS Experiment and Artificial Intelligence

लार्ज हैड्रोन कोलाइडर एक ऐसी मशीन है जिसे प्रोटॉन को इतनी उच्च ऊर्जा पर आपस में टकराने के लिए बनाया गया है कि वे टूटकर छोटे, मौलिक कणों के फुहार में बदल जाते हैं। जब ये टकराव होते हैं, तो मलबा यादृच्छिक दिशाओं में नहीं उड़ता; इसके बजाय, भौतिकी के नियम टुकड़ों को घने, शंकु के आकार के स्प्रे में एक साथ समूहित होने के लिए मजबूर करते हैं जिन्हें 'जेट्स' (jets) के रूप में जाना जाता है। ये जेट्स वैज्ञानिकों के लिए मजबूत परमाणु बल (strong nuclear force) का अध्ययन करने का प्राथमिक तरीका हैं, जो पदार्थ के निर्माण खंडों को एक साथ जोड़ने वाले अदृश्य गोंद की तरह है। दशकों से, भौतिकविदों ने इन जेट्स को विशिष्ट, पूर्व-निर्धारित गुणों को मापकर समझने की कोशिश की है, जैसे कि स्प्रे की कुल ऊर्जा या द्रव्यमान। हालांकि, यह दृष्टिकोण एक जटिल पेंटिंग को केवल उसके कुल वजन या औसत रंग को मापकर समझने की कोशिश करने जैसा है। यह इस बात की सूक्ष्म बारीकियों को छोड़ देता है कि पेंट वास्तव में कैसे लगाया गया है। चुनौती हमेशा यह रही है कि टकराव से प्राप्त डेटा इतना विशाल और उच्च-आयामी (high-dimensional) है कि पारंपरिक उपकरण उनके बीच के संबंधों को खोए बिना हर विवरण को कैप्चर नहीं कर सकते।

कैलिफोर्निया विश्वविद्यालय, इरविन के शोधकर्ता केविन ग्रीफ द्वारा किया गया एक नया अध्ययन इस डेटा को संभालने के तरीके को बदल देता है। लार्ज हैड्रोन कोलाइडर में ATLAS प्रयोग के साथ काम करते हुए, ग्रीफ ने एक विशिष्ट प्रकार के कण घटना के उत्पादन को मापने की एक विधि विकसित की है, जहाँ एक Z बोसॉन कणों के एक स्प्रे के साथ बनता है, और ऐसा करते समय डेटा को कभी भी किसी सरलीकृत बॉक्स में जबरन फिट नहीं किया जाता। कुछ चुनिकृत विशेषताओं को चुनने के बजाय, टीम ने पूरे इवेंट का पुनर्निर्माण करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग किया, जिससे शामिल प्रत्येक एकल आवेशित कण (charged particle) की स्थिति और संवेग (momentum) को सुरक्षित रखा गया। यह दृष्टिकोण उन्हें डेटा को उसके कच्चे, पूर्ण जटिलता के साथ देखने की अनुमति देता है, जिससे टकराव का एक पूर्ण मानचित्र तैयार होता है न कि केवल एक सारांश। इसका परिणाम एक ऐसा माप है जो पहले की गई किसी भी उपलब्धि की तुलना में कहीं अधिक विस्तृत है, जो डेटा में उन पैटर्न को प्रकट करता है जो पहले इसलिए छिपे हुए थे क्योंकि वे बहुत जटिल थे।

इस कार्य के मूल में 'अनफोल्डिंग' (unfolding) नामक एक तकनीक शामिल है, जो अनिवार्य रूप से डिटेक्टर के धुंधलेपन के प्रभावों को उलटने का एक तरीका है। जब कण ATLAS डिटेक्टर से टकराते हैं, तो मशीन उनके संकेतों को रिकॉर्ड करती है, लेकिन ये संकेत पूर्ण नहीं होते; वे मशीनरी के कारण धुंधले और विकृत हो जाते हैं। यह समझने के लिए कि टकराव के दौरान वास्तव में क्या हुआ था, भौतिकविदों को इस विरूपण को गणितीय रूप से उलटना पड़ता है। पारंपरिक रूप से, यह कणों को बिनों (bins) में वर्गीकृत करके किया जाता था, जैसे कि मार्बल्स को उनके आकार के आधार पर बाल्टियों में डालना। लेकिन यह विधि इस बारे में जानकारी खो देती है कि मार्बल्स एक-दूसरे से कैसे संबंधित हैं। ग्रीफ की टीम ने इस रिवर्सल को करने के लिए आर्टिफिशियल इंटेलिजेंस का एक परिष्कृत रूप, विशेष रूप से एक प्रकार के जेनेरेटिव मॉडल का उपयोग किया। कणों को बाल्टियों में छांटने के बजाय, AI ने अव्यवस्थित डिटेक्टर संकेतों और टकराव के स्वच्छ, वास्तविक भौतिकी के बीच के संबंध को सीखा। फिर इसने वास्तविक डेटा पर उस ज्ञान को लागू किया, प्रभावी रूप से डिटेक्टर के शोर की परतों को हटाकर प्रत्येक एकल घटना की अंतर्निहित सच्चाई को प्रकट किया।

इस पद्धति ने शोधकर्ताओं को एक साथ बड़ी संख्या में आयामों (dimensions) में Z बोसॉन उत्पादन प्रक्रिया के क्रॉस सेक्शन, या संभावना को मापने की अनुमति दी। जबकि पिछले मापों ने एक साथ बीस या तीस अलग-अलग गुणों को देखा होगा, इस नए विश्लेषण ने एक साथ 843 आयामों की जानकारी को कैप्चर किया। टीम ने केवल एक चीज़ नहीं मापी; उन्होंने एक ऐसा डेटासेट बनाया जिसमें टकराव की पूरी कहानी समाहित है। इस एकल डेटासेट से, वे बिना प्रयोग को दोहराए या जटिल गणनाओं को दोबारा चलाए, कई अलग-अलग भौतिक मात्राओं के माप निकाल सकते थे। यह एक जटिल दृश्य की एक उच्च-रिज़ॉल्यूशन वाली तस्वीर लेने और फिर यह महसूस करने जैसा है कि हम उस एक छवि का उपयोग कार की गति, हवा के तापमान और दो पेड़ों के बीच की दूरी को पूर्ण सटीकता के साथ मापने के लिए कर सकते हैं, बस चित्र के सही हिस्सों को देखकर।

शोधकर्ताओं ने इस नई पद्धति की प्रभावशीलता देखने के लिए चार विशिष्ट प्रकार के भौतिक गुणों को मापकर इस दृष्टिकोण का परीक्षण किया। सबसे पहले, उन्होंने टकराव की अंतर्निहित गतिविधि को देखा, जिसमें आवेशित कणों की संख्या और उनके कुल संवेग को गिना गया। उन्होंने पाया कि कंप्यूटर सिमुलेशन, जो इन घटनाओं की भविष्यवाणी करने के लिए उपयोग किए जाते हैं, अक्सर लक्ष्य से चूक जाते हैं, जिनमें से कुछ सिमुलेशन वास्तविक डेटा की तुलना में तीस प्रतिशत अधिक या कम मानों की भविष्यवाणी करते हैं। यह विसंगति इस बात को रेखांकित करती है कि कणों के बनने और परस्पर क्रिया करने के बारे में हमारी वर्तमान समझ अभी भी अपूर्ण है। दूसरा, उन्होंने स्वयं जेट्स के आकार की जांच की, विशेष रूप से यह कि ऊर्जा जेट के केंद्र से बाहर की ओर कैसे वितरित होती है। अपने उच्च-आयामी पद्धति का उपयोग करके, वे जेट को परिभाषित करने के विभिन्न तरीकों के बीच स्विच कर सके और तुरंत देख सके कि आकार कैसे बदलता है, जिससे पता चला कि जेट की कुछ विशेषताएं वास्तव में उस तरीके के कारण थीं जिससे कंप्यूटर ने कणों को समूहबद्ध किया था, न कि टकराव की भौतिकी के कारण।

तीसरा, टीम ने 'एनर्जी-एनर्जी कोरिलेटर' (energy-energy correlator) नामक एक गुण को मापा, जो यह ट्रैक करता है कि कणों की ऊर्जा उनके बीच के कोण के आधार पर कैसे संबंधित है। यह माप कठिन है क्योंकि इसके लिए कणों के जोड़ों को कोणों की एक विस्तृत श्रृंखला में देखना आवश्यक है। नई पद्धति ने पूरे इवेंट में इस संबंध को सफलतापूर्वक कैप्चर किया, जो तीन अलग-अलग व्यवहार के क्षेत्रों को दर्शाता है: एक क्षेत्र जहाँ कण स्वतंत्र रूप से कार्य करते हैं, एक मध्य क्षेत्र जहाँ वे मजबूत बल के नियमों का पालन करते हैं, और एक अंतिम क्षेत्र जहाँ वे मुक्त कणों की तरह व्यवहार करते हैं। इसने विभिन्न पैमानों पर मजबूत बल कैसे संचालित होता है, इसका एक स्पष्ट और विस्तृत दृश्य प्रदान किया, जिससे मध्य सीमा में सैद्धांतिक भविष्यवाणियों की पुष्टि हुई और यह भी दिखाया कि वर्तमान मॉडल सबसे छोटे पैमाने पर कहाँ संघर्ष करते हैं। अंत में, टीम ने जेट्स की आंतरिक आयामीता (intrinsic dimensionality) को मापा, एक ऐसी अवधारणा जो यह पूछती है कि जेट की संरचना का वर्णन करने के लिए वास्तव में कितने नंबरों की आवश्यकता है। उन्होंने पाया कि भले ही जेट दर्जनों कणों से बने प्रतीत होते हैं, लेकिन अंतर्निहित संरचना को केवल कुछ आयामों द्वारा वर्णित किया जा सकता है। यह सुझाव देता है कि कणों का जटिल स्प्रे वास्तव में बहुत सरल नियमों द्वारा शासित है, जो एक ऐसे तरीके से एक साथ क्लस्टर होते हैं जिससे कंप्यूटर के लिए सीखना और भविष्यवाणी करना आसान हो जाता है।

इस कार्य का महत्व केवल इन विशिष्ट मापों तक ही सीमित नहीं है। यह सिद्ध करके कि टकराव के पूर्ण 'फेज स्पेस' (phase space) को बिना जानकारी खोए मापना संभव है, यह अध्ययन कण भौतिकी विश्लेषण के एक नए युग का द्वार खोलता है। इस माप द्वारा बनाया गया डेटासेट एक स्थिर संख्याओं की सूची नहीं है बल्कि एक लचीला संसाधन है जिसका उपयोग अन्य वैज्ञानिक अपने स्वयं के सिद्धांतों का परीक्षण करने और नई घटनाओं को खोजने के लिए कर सकते हैं। शोधकर्ताओं ने इस डेटासेट को सार्वजनिक रूप से उपलब्ध कराया है, जिससे कोई भी इसे किसी भी अवलोकन (observable) पर प्रोजेक्ट कर सकता है जिसे वे अध्ययन करना चाहते हैं। यह ध्यान को इस अनुमान लगाने से हटा देता है कि कौन सा विशिष्ट माप नई भौतिकी को प्रकट कर सकता है, और इसके बजाय एक व्यापक डेटा लाइब्रेरी बनाने की ओर ले जाता है जिसे उन प्रश्नों के उत्तर खोजने के लिए खोजा जा सकता है जिनके बारे में हमने अभी तक सोचा भी नहीं है।

अध्ययन वर्तमान कंप्यूटर मॉडलों की सीमाओं को भी संबोधित करता है। शोधकर्ताओं ने पाया कि जबकि सिमुलेशन कणों के सामान्य व्यवहार की भविष्यवाणी करने में अच्छे हैं, वे बारीक विवरणों को पकड़ने में अक्सर विफल रहते हैं, विशेष रूप से इस मामले में कि कण कैसे वितरित होते हैं और वे सूक्ष्म स्तर पर कैसे परस्पर क्रिया करते हैं। डेटा और सिमुलेशन के बीच की विसंगतियां यह सुझाव देती हैं कि कणों के 'हैड्रॉन' (hadrons) में बनने की प्रक्रिया, जिसे 'हैड्रोनाइज़ेशन' (hadronization) कहा जाता है, के मॉडल को परिष्कृत करने की आवश्यकता है। इस नई पद्धति द्वारा प्रदान किया गया उच्च-परिशुद्धता डेटा इन मॉडलों को ट्यून करने का एक तरीका प्रदान करता है, जो भविष्य के प्रयोगों के लिए अधिक सटीक भविष्यवाणियों की ओर ले जा सकता है। यह हाई-ल्यूमिनोसिटी LHC, जो कोलाइडर का अगला अपग्रेड है, के लिए अत्यंत महत्वपूर्ण है, जो और भी अधिक डेटा उत्पन्न करेगा और व्याख्या करने के लिए और भी अधिक सटीक उपकरणों की आवश्यकता होगी।

वैज्ञानिक अनुसंधान के व्यापक संदर्भ में, यह कार्य आर्टिफिशियल इंटेलिजेंस की शक्ति को न केवल वर्गीकरण के एक उपकरण के रूप में, बल्कि मौलिक खोज के एक तरीके के रूप में प्रदर्शित करता है। AI ने केवल डेटा को छांटा नहीं; इसने शोर के पीछे की भौतिक वास्तविकता का पुनर्निर्माण किया। यह भौतिकी के पारंपरिक तरीके को चुनौती देता है, जहाँ वैज्ञानिक अक्सर जटिल समस्याओं को हल करने योग्य बनाने के लिए उन्हें सरल बना देते हैं। इसके बजाय, यह अध्ययन दिखाता है कि डेटा की पूर्ण जटिलता को अपनाकर, हम उन सत्यों को उजागर कर सकते हैं जो पहले अदृश्य थे। लेखक का सुझाव है कि इस पद्धति को भविष्य के प्रयोगों के लिए एक मानक अभ्यास बनना चाहिए, जिससे समुदाय को खंडित मापों से हटकर कणों की परस्पर क्रिया की अधिक समग्र समझ की ओर बढ़ने में मदद मिले।

शोध पत्र इन तकनीकों की क्षमता की ओर देखते हुए निष्कर्ष निकालता है। शोधकर्ताओं का मानना है कि जैसे-जैसे आर्टिफिशियल इंटेलिजेंस विकसित होता रहेगा, यह वैज्ञानिकों को लार्ज हैड्रोन कोलाइडर में एकत्र किए गए डेटा से और भी अधिक जानकारी निकालने में सक्षम बनाएगा। वे एक ऐसे भविष्य की कल्पना करते हैं जहाँ AI सिस्टम न केवल डेटा का विश्लेषण कर सकते हैं, बल्कि प्रयोगों को डिजाइन करने और परिणामों की व्याख्या करने में भी मदद कर सकते हैं, जिससे खोज की गति तेज हो सके। जबकि वर्तमान अध्ययन टकराव के एक विशिष्ट प्रकार पर केंद्रित है, यहाँ विकसित विधियों को टॉप क्वार्क या हिग्स बोसॉन के उत्पादन जैसे अन्य प्रक्रियाओं पर भी लागू किया जा सकता है। अंतिम लक्ष्य 'स्टैंडर्ड मॉडल' (Standard Model), जो कण भौतिकी का वर्तमान सिद्धांत है, से विचलन खोजने के लिए इन उपकरणों का उपयोग करना है, जो नए कणों या बलों की खोज की ओर ले जा सकता है। ग्रीफ और उनकी टीम द्वारा प्रस्तुत कार्य उस दिशा में एक महत्वपूर्ण कदम है, जो ब्रह्मांड को उसके सबसे मौलिक स्तर पर देखने का एक नया तरीका प्रदान करता है।