Probing Dense Nuclear Matter at Small-x: A workflow for a global analysis framework

ब्रह्मांड को उसके सबसे मौलिक स्तर पर समझने के लिए, भौतिक विज्ञानी अक्सर इस बात को देखते हैं कि पदार्थ के सबसे छोटे निर्माण खंड अविश्वसनीय गति से टकराने पर कैसा व्यवहार करते हैं। प्रत्येक परमाणु के नाभिक के भीतर, प्रोटॉन और न्यूट्रॉन ठोस गोले नहीं हैं, बल्कि वे क्वार्क और ग्लूऑन नामक और भी छोटे कणों के एक उबलते हुए सूप से बने हैं। जब वैज्ञानिक इन नाभिकों पर उच्च-ऊर्जा वाली कणों की बीम दागते हैं, तो वे यह जांच सकते हैं कि यह 'सूप' कैसे व्यवस्थित है। कम ऊर्जा पर, कण बिखरे हुए होते हैं, जो एक राजमार्ग पर अकेले यात्रियों की तरह व्यवहार करते हैं। लेकिन जैसे-जैसे ऊर्जा बढ़ती है, इन कणों का घनत्व इतना अत्यधिक बढ़ जाता है कि वे एक-दूसरे को घेरने लगते हैं, और एक सामूहिक, घने राज्य में विलीन हो जाते हैं जहाँ उनके परस्पर क्रिया के नियम बदल जाते हैं। यह घना क्षेत्र वह है जहाँ प्रकृति की सबसे रहस्यमय और शक्तिशाली शक्तियाँ संचालित होती हैं, फिर भी यह गणना करना अविश्वसनीय रूप से कठिन है क्योंकि कण एक-दूसरे के साथ जटिल, गैर-रैखिक (non-linear) तरीकों से परस्पर क्रिया करते हैं जिन्हें मानक कंप्यूटर प्रोग्राम तेजी से हल करने में संघर्ष करते हैं।

शोधकर्ताओं की एक टीम ने इस कम्प्यूटेशनल भूलभुलैया से निकलने के लिए एक नई विधि विकसित की है, जिससे वे इस घने परमाणु पदार्थ का अभूतपूर्व गति और सटीकता के साथ अध्ययन कर सकते हैं। एक मशीन लर्निंग मॉडल को एक तेज़, सटीक विकल्प के रूप में प्रशिक्षित करके, जो धीमी, पारंपरिक गणनाओं का स्थान ले सके, उन्होंने एक ऐसा उपकरण बनाया है जो उच्च-ऊर्जा, छोटे-x क्षेत्र (small-x region) में परमाणु नाभिकों की संरचना का पता लगा सकता है—यह एक विशिष्ट क्षेत्र है जहाँ ग्लूऑनों का घनत्व इतना अधिक हो जाता है कि वे नाभिक को संतृप्त (saturate) करने लगते हैं। यह सफलता वैज्ञानिकों को एक ही विश्लेषण के भीतर दो अलग-अलग सैद्धांतिक ढांचों की आमने-सामने तुलना करने में सक्षम बनाती है, जिससे यह स्पष्ट चित्र मिलता है कि पदार्थ के पैक होने पर नाभिक की आंतरिक संरचना कैसे बदलती है। इसका परिणाम मजबूत बल (strong force) की हमारी समझ का अधिक कठोर परीक्षण है, जो वह 'गोंद' है जो ब्रह्मांड को एक साथ थामे रखता है, विशेष रूप से परमाणु नाभिकों के भीतर पाई जाने वाली चरम स्थितियों में।

टीम द्वारा संबोधित मुख्य चुनौती उन गणितीय गणनाओं में निहित है जो यह वर्णन करती हैं कि ऊर्जा बढ़ने के साथ ये कण कैसे विकसित होते हैं। मानक दृष्टिकोण में, वैज्ञानिक एक जटिल समीकरणों के सेट का उपयोग करते हैं जो यह ट्रैक करते हैं कि एक आभासी कण (virtual particle), जो टकराव के दौरान उत्पन्न होता है, कैसे क्वार्क के जोड़े में विभाजित होता है और फिर लक्ष्य नाभिक के साथ परस्पर क्रिया करता है। जबकि यह विधि तब अच्छी तरह काम करती है जब कण विरल होते हैं, लेकिन जब घनत्व अधिक होता है, तो यह एक विशाल कम्प्यूटेशनल बाधा बन जाती है। इस घने राज्य को नियंत्रित करने वाले समीकरण गैर-रैखिक (non-linear) हैं, जिसका अर्थ है कि आउटपुट केवल इनपुट का सरल योग नहीं है; इसके बजाय, कण एक-दूसरे को इस तरह प्रभावित करते हैं जिसके लिए प्रत्येक एकल डेटा बिंदु के लिए समीकरणों को बार-बार हल करने की आवश्यकता होती है। एक वैश्विक विश्लेषण (global analysis) में, जहाँ शोधकर्ताओं को अपने मॉडलों को हजारों प्रयोगात्मक डेटा बिंदुओं के साथ फिट करना होता है, इन भारी गणनाओं को बार-बार चलाना एक अव्यवहारिक समय ले लेगा, जो प्रगति को प्रभावी रूप से रोक देगा।

इसे हल करने के लिए, शोधकर्ताओं ने मशीन लर्निंग की ओर रुख किया, विशेष रूप से आर्टिफिशियल इंटेलिजेंस के एक प्रकार, जिसे न्यूरल नेटवर्क कहा जाता है। हर बार जब नए मापदंडों (parameters) के सेट की आवश्यकता होती है, तो कंप्यूटर को कठिन समीकरणों को शून्य से हल करने के लिए मजबूर करने के बजाय, उन्होंने न्यूरल नेटवर्क को समाधानों के पैटर्न को सीखने के लिए प्रशिक्षित किया। उन्होंने विभिन्न संभावित स्थितियों, जिसमें विभिन्न ऊर्जा स्तर और कण घनत्व शामिल हैं, को कवर करने वाले पूर्व-गणना किए गए परिणामों के एक विशाल पुस्तकालय (library) को तैयार किया। इस पुस्तकालय में लगभग 80 गीगाबाइट डेटा था, जिसने प्रशिक्षण स्थल के रूप में कार्य किया। एक बार जब नेटवर्क ने अंतर्निहित पैटर्न सीख लिया, तो वह जटिल समीकरणों के परिणाम का लगभग तुरंत अनुमान लगा सकता था, जिससे उस विशाल पुस्तकालय को लगभग 10 मेगाबाइट स्टोरेज स्पेस वाले एक छोटे से मॉडल में संकुचित कर दिया गया।

इस नए उपकरण का प्रदर्शन आश्चर्यजनक है। जहाँ पारंपरिक विधि को एक एकल बिंदु का मूल्यांकन करने में काफी समय लग सकता है, वहीं मशीन लर्निंग मॉडल इसे लगभग एक मिलीसेकंड में कर सकता है। यह गति कार्यप्रवाह को बदल देती है, एक ऐसी प्रक्रिया को जो पहले व्यावहारिक रूप से बहुत धीमी थी, उसे एक ऐसी प्रक्रिया में बदल देती है जिसे पलक झपकते ही हजारों बार चलाया जा सकता है। शोधकर्ताओं ने अपने मॉडल का परीक्षण 'सत्य' समाधानों की तुलना करके किया जो मानक, धीमी विधि द्वारा उत्पन्न किए गए थे। उन्होंने पाया कि मशीन लर्निंग मॉडल उच्च निष्ठा (fidelity) के साथ परिणामों को पुनरुत्पादित करता है, जो अध्ययन की गई स्थितियों की पूरी श्रृंखला में कणों की जटिल परस्पर क्रिया से मेल खाता है। मॉडल के भविष्यवाणियों और वास्तविक मूल्यों के बीच अंतर आम तौर पर पांच प्रतिशत से कम था, जिसमें सबसे बड़े विचलन केवल उन चरम मामलों में देखे गए जहाँ मान लगभग शून्य थे।

यह दक्षता टीम को घने-पदार्थ (dense-matter) मॉडल को सीधे एक वैश्विक विश्लेषण ढांचे में एकीकृत करने की अनुमति देती है, जो एक ऐसा सिस्टम है जिसका उपयोग कई अलग-अलग प्रयोगों के डेटा को एक एकल, सुसंगत चित्र में संयोजित करने के लिए किया जाता है। इस तेज़ सरोगेट मॉडल का उपयोग करके, वे अब मानक पार्टन मॉडल (जो विरल पदार्थ के लिए अच्छा काम करता है) और डाइपोल मॉडल (जो घने पदार्थ के लिए डिज़ाइन किया गया है), दोनों को एक ही प्रयोगात्मक डेटा सेट पर एक साथ फिट कर सकते हैं। यह प्रत्यक्ष तुलना महत्वपूर्ण है क्योंकि यह ठीक से पहचानने में मदद करती है कि मानक विवरण कहाँ विफल होता है और नया, घना डायनेमिक्स कहाँ शुरू होता है। अपने परीक्षणों में, मॉडल ने HERA इलेक्ट्रॉन-प्रोटॉन कोलाइडर के मापों को सफलतापूर्वक पुनरुत्पादित किया, और प्रेक्षित डेटा के साथ उच्च सटीकता से मेल खाया। इसके अलावा, क्योंकि मॉडल लचीला बनाया गया है, शोधकर्ता आसानी से अंतर्निहित मापदंडों को बदलकर देख सकते हैं कि उनकी भविष्यवाणियां कैसे बदलती हैं, जिससे वे एक नए गणना के लिए घंटों प्रतीक्षा किए बिना विभिन्न भौतिक स्थितियों के प्रति नाभिकीय संरचना की संवेदनशीलता का पता लगा सकते हैं।

इस कार्य के निहितार्थ केवल गणनाओं को तेज करने से कहीं आगे तक विस्तृत हैं; यह नाभिक के क्वार्क और ग्लूऑन संरचना की अधिक विस्तृत समझ के द्वार खोलता है। विविध डेटासेट पर जटिल विश्लेषण चलाना संभव बनाकर, शोधकर्ता अब नाभिक के भीतर ग्लूऑनों के वितरण पर बहुत कड़े प्रतिबंध लगा सकते हैं। यह विशेष रूप से छोटे-x क्षेत्र को समझने के लिए महत्वपूर्ण है, जहाँ ग्लूऑनों का घनत्व उच्चतम होता है और संतृप्ति (saturation) के प्रभाव सबसे अधिक स्पष्ट होते हैं। एक एकीकृत ढांचे के भीतर घने और विरल (dilute) क्षेत्रों की तुलना करने की क्षमता गैर-रैखिक प्रभावों की शुरुआत की पहचान करने के लिए एक शक्तिशाली नया बेंचमार्क प्रदान करती है, जो साधारण पदार्थ से इस विलक्षण, संतृप्त अवस्था की ओर संक्रमण को मैप करने में मदद करती है।

अंततः, यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग, सैद्धांतिक भौतिकी और प्रयोगात्मक डेटा के बीच एक शक्तिशाली सेतु के रूप में कार्य कर सकती है। एक कम्प्यूटेशनल रूप से निषेधात्मक चरण को एक तेज़, विभेदन योग्य (differentiable) सन्निकटन (approximation) से बदलकर, टीम ने एक प्रमुख बाधा को हटा दिया है जिसने पहले वैश्विक विश्लेषणों के दायरे को सीमित कर दिया था। यह दृष्टिकोण अंतर्निहित भौतिकी को प्रतिस्थापित नहीं करता है, बल्कि वास्तविकता के विरुद्ध इसके परीक्षण की प्रक्रिया को तेज करता है। इस उपकरण के साथ, वैज्ञानिक अब घने परमाणु पदार्थ की जांच उस स्तर की कठोरता और गति के साथ कर सकते हैं जो पहले पहुंच से बाहर थी, जिससे हम परमाणु दुनिया को आकार देने वाले मौलिक बलों की पूर्ण समझ के करीब पहुँच रहे हैं। यह कार्य इस बात का प्रमाण है कि कैसे आधुनिक कम्प्यूटेशनल तकनीकों को उच्च-ऊर्जा भौतिकी की दीर्घकालिक समस्याओं को हल करने के लिए उपयोग किया जा सकता है, जिससे एक सैद्धांतिक बाधा को खोज के मार्ग में बदला जा सके।