⚛️ high-energy experiments

A Differentiable Neural Surrogate for Photon Propagation in Neutrino Telescopes

यह शोध पत्र **candela** को प्रस्तुत करता है, जो एक डिफरेंशिएबल न्यूरल सरोगेट है जो आइसक्यूब न्यूट्रिनो ऑब्जर्वेटरी के लिए फोटॉन ग्रीन्स फंक्शन (photon Green's function) को सीखता है ताकि पारंपरिक मोंटे कार्लो विधियों की तुलना में 50-100 गुना तेजी से न्यूट्रिनो घटनाओं का अनुकरण किया जा सके, जबकि उच्च सटीकता बनाए रखी जा सके और स्कैटरिंग-मीडियम गुणों के एंड-टू-एंड ग्रेडिएंट-आधारित अनुकूलन को सक्षम बनाया जा सके।

मूल लेखक: Felix J. Yu, Berthy T. Feng, Nicholas Kamp, Carlos A. Argüelles

प्रकाशित 2026-09-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Felix J. Yu, Berthy T. Feng, Nicholas Kamp, Carlos A. Argüelles

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

दक्षिण ध्रुव की बर्फ के बहुत नीचे, अंधेरे में एक विशाल उपकरण प्रतीक्षा कर रहा है। यह आइसक्यूब न्यूट्रिनो ऑब्जर्वेटरी (IceCube Neutrino Observatory) है, जो हजारों प्रकाश सेंसरों से सुसज्जित एक घन किलोमीटर जमी हुई बर्फ है। इसका उद्देश्य न्यूट्रिनो को पकड़ना है, जो गहरे अंतरिक्ष से आने वाले रहस्यमयी कण हैं और जो शायद ही कभी पदार्थ के साथ परस्पर क्रिया करते हैं। जब कोई न्यूट्रिनो अंततः बर्फ के भीतर किसी अणु से टकराता है, तो यह आवेशित कणों का एक विस्फोट उत्पन्न करता है। ये कण बर्फ के माध्यम से प्रकाश की गति से भी तेज़ चलते हैं, जिससे एक मंद नीली चमक उत्पन्न होती है जिसे चेरेनकोव लाइट (Cherenkov light) कहा जाता है। सेंसर इस प्रकाश को रिकॉर्ड करते हैं, न केवल यह कि कितना प्रकाश पहुँचा, बल्कि यह भी कि प्रत्येक फोटॉन ठीक कब टकराया। इन पैटर्नों का विश्लेषण करके, वैज्ञानिक मूल न्यूट्रिनो के पथ का पता लगा सकते हैं और उन हिंसक ब्रह्मांडीय घटनाओं के बारे में जान सकते हैं जिन्होंने इसे भेजने के लिए प्रेरित किया था। हालाँकि, बर्फ स्वयं एक पूर्ण, स्पष्ट ब्लॉक नहीं है; यह धूल और बुलबुलों से भरी है जो प्रकाश को बिखेरते हैं, जिससे उसका पथ मुड़ जाता है और उसके आगमन में देरी होती है। यह समझने के लिए कि सेंसर क्या देखते हैं, शोधकर्ताओं को यह सिम्युलेट (simulate) करना होगा कि अरबों फोटॉन इस अव्यवस्त, परिवर्तनशील माध्यम से कैसे टकराते हैं। पारंपरिक कंप्यूटर विधियों के साथ ऐसा करना अविश्वसनीय रूप से धीमा है, जिसमें अक्सर केवल एक एकल सिम्युलेटेड इवेंट उत्पन्न करने के लिए ही विशाल कंप्यूटिंग शक्ति की आवश्यकता होती है।

शोधकर्ताओं की एक टीम ने अब 'कैंडेला' (candela) नामक एक नया टूल पेश किया है, जिसे इस बाधा को दूर करने के लिए डिज़ाइन किया गया है। बर्फ के माध्यम से हर एक फोटॉन के टकराने और उछलने को ट्रैक करने के बजाय, टीम ने एक न्यूरल नेटवर्क को प्रशिक्षित किया है ताकि वह इस विशिष्ट वातावरण में प्रकाश के चलने के अंतर्निहित नियमों को सीख सके। उन्होंने मानक, उच्च-सटीकता वाले सिमुलेशन से उत्पन्न लाखों उदाहरणों को फीड करके सिस्टम को सिखाया। नेटवर्क ने एक प्रकाश स्रोत और एक सेंसर के परिणाम की भविष्यवाणी करने के लिए खुद को तैयार किया, बिना प्रत्येक व्यक्तिगत कण की यात्रा का सिमुलेशन किए। जब इसे प्रकाश के विस्फोट का स्थान और ऊर्जा तथा एक सेंसर की स्थिति दी जाती है, तो यह तुरंत भविष्यवाणी कर देता है कि कितने फोटॉन पहुंचेंगे और उनके आगमन के समय का सटीक वितरण क्या होगा। यह एक गणितीय प्रतिनिधित्व को सीखकर प्राप्त करता है जो बर्फ के व्यवहार को दर्शाता है, प्रभावी रूप से माध्यम के "ग्रीन्स फंक्शन" (Green's function) को याद करता है, जो यह बताता है कि प्रकाश का एक बिंदु समय और स्थान में कैसे फैलता है।

इस दृष्टिकोण के परिणाम आश्चर्यजनक हैं। परीक्षणों में, नया सिस्टम वर्तमान में आइसक्यूब सहयोग द्वारा उपयोग की जाने वाली मानक विधियों की तुलना में पचास से सौ गुना तेज़ी से सिम्युलेटेड इवेंट्स उत्पन्न करता है। जहाँ पारंपरिक सॉफ्टवेयर को एक सिंगल इवेंट को सिम्युलेट करने में लगभग एक सेकंड का समय लगता है, वहीं नया मॉडल वही कार्य केवल दस से बीस मिलीसेकंड में पूरा कर लेता है। महत्वपूर्ण रूप से, यह गति सटीकता की कीमत पर नहीं आती है। मॉडल पारंपरिक सिमुलेशन की तुलना में पता लगाए गए फोटॉनों की संख्या को केवल दो प्रतिशत के औसत त्रुटि (median error) के साथ पुनरुत्पादित करता है। यह प्रकाश के आगमन के समय के साथ भी इतनी बारीकी से मेल खाता है कि अंतर व्यक्तिगत फोटॉनों की गिनती में निहित स्वाभाविक सांख्यिकीय शोर (statistical noise) से भी पहचाना नहीं जा सकता। यह स्तर अत्यधिक मंद संकेतों से लेकर लगभग संतृप्त (saturated) संकेतों तक, फोटॉन गणना के छह क्रमों (six orders of magnitude) की विशाल सीमा में बना रहता है।

इस नए तरीके की शक्ति इसकी 'डिफरेंशिएबल' (differentiable) होने की क्षमता में निहित है, जिसका अर्थ है कि कंप्यूटर यह गणना कर सकता है कि इनपुट में बदलाव आउटपुट को कैसे प्रभावित करते हैं। अतीत में, यदि वैज्ञानिक बर्फ के गुणों या न्यूट्रिनो की ऊर्जा को समायोजित करके यह देखना चाहते थे कि सिग्नल कैसे बदलता है, तो उन्हें नए, धीमे सिमुलेशन चलाने पड़ते थे। इस नए मॉडल के साथ, कंप्यूटर किसी भी पैरामीटर के लिए तुरंत ग्रेडिएंट (gradient), या परिवर्तन की दिशा, की गणना कर सकता है। यह बर्फ के उन गुणों को अनुकूलित करने का द्वार खोलता है, जो अक्सर इन प्रयोगों में अनिश्चितता का सबसे बड़ा स्रोत होते हैं। सिमुलेशन को विविक्त चरणों (discrete steps) के बजाय एक निरंतर, सुचारू फलन (continuous, smooth function) के रूप में मानकर, शोधकर्ता अब अपने मॉडलों को उस गति और सटीकता के साथ परिष्कृत कर सकते हैं जो पहले असंभव थी।

शोधकर्ताओं ने एक विस्तृत श्रृंखला के न्यूट्रिनो इवेंट्स के लिए नए मॉडल की तुलना मानक सिमुलेशन के साथ करके अपने कार्य को सत्यापित किया, जिसमें एक सौ अरब से एक मिलियन अरब इलेक्ट्रॉन वोल्ट तक की ऊर्जा शामिल है। उन्होंने पाया कि नया मॉडल प्रकाश की जटिल संरचना को सटीक रूप से पकड़ता है, जिसमें फोटॉनों का तीव्र प्रारंभिक शिखर और उसके बाद का लंबा, बिखरा हुआ पूंछ (tail) जैसा भाग शामिल है। सबसे चुनौतीपूर्ण परिदृश्यों में भी, जहाँ प्रकाश बर्फ द्वारा अत्यधिक बिखरा हुआ होता है, मॉडल की भविष्यवाणियाँ पारंपरिक विधि की सांख्यिकीय सीमाओं के भीतर रहीं। केवल दुर्लभ मामलों में ही मॉडल ने ध्यान देने योग्य विचलन दिखाया, जहाँ सेंसर इतने अधिक प्रकाश से भर जाते हैं कि वे संतृप्त होने लगते हैं, जो कि किसी भी विधि द्वारा सटीक रूप से मॉडल करना कठिन है।

यह विकास इस बात का प्रतीक है कि बड़े पैमाने के भौतिकी प्रयोग जटिल सिमुलेशन को कैसे संभालते हैं। अरबों कणों के 'ब्रूट-फोर्स' ट्रैकिंग को प्रकाश परिवहन के एक सीखे हुए, निरंतर प्रतिनिधित्व से बदलकर, टीम ने एक ऐसा उपकरण बनाया है जो तेज़ भी है और वास्तविक दुनिया के भौतिकी के प्रति वफादार भी है। यह मॉडल प्रकाश के संचलन की मौलिक समझ का विकल्प नहीं है, बल्कि एक अत्यधिक कुशल सरोगेट (surrogate) है जो वैज्ञानिकों को अधिक प्रश्न पूछने और अधिक संभावनाओं को तलाशने की अनुमति देता है। यह सुझाव देता है कि न्यूट्रिनो खगोल विज्ञान का भविष्य कच्चे कंप्यूटिंग पावर पर कम और उन बुद्धिमान मॉडलों पर अधिक निर्भर हो सकता है जो गति और गरिमा के साथ प्रकृति की जटिलताओं को नेविगेट कर सकते हैं।

तकनीकी सारांश: न्यूट्रिनो टेलिस्कोप में फोटॉन प्रसार के लिए एक विभेदक न्यूरल सरोगेट (Differentiable Neural Surrogate)

समस्या विवरण
फोटॉन प्रसार का उच्च-सटीकता वाला सिमुलेशन आइसक्यूब (IceCube) न्यूट्रिनो वेधशाला के वैज्ञानिक कार्यक्रम के लिए केंद्रीय है, जो अंटार्कटिक हिमनद बर्फ में स्थित एक क्यूबिक-किलोमीटर डिटेक्टर है। डिटेक्टर आवेशित कणों द्वारा उत्पन्न चेरेनकोव (Cherenkov) प्रकाश से न्यूट्रिनो गुणों का अनुमान लगाता है। हालाँकि, अत्यधिक प्रकीर्णन (scattering) और अवशोषण (absorption) वाले विषम (heterogeneous) बर्फ के माध्यम में फोटॉन के परिवहन का सिमुलेशन करना कम्प्यूटेशनल रूप से अत्यधिक कठिन है। स्पष्ट मोंटे-कार्लो (MC) प्रसार, जैसे कि फोटॉन प्रोपेगेशन कोड (PPC), सिमुलेशन पाइपलाइन में एक प्रमुख बाधा बन गया है; एक एकल 2019 अभियान में केवल फोटॉन ट्रैकिंग के लिए लगभग 100,000 GPU-घंटे खर्च हुए थे।

यह कम्प्यूटेशनल बोझ आइसक्यूब के अत्यधिक इवेंट-रेट असंतुलन के कारण और भी बढ़ जाता है। जबकि वायुमंडलीय म्यूऑन (atmospheric muons) kHz दरों पर डिटेक्टर को ट्रिगर करते हैं, दुर्लभ खगोलीय न्यूट्रिनो सिग्नल mHz या µHz दरों पर होते हैं। बैकग्राउंड रिजेक्शन (background rejection) का सटीक अनुमान लगाने के लिए वायुमंडलीय म्यूऑन के विशाल सिम्युलेटेड सैंपल उत्पन्न करना आवश्यक है। इसके अलावा, बर्फ का माध्यम जटिलता पैदा करता है, जिसमें गहराई-निर्भर ऑप्टिकल गुण, अनिसोट्रोपिक प्रसार और झुकी हुई बर्फ की परतें शामिल हैं, जिसके लिए सिमुलेशन को न केवल कुल प्रकाश प्राप्ति (light yield) बल्कि नैनोसेकंड-स्केल आगमन-समय वितरण (arrival-time distributions) को भी पुनरुत्पादित करने की आवश्यकता होती है। मौजूदा विधियाँ जैसे कि फोटोनिक्स (लुकअप टेबल्स) या फोटोस्प्लिन (स्प्लाइन फिट्स) समस्या की आयामशीलता (dimensionality) के कारण संघर्ष करती हैं या प्रत्येक नए मीडियम मॉडल के लिए सघन MC टेबल्स की मांग करती हैं।

कार्यप्रणाली: candela फ्रेमवर्क
लेखक candela (Complex-media-Aware Network for Differentiable and Efficient Light-transport Approximation) का परिचय देते हैं, जो एक विभेदक न्यूरल सरोगेट है जिसे आइसक्यूब डिटेक्टर के फोटॉन ग्रीन फंक्शन (Green's function) को सीखने के लिए डिज़ाइन किया गया है। यह दृष्टिकोण उत्सर्जित प्रकाश के सापेक्ष फोटॉन परिवहन की रैखिकता (linearity) पर निर्भर करता है, जिससे पूर्ण घटनाओं (events) को स्थानीयकृत ऊर्जा जमाव (energy deposits) में विभाजित किया जा सकता है।

स्रोत-प्राप्तकर्ता अपघटन (Source-Receiver Decomposition):
- एक पूर्ण घटना (जैसे, एक म्यूऑन ट्रैक) को बिंदु-समान कैस्केड स्रोतों (point-like cascade sources) के एक अनुक्रम में विभाजित किया जाता है।
- सिमुलेशन को प्रत्येक प्रकाश स्रोत और सेंसर के जोड़े के लिए एक साझा स्रोत-प्राप्तकर्ता कर्नेल (source-receiver kernel) के मूल्यांकन में कम कर दिया जाता है।
- इनपुट क्वेरी ( $x_{sr}$ ) में स्रोत दिशा के साथ बेलनाकार फ्रेम (cylindrical frame) में सापेक्ष ज्यामिति ( $R, \Phi, l$ ), स्रोत दिशा और ऊर्जा, तथा स्रोत और प्राप्तकर्ता की पूर्ण स्थिति (बर्फ के गहराई-निर्भर ऑप्टिकल गुणों को ध्यान में रखने के लिए) शामिल है।
न्यूरल फील्ड आर्किटेक्चर:
- इसका मूल एक SIREN (Sinusoidal Representation Network) आधारित इंप्लिसिट न्यूरल रिप्रेजेंटेशन है, जिसमें छह परतें और 512 की चौड़ाई है।
- नेटवर्क एक दी गई क्वेरी के लिए दो आउटपुट की भविष्यवाणी करता है:
  - $\Lambda(x_{sr})$ : प्रति इकाई जमा ऊर्जा पर अपेक्षित पता लगाए गए फोटॉन की प्राप्ति।
  - $\pi(\tau | x_{sr})$ : एक यूनिट-नॉर्मलाइज्ड रेसिडुअल आगमन-समय घनत्व (residual arrival-time density), जिसे इनवर्स-गौसियन (inverse-Gaussian) वितरणों के आठ-घटक मिश्रण के रूप में मॉडल किया गया है।
- आगमन समय को एक रेसिड्यूल $\tau = t - \Delta t_{sr}$ के रूप में व्यक्त किया जाता है, जहाँ $\Delta t_{sr}$ उत्सर्जन समय और बिना प्रकीर्णन वाले ज्यामितीय फ्लाइट-टाइम (geometric time-of-flight) को ध्यान में रखता है। यह नेटवर्क को प्रकीर्णन द्वारा प्रेरित विलंब और विस्तार (broadening) को मॉडल करने पर ध्यान केंद्रित करने की अनुमति देता है।
इवेंट कंपोजिशन (Event Composition):
- एक पूर्ण घटना के लिए, एक प्राप्तकर्ता $r$ पर अपेक्षित फोटॉन दर को सभी स्रोतों $s$ के योगदान को जोड़कर, उनके जमा ऊर्जा $E_s$ द्वारा स्केल करके, परिकलित किया जाता है:
  $\mu_r(t) = \sum_s E_s G(t - \Delta t_{sr} | x_{sr})$
- यह कंपोजिशन सभी स्रोत-प्राप्तकर्ता जोड़ों के समानांतर मूल्यांकन की अनुमति देता है।
प्रशिक्षण (Training):
- मॉडल को 65,536 आइसोलेटेड इलेक्ट्रोमैग्नेटिक कैस्केड कॉन्फ़िगरेशन का उपयोग करके PPC सिम्युलेटर से उत्पन्न डेटा पर प्रशिक्षित किया गया है।
- प्रशिक्षण लक्ष्य (training targets) उत्पादित फोटॉनों की एक निश्चित कुल संख्या है, जिसमें स्रोत ऊर्जा के आधार पर पुनरावृत्ति गणना भिन्न होती है।
- लॉस फंक्शन स्थानिक बिनों ( $R, \Phi, l$ ) और रेसिड्यूल टाइम बिन के स्पार्स हिस्टोग्राम पर एक पॉइसन लाइकलीहुड (Poisson likelihood) है, जो एकीकृत प्राप्ति (integrated yield) और टाइमिंग वितरण को संयुक्त रूप से नियंत्रित करता है।

प्रमुख योगदान

विभेदक सरोगेट (Differentiable Surrogate): candela एक एंड-टू-एंड विभेदक फॉरवर्ड मॉडल प्रदान करता है, जो इवेंट मापदंडों (स्थिति, दिशा, ऊर्जा) और संभावित रूप से मीडियम गुणों के सापेक्ष ग्रेडिएंट-आधारित अनुकूलन को सक्षम बनाता है।
दक्षता (Efficiency): सीखे गए कर्नेल के बैच मूल्यांकन को बदलकर, यह विधि व्यक्तिगत फोटॉन ट्रैकिंग को प्रतिस्थापित करती है, जिससे कम्प्यूटेशनल लागत को फोटॉन बहुलता (photon multiplicity) से मुक्त कर दिया जाता है, जिससे यह मुख्य रूप से इवेंट ज्योमेट्री पर निर्भर हो जाती है।
सामान्यीकरण क्षमता (Generalizability): स्रोत-प्राप्तकर्ता फॉर्मूलेशन को अन्य डिटेक्टरों और वैज्ञानिक उपकरणों के लिए विस्तार योग्य बनाने के लिए डिज़ाइन किया गया है जिन्हें जटिल प्रकीर्णन माध्यमों के माध्यम से कुशल फोटॉन परिवहन की आवश्यकता होती है।

परिणाम
$10^2$ से $10^6$ GeV तक के स्वतंत्र न्यूट्रिनो इवेंट्स पर मूल्यांकन करते हुए, candela निम्नलिखित प्रदर्शित करता है:

गति (Speed): मॉडल मानक PPC GPU-आधारित MC सिम्युलेटर की तुलना में 50–100× तेज़ इवेंट जेनरेट करता है। जबकि PPC का समय फोटॉनों की संख्या के साथ बढ़ता है (कम ऊर्जा पर ~1 सेकंड लेता है और ऊर्जा के साथ बढ़ता है), candela केवल 10–20 ms लेता है जिसमें न्यूट्रिनो ऊर्जा पर बहुत कमजोर निर्भरता होती है।
यील्ड सटीकता (Yield Accuracy): मध्यिका (median) अनुमानित फोटॉन प्राप्ति फोटॉन काउंट के छह क्रमों (six orders of magnitude) में उच्च-सांख्यिकीय MC अपेक्षा के 2% के भीतर रहती है।
टाइमिंग फिडेलिटी (Timing Fidelity): अनुमानित आगमन-समय वितरण समान रेंज में MC सांख्यिकीय फ्लोर (उच्च-सांख्यिकीय फोटॉन आंकड़ों से होने वाली अपरिहार्य त्रुटि) से मेल खाता है। प्रेडिक्शन और हाई-स्टेटिस्टिक्स PPC हिस्टोग्राम के बीच कोलमोगोरोव-स्मिरनोव (KS) डिस्टेंस PPC-PCC वेरिएंस को ट्रैक करता है, सिवाय उस क्षेत्र के जहाँ फोटोमल्टीप्लायर ट्यूब (PMT) सैचुरेशन होता है, जहाँ मॉडल सांख्यिकीय फ्लोर से अलग होने लगता है।
इवेंट-लेवल एग्रीमेंट: विजुअल और मात्रात्मक तुलनाएं दिखाती हैं कि candela स्थानिक प्रकाश जमा पैटर्न, प्रॉम्प्ट पीक्स, स्कैटरिंग टेल्स और फर्स्ट-हिट टाइम प्रोग्रेशन को सटीक रूप से पुनरुत्पादित करता है।

महत्व और दावे
यह दावा है कि candैल (candela) उच्च-सटीकता खोए बिना बड़े-आयतन वाले न्यूट्रिनो टेलिस्कोप में सिमुलेशन को तेज करने के लिए एक व्यावहारिक आधार प्रदान करता है। उच्च-सांख्यिकीय सीमा के भीतर फोटॉन यील्ड और टाइमिंग वितरण को पुनरुत्पादित करके, यह दुर्लभ सिग्नल निष्कर्षण के लिए आवश्यक विशाल बैकग्राउंड सैंपल उत्पन्न करने में सक्षम बनाता है।

महत्वपूर्ण रूप से, सरोगेट की विभेदन क्षमता (differentiability) प्रकीर्णन-माध्यम गुणों को अनुकूलित करने का मार्ग प्रशस्त करती है, जो अक्सर न्यूट्रिनो टेलिस्कोप में व्यवस्थित अनिश्चितताओं (systematic uncertainties) पर हावी होते हैं। जबकि वर्तमान अध्ययन दक्षता और शुद्धता स्थापित करने पर केंद्रित है, लेखक नोट करते हैं कि यह फ्रेमवर्क भविष्य के ग्रेडिएंट-आधारित इवेंट रिकंस्ट्रक्शन और डिटेक्टर कैलिब्रेशन के लिए आधार तैयार करता है। लेखक विनम्रतापूर्वक स्वीकार करते हैं कि मॉडल का प्रदर्शन सेंसर सैचुरेशन के पास घट जाता है (एक क्षेत्र जिसे अक्सर व्यवहार में अनदेखा किया जाता है) और व्यापक प्रयोज्यता के लिए नेटवर्क को विभिन्न ऑप्टिकल मापदंडों पर कंडीशन करने के लिए भविष्य के कार्य की आवश्यकता है।

तकनीकी सारांश: न्यूट्रिनो टेलिस्कोप में फोटॉन प्रसार के लिए एक विभेदक न्यूरल सरोगेट (Differentiable Neural Surrogate)

इसी तरह के और पेपर