⚛️ phenomenology

Di-hadron Fragmentation Functions beyond LO

यह शोध पत्र न्यूरल नेटवर्क और फ्लेवर डिकंपोजिशन का उपयोग करके BELLE डेटा के माध्यम से MAP सहयोग के अनपोलराइज्ड डाइ-हैड्रोन फ्रैगमेंटेशन फंक्शन्स के नेक्स्ट-टू-नेक्स्ट-टू-लीडिंग ऑर्डर निष्कर्षण की समीक्षा करता है, साथ ही ट्रांसवर्सली पोलराइज्ड डाइ-हैड्रोन फ्रैगमेंटेशन फंक्शन्स के लिए एक संशोधित नेक्स्ट-लीडिंग ऑर्डर गणना प्रस्तुत करता है जो पिछले साहित्य के परिणामों को सुधारता है।

मूल लेखक: Luca Polano, Alessandro Bacchetta, Marco Radici

प्रकाशित 2026-09-07

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Luca Polano, Alessandro Bacchetta, Marco Radici

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

प्रत्येक परमाणु के हृदय के भीतर, प्रोटॉन और न्यूट्रॉन ठोस गोले नहीं हैं, बल्कि क्वार्क और ग्लूऑन नामक छोटे कणों के हलचल भरे शहर हैं। ये कण स्ट्रॉन्ग फोर्स (प्रबल बल) द्वारा एक साथ बंधे होते हैं, जो प्रकृति की सबसे शक्तिशाली अंतःक्रिया है, और इसे क्वांटम क्रोमोडायनामिक्स नामक सिद्धांत द्वारा वर्णित किया गया है। जब उच्च-ऊर्जा वाले कण आपस में टकराते हैं, तो वे इन क्वार्क्स को ढीला कर सकते हैं, लेकिन स्ट्रॉन्ग फोर्स उन्हें अकेले यात्रा करने देने से इनकार कर देती है। इसके बजाय, जैसे ही एक क्वार्क दूर उड़ता है, वह अपने पीछे ऊर्जा की एक धारा खींचता है जो नए कणों में बदल जाती है, जिससे हैड्रोन का एक स्प्रे बनता है जिसे 'जेट' कहा जाता है। वैज्ञानिक इन जेट्स का अध्ययन यह समझने के लिए करते हैं कि पदार्थ कैसे निर्मित होता है, इसके अदृश्य नियमों को जानने के लिए। इन नियमों को अनलॉक करने की कुंजी 'फ्रैगमेंटेशन फंक्शन्स' (विखंडन फलन) नामक गणितीय उपकरणों का एक सेट है, जो एक मानचित्र की तरह कार्य करते हैं जो यह दिखाते हैं कि एक एकल क्वार्क विशिष्ट प्रकार के कणों में बदलने की संभावना कितनी है। जबकि वैज्ञानिक लंबे समय से यह जानते रहे हैं कि एक क्वार्क के एक एकल कण में बदलने के पथ का मानचित्रण कैसे किया जाता है, एक अधिक जटिल पहेली शेष है: एक क्वार्क कणों के जोड़े में कैसे विभाजित होता है, जैसे कि दो पायोन, जो एक ही जेट में एक साथ चलते हैं?

यह विशिष्ट प्रश्न पाविया विश्वविद्यालय और इतालवी राष्ट्रीय परमाणु भौतिकी संस्थान के शोधकर्ताओं के एक हालिया अध्ययन के केंद्र में है। उन्होंने 'डाई-हैड्रोन फ्रैगमेंटेशन' नामक घटना पर ध्यान केंद्रित किया, जो उस प्रक्रिया का वर्णन करती है जहाँ एक एकल क्वार्क दो हैड्रोन में विखंडित होता है। इन जोड़ों का अध्ययन करके, भौतिक विज्ञानी प्रोटॉन के एक गुण 'ट्रांसवर्सिटी' (transversity) को मापने की आशा करते हैं, जो यह बताता है कि प्रोटॉन के भीतर क्वार्क्स के स्पिन (घूर्णन) कैसे उन्मुख हैं। अब तक, इस प्रक्रिया का वर्णन करने वाले मानचित्र सीमित सटीकता के साथ बनाए गए थे, जो केवल एक प्रथम अनुमान वाली गणनाओं पर निर्भर थे। शोधकर्ताओं ने इन मानचित्रों को बहुत अधिक सटीकता के साथ फिर से बनाने का लक्ष्य रखा, प्रारंभिक अनुमानों से आगे बढ़ते हुए जटिल, उच्च-क्रम सुधारों को शामिल करना जो कणों की अंतःक्रियाओं की अव्यवस्थित वास्तविकता को ध्यान में रखते हैं।

इस नए, अधिक सटीक मानचित्र को बनाने के लिए, टीम ने जापान में 'बेले' (BELLE) प्रयोग द्वारा एकत्र किए गए डेटा का उपयोग किया, जहाँ इलेक्ट्रॉनों और पॉज़िट्रॉन को एक विशिष्ट ऊर्जा स्तर पर आपस में टकराया गया था ताकि कणों के जेट बनाए जा सकें। शोधकर्ताओं ने उन घटनाओं पर ध्यान केंद्रित किया जहाँ पायोन का एक जोड़ा, एक धनात्मक और एक ऋणात्मक, एक ही जेट के भीतर एक साथ दिखाई दिया। उन्होंने सावधानीपूर्वक उन डेटा बिंदुओं का चयन किया जहाँ पायोन जोड़े का द्रव्यमान इतना कम था कि सैद्धांतिक मॉडल प्रभावी रहें, जिससे एकत्र की गई विशाल जानकारी में से लगभग 344 विशिष्ट मापों को फ़िल्टर किया गया। क्योंकि टकराव का डेटा अकेले यह प्रकट नहीं करता है कि किस प्रकार के क्वार्क ने जोड़े का निर्माण किया, टीम ने कंप्यूटर सिमुलेशन का उपयोग एक मार्गदर्शक के रूप में किया। इन सिमुलेशनों ने विभिन्न क्वार्क फ्लेवर्स (flavors) के योगदान को अलग करने में मदद की, जिससे वे देख सके कि अप (up), डाउन (down), स्ट्रेंज (strange) और चार्म (charm) क्वार्क प्रत्येक दो पायोन में विभाजित होने पर कैसे व्यवहार करते हैं।

टीम ने अपने परिणामों को सुदृढ़ करने के लिए दो अलग-अलग रणनीतियों का उपयोग किया। पहले तरीके में एक "फिजिक्स-इन्फॉर्म्ड" (भौतिकी-सूचित) दृष्टिकोण पर भरोसा किया गया, जहाँ उन्होंने अपने मॉडल का निर्माण ज्ञात भौतिक सिद्धांतों के आधार पर किया, जैसे कि विशिष्ट रेजोनेंस (अनुनाद) जैसे कि रो (rho) और ओमेगा (omega) कणों का अस्तित्व, जो पायोन में क्षय होने से पहले क्षण भर के लिए बनते हैं। इस पद्धति ने एक संरचित ब्लूप्रिंट की तरह कार्य किया, यह सुनिश्चित करते हुए कि मॉडल कण भौतिकी के ज्ञात नियमों का सम्मान करे। दूसरे तरीके में एक न्यूरल नेटवर्क का उपयोग किया गया, जो कृत्रिम बुद्धिमत्ता का एक प्रकार है जो बिना किसी पूर्व-निर्धारित आकार के सीधे डेटा से पैटर्न सीखता है। इस दृष्टिकोण ने डेटा को स्वयं बोलने की अनुमति दी, जो संभावित रूप से उन विशेषताओं को प्रकट कर सकता है जिन्हें एक कठोर मॉडल मिस कर सकता है। दोनों पद्धतियों को एक नई सटीकता के स्तर तक पहुँचाया गया, जिसमें ऐसी गणनाओं को शामिल किया गया जो पहले कभी इस विशिष्ट समस्या पर लागू नहीं की गई थीं, जिससे 'नेक्स्ट-टू-नेक्स्ट-टू-लीडिंग ऑर्डर' (अगले-से-अगले-से-अग्रणी क्रम) के रूप में जानी जाने वाली विवरण की एक परत प्राप्त हुई।

परिणामों ने दिखाया कि दोनों पद्धतियाँ अच्छी तरह से काम करती हैं, जो उच्च सटीकता के साथ प्रयोगात्मक डेटा का सफलतापूर्वक वर्णन करती हैं। भौतिकी-सूचित मॉडल ने डेटा में विशिष्ट चोटियों (peaks) को पुनरुत्पादित करने में उत्कृष्टता प्रदर्शित की जो ज्ञात कण अनुनादों के अनुरूप हैं, जो कण अंतःक्रियाओं की संरचना को स्पष्ट रूप से दर्शाती हैं। न्यूरल नेटवर्क, हालांकि इन विशिष्ट चोटियों पर थोड़ा कम स्पष्ट था, इसने डेटा बिंदुओं के लिए और भी बेहतर समग्र फिट प्रदान किया और अंतर्निहित भौतिकी का अधिक लचीला दृष्टिकोण प्रस्तुत किया। दोनों दृष्टिकोणों ने पुष्टि की कि अप और डाउन क्वार्क इस प्रक्रिया के प्राथमिक चालक हैं, जबकि स्ट्रेंज और चार्म जैसे भारी क्वार्क नगण्य भूमिका निभाते हैं जब कण जेट के एक बड़े अंश के संवेग (momentum) को वहन करते हैं। हालाँकि, अध्ययन ने एक महत्वपूर्ण अंध बिंदु (blind spot) भी प्रकट किया: ग्लूऑन्स का योगदान, जो स्ट्रॉन्ग फोर्स को ले जाने वाले कण हैं, वर्तमान डेटा द्वारा पूरी तरह से अनियंत्रित है। ग्लूऑन योगदान में अनिश्चितता इतनी बड़ी थी कि न्यूरल नेटवर्क के प्रतिकृति (replicas) अनियमित व्यवहार दिखाते थे, जो यह संकेत देता है कि वैज्ञानिकों को इस पहेली के इस हिस्से को सुलझाने के लिए विभिन्न प्रकार के टकरावों से नए प्रकार के डेटा की आवश्यकता है।

अनपोलराइज्ड (अध्रुवित) कणों के लिए मानचित्र को परिष्कृत करने के अलावा, शोधकर्ताओं ने एक विशिष्ट स्पिन ओरिएंटेशन वाले कणों से जुड़े अधिक कठिन चुनौती का सामना किया। उन्होंने एक स्पिनिंग क्वार्क-एंटीक्वार्क जोड़े के विखंडन की गणना को फिर से देखा, और पाया कि वैज्ञानिक साहित्य में प्रकाशित एक पिछला परिणाम गलत था। अपना स्वयं का स्वतंत्र गणना करके, उन्होंने एक नया सूत्र प्राप्त किया जो त्रुटि को सुधारता है। यह सुधारा गया सूत्र एक महत्वपूर्ण कदम है, क्योंकि यह उच्च स्तर की सटीकता के साथ ध्रुवीकृत फ्रैगमेंटेशन फंक्शन के पहली बार निष्कर्षण के लिए आवश्यक आधार प्रदान करता है। यह कार्य केवल एक संख्या को अपडेट नहीं करता है; यह भविष्य के प्रयोगों के लिए रास्ता साफ करता है ताकि प्रोटॉन की स्पिन संरचना को अधिक स्पष्टता के साथ मापा जा सके, जिससे वैज्ञानिक इस बात की पूर्ण समझ के करीब पहुँच सकें कि पदार्थ के मौलिक घटक स्वयं को कैसे संयोजित करते हैं।

तकनीकी सारांश: LO से परे डि-हैड्रोन फ्रैगमेंटेशन फंक्शन्स (Di-hadron Fragmentation Functions)

समस्या और प्रेरणा
हैड्रोनाइजेशन (Hadronization) क्वांटम क्रोमोडायनामिक्स (QCD) में एक गैर-परतदार (non-perturbative) घटना है जिसे फ्रैगमेंटेशन फंक्शन्स (FFs) द्वारा वर्णित किया जाता है। यह कार्य डि-हैड्रोन फ्रैगमेंटेशन फंक्शन्स (DiFFs) पर केंद्रित है, जो एक ही जेट के भीतर दो हैड्रोन में एक पार्टोन के फ्रैगमेंटेशन की विशेषता बताते हैं। DiFFs को कोलीनियर फैक्टराइजेशन (collinear factorization) में ट्रांसवर्सिटी पार्टन डिस्ट्रीब्यूशन फंक्शन (PDF) को निकालने के लिए एक महत्वपूर्ण उपकरण के रूप में उपयोग किया जाता है, जो ट्रांसवर्स मोमेंटम डिपेंडेंट (TMD) फैक्टराइजेशन का एक विकल्प प्रदान करता है और प्रोटॉन-प्रोटॉन टक्कर डेटा को शामिल करने की अनुमति देता है। जबकि ट्रांसवर्सिटी पर आधारित वर्तमान अत्याधुनिक निष्कर्षण (extractions) LO (Leading Order) पर किए जाते हैं, उच्च क्रम के विश्लेषण के लिए LO से परे DiFFs का निर्धारण करना आवश्यक है। इसके अलावा, पिछले निष्कर्षण पुराने डेटासेट पर निर्भर थे; यह कार्य इन निष्कर्षणों को अपडेटेड प्रायोगिक डेटा और बेहतर सैद्धांतिक सटीकता के साथ पुनरावृत्ति करने का लक्ष्य रखता है।

कार्यप्रणाली (Methodology)
लेखक $e^+e^-$ एनिहिलेशन ( $e^+e^- \to (\pi^+\pi^-)X$ ) में समावेशी $\pi^+\pi^-$ युग्म उत्पादन के लिए 2017 BELLE डेटा का उपयोग करके अनपोलराइज्ड (Unpolarized) DiFFs का ग्लोबल फिट करते हैं। यह विश्लेषण उस काइनेमैटिक रिजीम (kinematic regime) के भीतर किया गया है जहाँ पेयर इनवेरिएंट मास स्क्वेर्ड $M_h^2 \ll Q^2$ है।

सैद्धांतिक ढांचा (Theoretical Framework): डिफरेंशियल क्रॉस-सेक्शन को पर्सर्बेटिव QCD में सभी ऑर्डर्स में सामान्यीकृत किया गया है, जिसमें कोएफिशिएंट फंक्शन्स $C$ और DiFFs $D$ का कॉन्वोल्यूशन शामिल है। यह विश्लेषण सैद्धांतिक सटीकता को NNLO (Next-to-Next-to-Leading Order) तक विस्तारित करता है।
फ्लेवर सेपरेशन (Flavor Separation): चूंकि समावेशी क्रॉस-सेक्शन केवल क्वार्क और एंटीक्वार्क चैनलों के योग के प्रति संवेदनशील है, इसलिए फ्लेवर सेपरेशन को मॉन्टे कार्लो (MC) सिमुलेशन (विशेष रूप से PYTHIA) के साथ प्रायोगिक डेटा को पूरक बनाकर प्राप्त किया गया है। व्यक्तिगत फ्लेवर योगदान ( $u, d, s, c$ ) के लिए अलग-अलग स्यूडोडाटा सेट्स बनाने के लिए कुल MC क्रॉस-सेक्शन के सापेक्ष फ्लेवर-टैग्ड MC क्रॉस-सेक्शन के अनुपात का उपयोग किया जाता है।
पैरामीट्राइजेशन रणनीतियाँ (Parametrization Strategies): प्रारंभिक स्केल $Q_0 = 1$ $Q_{0} = 1$ GeV पर गैर-परतदार DiFFs को मॉडल करने के लिए दो अलग-अलग दृष्टिकोण अपनाए गए हैं:
1. फिजिक्स-इंफॉर्म्ड पैरामीट्राइजेशन (Physics-Informed Parametrization): पिछले कार्यों से प्रेरित, यह रूप विशिष्ट कार्यात्मक रूपों (Breit-Wigner और बहुपद निर्भरता) का उपयोग करके रेजोनेंट चैनल्स ( $\rho, \omega, \eta, f_0$ ) और एक निरंतरता (continuum) का पुनर्निर्माण करता है। यह आइसोपिन सिमेट्री ( $D_u = D_d$ ) मानता है और ग्लूऑन योगदान को अप-क्वार्क योगदान से जोड़ता है। यह दृष्टिकोण 71 पैरामीटर्स का उपयोग करता है।
2. न्यूरल नेटवर्क (NN) पैरामीट्राइजेशन: एक फीड-फॉरवर्ड न्यूरल नेटवर्क [2, 25, 5] आर्किटेक्चर ([2 इनपुट $z$ और $M_h$ के लिए, 25 हिडन नोड्स, 5 आउटपुट नोड्स फ्लेवर्स के लिए]) का उपयोग किया गया है। यह दृष्टिकोण कोई आइसोपिन सिमेट्री नहीं मानता है और सैद्धांतिक पूर्वाग्रह (theoretical bias) को कम करने का लक्ष्य रखता है। यह 205 पैरामीटर्स का उपयोग करता है।
सांख्यिकीय विश्लेषण (Statistical Analysis): फिट की गुणवत्ता का मूल्यांकन गाऊसीان उतार-चढ़ाव (Gaussian fluctuations) के साथ प्रायोगिक डेटा के 100 मॉन्टे कार्लो रेप्लिकास (replicas) का उपयोग करके किया जाता है। $\chi^2$ की गणना औसत रेप्लिका के लिए की जाती है।

प्रमुख योगदान और परिणाम

NNLO अनपोलराइज्ड DiFF निष्कर्षण:
- यह अध्ययन NNLO सटीकता पर अनपोलराइज्ड DiFFs का पहला निष्कर्षण प्रस्तुत करता है।
- दोनों पैरामीट्राइजेशन विधियाँ BELLE डेटा के साथ अच्छा सामंजस्य दिखाती हैं, जिसमें $\chi^2/N_{data}$ क्रमशः 0.687 (फिजिक्स-इंफॉर्म्ड) और 0.535 (NN) है।
- फ्लेवर डोमिनेंस: दोनों विधियाँ पुष्टि करती हैं कि अप और डाउन क्वार्क का योगदान DiFFs पर हावी है, जबकि बड़े $z$ पर स्ट्रेंज और चार्म का योगदान नगण्य है।
- रेजोनेंट स्ट्रक्चर: फिजिक्स-इंफॉर्म्ड पैरामीट्राइजेशन इनवेरिएंट मास प्रोफाइल में रेजोनेंट स्ट्रक्चर (जैसे $f_0$ रेजोनेंस) को स्पष्ट रूप से पुनरुत्पादित करता है। NN दृष्टिकोण समग्र रूप से थोड़ा बेहतर डेटा विवरण प्रदान करता है लेकिन इसमें अनिश्चितता बैंड बड़े हैं, जो इसके कम सैद्धांतिक पूर्वाग्रह के अनुरूप है।
- ग्लूऑन बाधाएं (Gluon Constraints): एक महत्वपूर्ण निष्कर्ष यह है कि वर्तमान BELLE डेटा ग्लूऑन DiFF को बाधित करने के लिए अपर्याप्त है। NN निष्कर्षण में, ग्लूऑन अनिश्चितता बैंड बहुत बड़ा है, और व्यक्तिगत रेप्लिकास अनियमित व्यवहार दिखाते हैं, जो बाधा की कमी का संकेत देते हैं। फिजिक्स-इंफॉर्म्ड दृष्टिकोण एक सुचारू ग्लूऑन आकार मानता है जो अप-क्वार्क के समान है, जिसे डेटा न तो गलत सिद्ध करता है और न ही पुष्टि करता है।
पोलराइज्ड DiFFs और NLO सुधार:
- यह पेपर ट्रांसवर्सली पोलराइज्ड DiFF, $H_1^{\angle}$ के निष्कर्षण को संबोधित करता है, जिसे डबल डि-हैड्रोन समावेशी एनिहिलेशन में आर्ट्रु-कोलिन्स एसिमेट्री (Artru-Collins asymmetry) के माध्यम से अलग किया जाता है।
- लेखक $e^+e^- \to q^\uparrow \bar{q}^\downarrow$ (ट्रांसवर्सली पोलराइज्ड क्वार्क-एंटीक्वार्क पेयर प्रोडक्शन) के लिए NLO गणना की समीक्षा करते हैं।
- साहित्य में सुधार (Correction to Literature): लेखक रिपोर्ट करते हैं कि उनकी स्वतंत्र गणना संदर्भ [5] में रिपोर्ट किए गए परिणाम से भिन्न है। वे सुधारा हुआ NLO कोएफिशिएंट फंक्शन (Eq. 8) प्रदान करते हैं, जिसमें यूनिवर्सल ट्रांसवर्सिटी स्प्लिटिंग फंक्शन योगदान और एक स्कीम-डिपेंडेंट टर्म शामिल है। यह सुधारा हुआ परिणाम $H_1^{\angle}$ के पहले NLO निष्कर्षण को करने के लिए एक पूर्व शर्त है।

महत्व और दावे
यह पेपर निम्नलिखित द्वारा क्षेत्र को आगे बढ़ाने का दावा करता है:

पहली बार DiFF निष्कर्षण की सैद्धांतिक सटीकता को LO से NNLO तक विस्तारित करना।
गैर-परतदार फंक्शन निष्कर्षण में सैद्धांतिक पूर्वाग्रह को कम करने के लिए पारंपरिक फिजिक्स-इंफॉर्म्ड पैरामीट्राइजेशन के साथ न्यूरल नेटवर्क के उपयोग की व्यवहार्यता को प्रदर्शित करना।
ग्लूऑन DiFF को बाधित करने में वर्तमान $e^+e^-$ डेटा की सीमाओं को उजागर करना, जिससे भविष्य के सेमी-इनक्लूसिव डीप इनइलास्टिक स्कैटरिंग (SIDIS) और हैड्रोन-हैड्रोन टक्करों के डेटा की आवश्यकता प्रेरित होती है।
ट्रांसवर्सली पोलराइज्ड क्वार्क-एंटीक्वार्क प्रोडक्शन के लिए एक सुधारा हुआ NLO कैलकुलेशन प्रदान करना, जो पोलराइज्ड DiFF $H_1^{\angle}$ के निष्कर्षण के अगले चरण के लिए आवश्यक है।

यह कार्य निष्कर्ष निकालता है कि जबकि अप और डाउन क्वार्क अच्छी तरह से बाधित हैं, ग्लूऑन योगदान वर्तमान डेटा द्वारा अनबाउंड (unconstrained) बना हुआ है, और सुधारा हुआ NLO फॉर्मलिज्म भविष्य के पोलराइज्ड निष्कर्षण को सक्षम बनाता है।

इसी तरह के और पेपर