GNN-based track reconstruction for MUonE experiment

आधुनिक भौतिकी के विशाल परिदृश्य में, वैज्ञानिक लगातार अपने सबसे सफल सिद्धांत, 'स्टैंडर्ड मॉडल' की नींव में दरारें खोजने की कोशिश कर रहे हैं। यह सिद्धांत इस बात के नियमपुस्तिका के रूप में कार्य करता है कि ब्रह्मांड सूक्ष्म स्तर पर कैसे काम करता है, फिर भी यह कुछ गहरे अनसुलझे प्रश्नों को छोड़ देता है। सबसे निरंतर रहस्यों में से एक म्यूऑन (muon) से जुड़ा है, जो एक ऐसा कण है जो इलेक्ट्रॉन के समान है लेकिन बहुत भारी है। दशकों से, प्रयोगों ने यह मापा है कि यह कण चुंबकीय क्षेत्र में कैसे डगमगाता है, जिसे उसका 'एनोमलस मैग्नेटिक मोमेंट' (anomalous magnetic moment) कहा जाता है। ये माप लगातार स्टैंडर्ड मॉडल के अनुमान से एक सूक्ष्म, जिद्दी अंतर दिखाते हैं। यह अंतर संकेत देता है कि अज्ञात बल या कण म्यूऑन को प्रभावित कर रहे हैं, जो वास्तविकता की एक गहरी परत की ओर इशारा करता है जो खोजे जाने की प्रतीक्षा कर रही है। हालाँकि, इसकी पुष्टि करने के लिए, भौतिकविदों को इस प्रभाव को अत्यधिक सटीकता के साथ मापने की आवश्यकता है, जिसके लिए उन्हें अंतरिक्ष के निर्वात (vacuum) के साथ कणों की अंतःक्रिया से होने वाले एक विशिष्ट योगदान की गणना करने की आवश्यकता होती है। यह गणना पारंपरिक गणित के साथ करना अत्यंत कठिन है, इसलिए MUonE नामक एक नया प्रयोग प्रस्तावित किया गया है जो म्यूऑन के इलेक्ट्रॉनों से टकराने (scatter) के अवलोकन के माध्यम से इसे सीधे मापने का प्रयास करता है।

MUonE प्रयोग के लिए चुनौती केवल भौतिकी नहीं है, बल्कि उस डेटा की विशाल मात्रा है जिसे इसे संसाधित करना होगा। प्रयोग प्रति सेकंड 40 मिलियन बार एक लक्ष्य (target) पर म्यूऑन की एक बीम छोड़ेगा। इस गति पर, कंप्यूटर सिस्टम को एक सेकंड के बहुत छोटे हिस्से में यह निर्णय लेना होगा कि कौन सी टक्कर दिलचस्प है और कौन सा केवल बैकग्राउंड शोर है। यदि सिस्टम बहुत धीमा है, तो यह उन दुर्लभ घटनाओं को खो देगा जो नई भौतिकी को प्रकट कर सकती हैं। यदि यह फिल्टर करने में बहुत अधिक आक्रामक है, तो यह उन्हीं संकेतों को फेंक सकता है जिन्हें वैज्ञानिक खोज रहे हैं। डेटा को छाँटने के पारंपरिक तरीके में जटिल, चरण-दर-चरण एल्गोरिदम शामिल होते हैं जो सिलिकॉन सेंसरों में छोड़े गए सूक्ष्म संकेतों से कणों के पथों को जोड़ने की कोशिश करते हैं। हालांकि ये सटीक हैं, लेकिन ये गणनात्मक रूप से भारी हैं और बीम की निरंतर गति के साथ तालमेल बिठाने में संघर्ष करते हैं। इस समस्या को हल करने के लिए, पोलैंड के शोधकर्ताओं ने एक अलग प्रकार की बुद्धिमत्ता की ओर रुख किया: एक मशीन लर्निंग सिस्टम जिसे निर्देशों की एक रैखिक सूची के बजाय कनेक्शनों के एक नेटवर्क की तरह सोचने के लिए डिज़ाइन किया गया है।

शोधकर्ताओं ने एक ग्राफ न्यूरल नेटवर्क (Graph Neural Network) का उपयोग करके एक नई विधि विकसित की, जो एक प्रकार का कृत्रिम बुद्धिमत्ता है जो वस्तुओं के बीच संबंधों को समझने में उत्कृष्ट है। डेटा को संख्याओं के ग्रिड या चित्र के रूप में मानने के बजाय, यह सिस्टम कण डिटेक्टर को बिंदुओं और रेखाओं के एक मानचित्र के रूप में देखता है। प्रत्येक बिंदु एक स्थान का प्रतिनिधित्व करता है जहाँ एक कण ने सेंसर से टकराया, और रेखाएँ उन हिट्स को जोड़ने वाले संभावित पथों का प्रतिनिधित्व करती हैं। नेटवर्क का काम यह पता लगाना है कि कौन सी रेखाएँ कणों द्वारा लिए गए वास्तविक पथ हैं और कौन सी केवल यादृच्छिक संयोग हैं। एक पारंपरिक दृष्टिकोण में, कंप्यूटर हर संभव पथ बनाने की कोशिश कर सकता है और फिर यह जाँच सकता है कि क्या वह तर्कसंगत है, एक ऐसी प्रक्रिया जो कणों की संख्या बढ़ने पर असंभव रूप से धीमी हो जाती है। हालाँकि, नया सिस्टम एक साथ पूरे कनेक्शन वेब को देखता है, और एक वैध कण ट्रैक के विशिष्ट आकार को पहचानना सीखता है।

इस विचार का परीक्षण करने के लिए, टीम ने सिम्युलेटेड डेटा का उपयोग किया जो MUonE प्रयोग की स्थितियों की नकल करता है, जिसमें सेंसरों की विशिष्ट व्यवस्था और म्यूऑन एवं इलेक्ट्रॉनों का व्यवहार शामिल है। उन्होंने नेटवर्क को हजारों ऐसे सिम्युलेटेड इवेंट्स पर प्रशिक्षित किया, जिससे उसे कणों के वास्तविक पथों और गलत कनेक्शनों के बीच अंतर करना सिखाया गया। परिणाम आश्चर्यजनक थे। नेटवर्क ने एक प्रतिशत से भी कम की त्रुटि दर के साथ सही पथों की सफलतापूर्वक पहचान की, जो कि सर्वोत्तम पारंपरिक तरीकों के बराबर सटीकता का स्तर है। अधिक महत्वपूर्ण बात यह है कि इसने अविश्वसनीय गति के साथ ऐसा किया। जबकि पुराने एल्गोरिदम एक शक्तिशाली कंप्यूटर पर प्रति सेकंड लगभग 3,400 इवेंट्स को प्रोसेस कर सकते थे, नए न्यूरल नेटवर्क ने प्रति सेकंड 31,000 से अधिक इवेंट्स को संभाला। यह गति में दस गुना वृद्धि का प्रतिनिधित्व करता है, जो प्रभावी रूप से एक बाधा (bottleneck) को एक सुचारू प्रवाह में बदल देता है।

केवल पथ खोजने के अलावा, शोधकर्ताओं ने यह भी दिखाया कि यह सिस्टम कणों के बीच अंतर बता सकता है। क्योंकि इलेक्ट्रॉन म्यूऑन की तुलना में बहुत हल्के होते हैं, वे टकराते समय अधिक तीखे कोणों (sharper angles) पर उछलते हैं। नेटवर्क ने इन स्कैटरिंग कोणों के सूक्ष्म अंतर को पहचानना सीखा, जिससे यह सही ढंग से पहचाना जा सका कि ट्रैक एक इलेक्ट्रॉन का है या म्यूऑन का। हालाँकि इसने इन पहचान मामलों में लगभग 12 प्रतिशत गलतियाँ कीं, लेकिन यह प्रदर्शन स्तर एक ऐसे सिस्टम के लिए आशाजनक है जो अभी अपने शुरुआती चरणों में है। पथ पुनर्निर्माण (track reconstruction) और कण पहचान (particle identification) दोनों कार्यों को एक साथ करने की क्षमता यह सुझाव देती है कि यह दृष्टिकोण डेटा विश्लेषण पाइपलाइन के कई अलग-अलग चरणों को प्रतिस्थापित कर सकता है।

इस कार्य का महत्व इसके इस क्षमता में निहित है कि यह उच्च-ऊर्जा भौतिकी प्रयोगों के संचालन के तरीके को बदल सकता है। डेटा को सॉर्ट करने के जटिल कार्य को ऑफलाइन चरण (जहाँ वैज्ञानिक प्रयोग समाप्त होने के बाद परिणामों का विश्लेषण करते हैं) से ऑनलाइन चरण (जहाँ वास्तविक समय में निर्णय लिए जाते हैं) में स्थानांतरित करके, MUonE प्रयोग उन दुर्लभ घटनाओं के बहुत बड़े और स्वच्छ नमूने को कैप्चर कर सकता है जिनकी उसे आवश्यकता है। शोधकर्ता इस बात पर जोर देते हैं कि हालांकि उनके परिणाम सिमुलेशन पर आधारित हैं, लेकिन यह विधि प्रयोग के आगामी परीक्षण दौरों के दौरान एकत्र किए गए वास्तविक डेटा पर परीक्षण के लिए तैयार है। यदि यह सिस्टम वास्तविक दुनिया के डेटा पर उतना ही अच्छा प्रदर्शन करता है जितना कि सिमुलेशन में किया था, तो यह म्यूऑन की डगमगाहट के रहस्य को सुलझाने के लिए आवश्यक गति और सटीकता प्रदान कर सकता है, जो संभावित रूप से हमारी वर्तमान समझ से परे मौजूद नई भौतिकी की खिड़की खोल सकता है।