Searching for New Physics with Reinforcement Learning
यह शोध पत्र एक सुदृढीकरण शिक्षण (reinforcement learning) विधि प्रस्तुत करता है जो मानव पूर्वाग्रह और ऑपरेटर स्पेस की विशाल जटिलता की सीमाओं को पार करते हुए, सीडीएफ (CDF) डब्ल्यू-द्रव्यमान विसंगति जैसे कण भौतिकी विसंगतियों की व्याख्या करने में सक्षम स्टैंडर्ड मॉडल इफेक्टिव फील्ड थ्योरी (SMEFT) ऑपरेटर्स की कुशलतापूर्वक पहचान करता है।
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
ब्रह्मांड, जैसा कि हम वर्तमान में समझते हैं, नियमों के एक समूह द्वारा वर्णित है जिसे 'स्टैंडर्ड मॉडल' कहा जाता है। यह ढांचा प्रकृति के मौलिक निर्माण खंडों के लिए एक आवर्त सारणी (पीरियोडिक टेबल) की तरह कार्य करता है, जो अविश्वसनीय रूप से उच्च ऊर्जाओं पर कणों के परस्पर क्रिया करने के तरीके की सफलतापूर्वक भविष्यवाणी करता है। दशकों से, यह मॉडल भौतिकी का स्वर्ण मानक रहा है, जिसने विशाल कण त्वरकों (पार्टिकल कोलाइडर्स) द्वारा इस पर किए गए हर परीक्षण का सफलतापूर्वक सामना किया है। फिर भी, इस सफलता के बावजूद, भौतिकविदों को पता है कि यह अधूरा है। यह इस बात की व्याख्या नहीं कर सकता कि ब्रह्मांड अदृश्य डार्क मैटर से क्यों भरा है, क्यों पदार्थ (मैटर) की मात्रा प्रतिपदार्थ (एंटीमैटर) से अधिक है, या क्यों कुछ कणों का द्रव्यमान होता है जबकि अन्य का नहीं। मॉडल द्वारा की गई भविष्यवाणी और हमारे अवलोकन के बीच का यह अंतर बताता है कि हमारी वर्तमान पहुंच से परे नए, भारी कण मौजूद हैं। चूंकि हम अभी तक इन भारी कणों को सीधे बनाने के लिए पर्याप्त शक्तिशाली मशीन नहीं बना सकते, इसलिए वैज्ञानिक उनकी छाया की तलाश करते हैं। वे ज्ञात कणों के व्यवहार में सूक्ष्म विसंगतियों, या "विसंगतियों" (anomalies) की खोज करते हैं। ये विसंगतियां एक तालाब पर उठने वाली हल्की लहरों की तरह हैं जो दूर कहीं फेंके गए एक बड़े पत्थर का संकेत देती हैं। चुनौती यह है कि नए कणों के पास ज्ञात कणों को प्रभावित करने के हजारों संभावित तरीके हो सकते हैं, और यह पता लगाना कि कौन सा विशिष्ट संयोजन इसके लिए जिम्मेदार है, अत्यधिक जटिलता वाला कार्य है।
मॉन्ट्रियल विश्वविद्यालय के शोधकर्ताओं ने इस जटिलता से निपटने के लिए एक कंप्यूटर को एक भौतिक विज्ञानी की तरह सोचने के लिए प्रशिक्षित किया, लेकिन एक महत्वपूर्ण अंतर के साथ: कंप्यूटर को संदिग्धों की कोई सूची नहीं दी गई थी जिन्हें जांचा जा सके। इसके बजाय, इसे एक लक्ष्य दिया गया और इसे स्वयं समाधान के मार्ग को सीखने की अनुमति दी गई। टीम ने 'रीइन्फोर्समेंट लर्निंग' नामक एक तकनीक का उपयोग किया, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है जहाँ एक प्रोग्राम प्रयास और त्रुटि (ट्रायल एंड एरर) के माध्यम से सीखता है, जिसमें अच्छे निर्णयों के लिए फीडबैक और बुरे निर्णयों के लिए दंड प्राप्त होता है। उन्होंने नई भौतिकी की खोज को एक खेल के रूप में तैयार किया। कंप्यूटर का लक्ष्य गणितीय पदों का एक सेट प्रस्तावित करना था, जिन्हें 'ऑपरेटर्स' कहा जाता है, जो प्रकृति में पाए जाने वाले अजीब मापों की व्याख्या कर सके। प्रत्येक सेट के लिए जिसे वह प्रस्तावित करता, कंप्यूटर गणना करता कि वे पद वास्तविक दुनिया के डेटा के साथ कितनी अच्छी तरह मेल खाते हैं। यदि मिलान में सुधार होता, तो कंप्यूटर को पुरस्कार मिलता; यदि मिल मिलान खराब होता या समान रहता, तो उसे दंड मिलता। हजारों प्रयासों के बाद, कंप्यूटर ने उन रास्तों को छोड़ना सीख लिया जो निरर्थक थे और उन विशिष्ट संयोजनों पर ध्यान केंद्रित किया जो विसंगतियों की सबसे अच्छी व्याख्या करते थे।
शोधकर्ताओं ने पहले इस पद्धति का परीक्षण एक ज्ञात पहेली पर किया: W बोस के द्रव्यमान का एक हालिया माप जो स्टैंडर्ड मॉडल की भविष्यवाणी से असहमत था। इस सरल परिदृश्य में, कंप्यूटर ने सफलतापूर्वक उन्हीं गणितीय पदों के संयोजनों को पुनः खोज लिया जिन्हें मानव विशेषज्ञों ने वर्षों के सावधानीपूर्वक विश्लेषण के माध्यम से पहचाना था। हालांकि, कंप्यूटर ने एक कदम आगे बढ़कर एक दूसरा, समान रूप से वैध संयोजन खोज निकाला जिसे मानव शोधकर्ताओं ने मिस कर दिया था। ऐसा इसलिए हुआ क्योंकि कंप्यूटर मानवीय अंतर्ज्ञान या पूर्व धारणाओं पर निर्भर नहीं था कि कौन से सिद्धांत सबसे अधिक संभावित हैं। इसने केवल संभावनाओं के पूरे परिदृश्य का अन्वेषण किया, जिसमें वे जटिल संपर्क भी शामिल थे जो कणों के विभिन्न ऊर्जा स्तरों पर विश्लेषण के दौरान उत्पन्न होते हैं, और उस समाधान को खोज निकाला जो डेटा के साथ सबसे अच्छा फिट बैठता था।
इस दृष्टिकोण की शक्ति का वास्तवes परीक्षण करने के लिए, टीम ने एक बहुत कठिन चुनौती बनाई। उन्होंने एक सिंथेटिक डेटासेट बनाया जिसमें दस अलग-अलग विसंगतियां थीं, जिनमें से प्रत्येक स्टैंडर्ड मॉडल और एक काल्पनिक माप के बीच एक महत्वपूर्ण असहमति का प्रतिनिधित्व करती थी। ये विसंगतियां विभिन्न प्रकार की कण अंतःक्रियाओं में फैली हुई थीं, जिससे बाधाओं का एक उलझा हुआ जाल बन गया जहाँ एक समस्या को ठीक करने से दूसरी समस्या उत्पन्न हो सकती थी। इस जटिल वातावरण में, शोधकर्ताओं ने अपने 'लर्निंग कंप्यूटर' की तुलना एक मानक 'रैंडम सर्च' (यादृच्छिक खोज) से की। रैंडम सर्च एक बोर्ड पर डार्ट फेंकने जैसा है जिसमें अरबों वर्ग हैं, और उम्मीद है कि वह छोटे से केंद्र (बुल्सआई) पर लग जाए। यहाँ तक कि सत्तर हजार यादृच्छिक संयोजनों की जांच करने के बाद भी, रैंडम सर्च एक भी समाधान खोजने में विफल रहा जो डेटा के अनुकूल हो। इसके विपरीत, लर्निंग कंप्यूटर ने, उतने ही संख्या में संयोजन जांचने के बाद, सैकड़ों वैध समाधान खोज निकाले। इसने दस पदों का एक विशिष्ट सेट खोजा जिसने सभी दस विसंगतियों की व्याख्या की, जिससे सिद्धांत और डेटा के बीच का अंतर इतना कम हो गया कि 'ची-स्क्वायरिड टू डिग्री ऑफ फ्रीडम' का अनुपात 1.0 हो गया, जो एक उत्कृष्ट फिट का संकेत देता है।
यह अध्ययन प्रदर्शित करता है कि कृत्रिम बुद्धिमत्ता पारंपरिक तरीकों की तुलना में सैद्धांतिक भौतिकी के विशाल और भ्रमित करने वाले स्थान में अधिक कुशलता से नेविगेट कर सकती है। मानवीय पूर्वाग्रह को हटाकर और एल्गोरिदम को विभिन्न भौतिक प्रभावों के बीच संबंधों को सीखने की अनुमति देकर, कंप्यूटर ने उन पैटर्न की पहचान की जो पहले छिपे हुए थे। शोधकर्ताओं ने दिखाया कि यह पद्धति न केवल सरल, एकल-समस्या वाले मामलों के लिए काम करती है, बल्कि उस बहु-स्तरीय, विरोधाभासी डेटा के लिए भी काम करती है जो अक्सर आधुनिक भौतिकी की सीमा को परिभाषित करता है। हालांकि दूसरे परीक्षण में उपयोग की गई विशिष्ट विसंगतियां प्रयोग के लिए बनाई गई थीं, लेकिन यह पद्धति वास्तविक दुनिया के डेटा पर लागू करने के लिए तैयार है। जैसे-जैसे नई भौतिकी की खोज जारी है, यह उपकरण व्यवस्थित रूप से हर संभावना का अन्वेषण करने का एक तरीका प्रदान करता है, यह सुनिश्चित करता है कि ब्रह्मांड के गहरे रहस्यों की किसी भी संभावित व्याख्या को केवल इसलिए अनदेखा न किया जाए क्योंकि वह मानवीय अंतर्ज्ञान में फिट नहीं बैठती।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।