Learning the Geometry of Collider Events with Metric-Aware Deep Sets

उच्च-ऊर्जा कण भौतिकी (हाई-एनर्जी पार्टिकल फिजिक्स) की दुनिया में, वैज्ञानिक प्रोटॉन को लगभग प्रकाश की गति से आपस में टकराकर ब्रह्मांड के सबसे मौलिक निर्माण खंडों का अध्ययन करते हैं। ये टकराव नए कणों का एक अराजक छिड़काव पैदा करते हैं, जिनमें से प्रत्येक के पास एक विशिष्ट मात्रा में ऊर्जा होती है और वे एक विशेष दिशा में उड़ते हैं। इस अराजकता को समझने के लिए, शोधकर्ता प्रत्येक टकराव की घटना को अंतरिक्ष में बिंदुओं के एक अद्वितीय बादल (क्लाउड) के रूप में देखते हैं, जहाँ प्रत्येक बिंदु एक कण का प्रतिनिधित्व करता है और उसका भार उसके संवेग (मोमेंटम) को दर्शाता है। इन बादलों की तुलना करना ही मुख्य चुनौती है: एक टकराव दूसरे से कितना समान है? इसका उत्तर देने के लिए, भौतिक विज्ञानी 'ऑप्टिमल ट्रांसपोर्ट' नामक एक गणितीय उपकरण का उपयोग करते हैं। कल्पना कीजिए कि आप मिट्टी के एक ढेर को एक आकार से दूसरे आकार में कम से कम प्रयास के साथ ले जाने की कोशिश कर रहे हैं; ऑप्टिमल ट्रांसपोर्ट एक घटना के कणों को दूसरी घटना के आकार से मिलाने के लिए पुनर्व्यवस्थित करने की सटीक लागत की गणना करता है। यह लागत, जिसे 'एनर्जी मूवर्स डिस्टेंस' कहा जाता है, इन घटनाओं की ज्यामिति (जियोमेट्री) को मापने का एक सटीक तरीका प्रदान करती है, जिससे वैज्ञानिकों को दुर्लभ विसंगतियों को पहचानने या ब्रह्मांड कैसे काम करता है, इसके सिद्धांतों का परीक्षण करने में मदद मिलती है। हालाँकि, लाखों घटनाओं के लिए इस दूरी की गणना करना अविश्वसनीय रूप से धीमा है, जिसमें अक्सर एक एकल तुलना के लिए घंटों का कंप्यूटर समय लगता है, जो विशाल मात्रा में डेटा उत्पन्न करने वाले आधुनिक प्रयोगों के लिए एक बाधा बन जाता है।

इस समस्या को हल करने के लिए, ब्राउन यूनिवर्सिटी और IAIFI संस्थान के शोधकर्ताओं ने एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस को विकसित किया है, जिसे हर बार भारी मेहनत किए बिना कण टकरावों की ज्यामिति को सीखने के लिए डिज़ाइन किया गया है। उन्होंने एक न्यूरल नेटवर्क बनाया है, जो कंप्यूटर प्रोग्राम का एक प्रकार है जो उदाहरणों से सीखता है, ताकि वह धीमी और सटीक गणना के लिए एक तेज़ विकल्प (सरोगेट) के रूप में कार्य कर सके। केवल एक संख्या का अनुमान लगाने के बजाय, शोधकर्ताओं ने नेटवर्क के आर्किटेक्चर में सीधे विशिष्ट नियम बनाए ताकि यह सुनिश्चित हो सके कि यह एक वास्तविक दूरी माप की तरह व्यवहार करे। उन्होंने सिस्टम को यह समझने के लिए प्रोग्राम किया कि घटना A से घटना B की दूरी, B से A की दूरी के समान होनी चाहिए, एक घटना स्वयं से शून्य दूरी पर होती है, और दूरियाँ ऋणात्मक नहीं हो सकतीं। इन बुनियादी ज्यामितीय नियमों को लागू करके, नेटवर्क ने घटनाओं के बीच कणों को स्थानांतरित करने की ऊर्जा लागत की भविष्यवाणी करने में उल्लेखनीय गति और सटीकता के साथ महारत हासिल की।

इसके परिणाम चौंकाने वाले थे। जब लाखों सिम्युलेटेड टकराव की घटनाओं पर इसका परीक्षण किया गया, तो इस नए नेटवर्क ने, जिसे लेखक 'मेट्रिक-अवेयर पार्टिकल फ्लो नेटवर्क' कहते हैं, औसत त्रुटि एक प्रतिशत से भी कम के साथ ऊर्जा दूरी की भविष्यवाणी की। इससे भी महत्वपूर्ण बात यह है कि इसने डेटा की अंतर्निहित ज्यामितीय संरचना को उन तरीकों से संरक्षित किया जिनमें मानक मशीन लर्निंग मॉडल अक्सर विफल हो जाते हैं। जबकि एक विशिष्ट न्यूरल नेटवर्क औसत रूप से सही संख्या बताने में सक्षम हो सकता है लेकिन तीन अलग-अलग घटनाओं के बीच के संबंधों को गलत बता सकता है, इस नए मॉडल ने 'ट्राइएंगल इनइक्वेलिटी' (त्रिभुज असमानता) का सम्मान किया—एक नियम जो कहता है कि दो बिंदुओं के बीच का सीधा पथ तीसरे बिंदु से होकर जाने वाले पथ से कभी लंबा नहीं होता है। घटनाओं के दस लाख ट्रिपलेट्स (ति triplets) वाले एक परीक्षण में, मानक मॉडल ने इस नियम का लगभग दो सौ बार उल्लंघन किया, जिसमें त्रुटियाँ लगभग 150 तक पहुँच गईं (ऊर्जा की एक इकाई)। नए मॉडल ने इस नियम का केवल दो बार उल्लंघन किया, जिसमें सबसे बड़ी त्रुटि घटकर केवल 5.8 रह गई। यह सुझाव देता है कि कंप्यूटर को ज्यामिति के बुनियादी नियम सिखाकर, इसने भविष्यवाणियों के लिए बहुत अधिक विश्वसनीय होने के बारे में सीखा, यहाँ तक कि उन स्थितियों में भी जिन्हें उसने पहले कभी नहीं देखा था।

इस नए तरीके की गति शायद इसका सबसे व्यावहारिक लाभ है। कण भौतिकी की दुनिया में, शोधकर्ताओं को अक्सर एक डेटासेट की प्रत्येक घटना की तुलना हर दूसरी घटना के साथ करने की आवश्यकता होती है, एक ऐसा कार्य जो कणों की संख्या बढ़ने के साथ तेजी से कठिन होता जाता है। नया नेटवर्क एक सिंगल ग्राफिक्स कार्ड पर प्रति सेकंड 26 मिलियन जोड़े (पेयर्स) तक का थ्रूपुट प्राप्त कर सका, जो वर्तमान में इस कार्य के लिए उपयोग किए जाने वाले सटीक गणितीय सॉल्वर की तुलना में हजारों गुना तेज़ है। सटीक विधियों के विपरीत, जो कणों की संख्या बढ़ने पर काफी धीमी हो जाती हैं, नए नेटवर्क की गति इस बात पर लगभग स्थिर रही कि टकराव कितना जटिल था। ऐसा इसलिए है क्योंकि नेटवर्क प्रत्येक घटना को एक संक्षिप्त सारांश (समरी) में एक बार एनकोड करता है और फिर इन सारांशों की तेज़ी से तुलना करता है, न कि प्रत्येक जोड़े के लिए पूरी समस्या की पुनर्गणना करता है। यह दक्षता इस बात का संकेत है कि लार्ज हैड्रॉन कोलाइडर (LHC) के प्रयोग संभावित रूप से अपने डेटा का बहुत गहराई से विश्लेषण कर सकते हैं, उन सूक्ष्म पैटर्न की खोज कर सकते हैं जो पहले अत्यधिक कम्प्यूटेशनल रूप से महंगे थे।

शोधकर्ताओं ने यह भी परीक्षण किया कि क्या उनका मॉडल कण टकरावों को नियंत्रित करने वाले भौतिक नियमों का सम्मान करता है, विशेष रूप से यह कि जब एक कण दो में विभाजित होता है या जब एक छोटा, कम ऊर्जा वाला कण जोड़ा जाता है, तो सिस्टम कैसे प्रतिक्रिया करता है। भौतिकी में, ये परिवर्तन घटना के विवरण को नाटकीय रूप से नहीं बदलना चाहिए। नए मॉडल ने पिछले तरीकों की तुलना में इन परिवर्तनों के प्रति बहुत बेहतर प्रतिक्रिया दिखाई, और बहुत छोटे बदलावों के बावजूद वास्तविक भौतिक व्यवहार के करीब रहा। हालांकि यह मॉडल सटीक गणना का पूर्ण प्रतिस्थापन नहीं है और चरम मामलों में इसमें छोटी त्रुटियां भी हैं, लेकिन यह अध्ययन दर्शाता है कि मशीन लर्निंग मॉडल में सरल, लक्षित बाधाओं (कन्स्ट्रेंट्स) को जोड़ने से एक ऐसा उपकरण प्राप्त किया जा सकता है जो तेज़ और ज्यामितीय रूप से विश्वसनीय दोनों हो। यह दृष्टिकोण आधुनिक भौतिकी के विशाल डेटासेट को संभालने के लिए एक उज्ज्वल मार्ग प्रदान करता है, जो धीमी गणनाओं की बाधा को तीव्र और विश्वसनीय अंतर्दृष्टि की एक धारा में बदल देता है।