Fast BIB simulation at a future Muon Collider with generative machine learning

एक कण त्वरक (पार्टिकल कोलाइडर) की कल्पना एक विशाल चुंबकों वाले रिंग के रूप में नहीं, बल्कि एक कारखाने के फर्श के रूप में करें जहाँ ब्रह्मांड के मौलिक नियमों को प्रकट करने के लिए सूक्ष्म, अस्थिर कणों को आपस में टकराया जाता है। दशकों से, लार्ज हैड्रोन कोलाइडर इस कार्य के लिए दुनिया की सबसे शक्तिशाली मशीन रहा है, लेकिन वैज्ञानिक पहले से ही अगली पीढ़ी की ओर देख रहे हैं: एक मयून कोलाइडर (Muon Collider)। यह प्रस्तावित मशीन मयूनों को टकराएगी, जो इलेक्ट्रॉन के भारी 'कजिन' हैं, और ऐसी ऊर्जाओं पर टकराएगी जो वर्तमान में प्राप्त करने योग्य सीमाओं से कहीं अधिक हैं। इसका वादा ब्रह्मांड के गहरे रहस्यों, जैसे डार्क मैटर की प्रकृति से लेकर द्रव्यमान (मास) की उत्पत्ति तक, का एक स्पष्ट दृश्य प्रदान करना है। हालाँकि, इसमें एक बड़ी बाधा है। मयून क्षणभंगुर होते हैं; वे अन्य कणों के झुंड में क्षय होने से पहले केवल कुछ दस लाखवें हिस्से के सेकंड के लिए अस्तित्व में रहते हैं। एक कोलाइडर में, इसका अर्थ यह है कि हर बार जब मयून की एक बीम तैयार की जाती है, तो वह अनिवार्य रूप से मलबे का एक अराजक बादल बनाती है जो डिटेक्टरों को भर देता है। यह बैकग्राउंड नॉइज़ (पृष्ठभूमि का शोर) इतना तीव्र है कि यह उन नए भौतिकी के दुर्लभ और कीमती संकेतों को दबाने की धमकी देता जिन्हें वैज्ञानिक खोजने की कोशिश कर रहे हैं।

इन परिस्थितियों में जीवित रहने के लिए डिटेक्टरों को डिजाइन करने और शोर से सिग्नल को अलग करने के लिए एल्गोरिदम लिखने के लिए, शोधकर्ताओं को इन स्थितियों को कंप्यूटर पर सिम्युलेट करने की आवश्यकता होती है। उन्हें अपने विचारों का परीक्षण करने के लिए बैकग्राउंड नॉइज़ के लाखों उदाहरण उत्पन्न करने होंगे। लेकिन इन सिमुलेशन को बनाना अविश्वसनीय रूप से धीमा है। वर्तमान विधि, जो पारंपरिक कंप्यूटिंग शक्ति पर निर्भर करती है, इतनी गणनात्मक रूप से महंगी है कि एक एकल प्रयोगात्मक सेटअप का परीक्षण करने के लिए पर्याप्त डेटा उत्पन्न करने में हजारों कंप्यूटरों पर निरंतर प्रोसेसिंग के कई वर्ष लग जाएंगे। आवश्यक डेटा विशाल है, और इसे उत्पन्न करने में लगने वाला समय एक ऐसी बाधा है जो पूरे प्रोजेक्ट में देरी कर सकती है। वैज्ञानिकों को इस बैकग्राउंड नॉइज़ को तेजी से और सटीक रूप से उत्पन्न करने के तरीके की आवश्यकता है, बिना अतीत की धीमी, चरण-दर-चरण गणनाओं की प्रतीक्षा किए।

शोधकर्ताओं की एक टीम ने अब इस समस्या को हल करने के लिए एक नया दृष्टिकोण विकसित किया है, जिसमें 'जेनरेटिव मशीन लर्निंग' नामक एक प्रकार की आर्टिफिशियल इंटेलिजेंस का उपयोग किया गया है। हर एक कण संपर्क को शुरू से सिम्युलेट करने के बजाय, जो पारंपरिक विधियाँ करती हैं, उन्होंने कंप्यूटर मॉडल को बैकग्राउंड नॉइज़ के पैटर्न को सीखने और फिर तुरंत नए, यथार्थवादी उदाहरण उत्पन्न करने के लिए प्रशिक्षित किया। टीम ने एक प्रस्तावित 10-TeV मयून कोलाइडर के ट्रैकिंग डिटेक्टरों पर ध्यान केंद्रित किया, जिसे MAIA डिटेक्टर नामक एक डिज़ाइन कहा जाता है। ये डिटेक्टर सिलिकॉन से बने होते हैं और आवेशित कणों के पथ को रिकॉर्ड करने के लिए डिज़ाइन किए गए हैं। शोधकर्ताओं ने मौजूदा उच्च-गुणवत्ता वाले सिमुलेशन डेटा का एक छोटा हिस्सा लिया—जो एक एकल टकराव घटना का केवल एक अंश है—और इसका उपयोग दो अलग-अलग प्रकार के मशीन लर्निंग मॉडल को यह सिखाने के लिए किया कि बैकग्राउंड शोर द्वारा उत्पन्न हिट्स और ट्रैक्स के जटिल वितरण को कैसे पुन: निर्मित किया जाए।

टीम ने दो अलग-अलग आर्किटेक्चरल दृष्टिकोणों का परीक्षण किया। पहला था एक डिफ्यूजन मॉडल (diffusion model), जो डेटा में धीरे-धीरे शोर जोड़ने और फिर नए नमूने उत्पन्न करने के लिए उस प्रक्रिया को उलटने (reverse) को सीखने के माध्यम से काम करता है। यह मॉडल धीमा है लेकिन बहुत उच्च-गुणवत्ता (high-fidelity) के परिणाम देता है। दूसरा था एक फ्लो-बेस्ड मॉडल (flow-based model), जो सरल रैंडम डेटा को बैकग्राउंड नॉइज़ के जटिल आकार में मैप करने के लिए एक सीधा गणितीय रूपांतरण सीखता है। यह मॉडल काफी तेज है। दोनों मॉडलों को विशिष्ट डिटेक्टर ज्यामिति को समझने के लिए प्रशिक्षित किया गया था, जिससे यह सीखा जा सके कि कण अपनी स्थिति के आधार पर विभिन्न परतों और मॉड्यूल पर कैसे टकराते हैं। लक्ष्य यह देखना था कि क्या ये AI-जनरेटेड "नकली" बैकग्राउंड, उसी रिकंस्ट्रक्शन सॉफ्टवेयर को धोखा दे सकते हैं जिसका उपयोग वैज्ञानिक वास्तविक डेटा का विश्लेषण करने के लिए करते हैं।

परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने मशीन-जनरेटेड बैकग्राउंड की पारंपरिक पूर्ण सिमुलेशन से तुलना की, तो उन्होंने पाया कि AI मॉडल ने ऐसे हिट्स और कण पथ उत्पन्न किए जो वास्तविक चीज़ों से लगभग अभिन्न थे। उन्होंने इस डेटा को एक बाइनरी क्लासिफायर (binary classifier) में फीड करके इसका परीक्षण किया, जो दो प्रकार के डेटा के बीच अंतर बताने के लिए डिज़ाइन किया गया एक सरल एल्गोरिदम है। एक आदर्श परिदृश्य में, इस क्लासिफायर को अंतर करने में विफल होना चाहिए, यानी एक सिक्के के उछाल की तरह रैंडम अनुमान लगाना चाहिए। AI-जनरेटेड डेटा ने इसे हासिल कर लिया, क्लासिफायर दोनों प्रकार के डेटा के बीच अंतर करने में संघर्ष करता रहा—चाहे वे तेज़, मशीन-लर्न किए गए बैकग्राउंड हों या धीमे, पारंपरिक वाले। यह बात उन व्यक्तिगत बिंदुओं के लिए भी सच थी जहाँ कण डिटेक्टर से टकराते हैं और उन पुनर्निर्मित (reconstructed) पथों के लिए भी जिनसे कण मशीन के माध्यम से गुजरते हैं।

शायद सबसे महत्वपूर्ण खोज गति थी। इस अध्ययन में उपयोग किए गए बैकग्राउंड डेटा को उत्पन्न करने के लिए पारंपरिक विधि को एक एकल घटना के केवल दस प्रतिशत का प्रतिनिधित्व करने वाला नमूना बनाने के लिए लगभग दस लाख घंटों के कंप्यूटिंग समय की आवश्यकता थी। इसके विपरीत, मशीन लर्निंग मॉडल कुछ ही घंटों में तुलनीय नमूने उत्पन्न कर सकते थे। फ्लो-बेस्ड मॉडल विशेष रूप से कुशल था, जो एक डिटेक्टर उप-खंड के लिए पूर्ण बैकग्राउंड हिट्स को दो मिनट से भी कम समय में उत्पन्न करने में सक्षम था। हालांकि डिफ्यूजन मॉडल को अधिक समय लगा, जो डिटेक्टर सेक्शन के आधार पर कई घंटों से लेकर एक पूरे दिन तक रहा, फिर भी यह पारंपरिक दृष्टिकोण की तुलना में कई गुना तेज़ था। यह गति वृद्धि का अर्थ है कि शोधकर्ता अब एक प्रमुख अनुसंधान परियोजना के लिए व्यावहारिक समय सीमा के भीतर अपने डिटेक्टर डिजाइनों और रिकंस्ट्रक्शन एल्गोरिदम का परीक्षण करने और उन्हें परिष्कृत करने के लिए आवश्यक डेटा की विशाल मात्रा उत्पन्न कर सकते हैं।

इस नई पद्धति की, निश्चित रूप से, कुछ सीमाएँ हैं। मॉडलों को एक बहुत छोटे डेटासेट पर प्रशिक्षित किया गया था, जो एक एकल सिम्युलेटेड इवेंट से प्राप्त किया गया था जिसे डिटेक्टर को कवर करने के लिए कृत्रिम रूप से विस्तारित किया गया था। चूंकि प्रशिक्षण डेटा सीमित था, इसलिए मॉडल अभी तक टकराव के विभिन्न हिस्सों के बीच जटिल सहसंबंधों (correlations) को कैप्चर नहीं कर सकते हैं जो एक वास्तविक, पूर्ण-पैमाने के सिमुलेशन में मौजूद होंगे। शोधकर्ता स्वीकार करते हैं कि मॉडल कभी-कभी ऊर्जा वितरण के सूक्ष्म विवरणों, विशेष रूप से बहुत कम और बहुत उच्च स्पेक्ट्रम पर, संघर्ष करते हैं। हालाँकि, रिकंस्ट्रक्शन एल्गोरिदम के परीक्षण और बैकग्राउंड के सामान्य व्यवहार को समझने के उद्देश्य से, मॉडल असाधारण रूप से अच्छा प्रदर्शन करते हैं। टीम ने अपना कोड और मॉडल वेट्स (weights) वैज्ञानिक समुदाय के लिए जारी कर दिए हैं, जिससे अन्य शोधकर्ता इस तेज़ सिमुलेशन टूल का उपयोग भविष्य के मयून कोलाइडर के डिजाइन को गति देने के लिए कर सकें।

यह कार्य कण भौतिकी प्रयोगों की तैयारी के तरीके में एक बदलाव का प्रतिनिधित्व करता है। धीमे, ब्रूट-फोर्स कंप्यूटिंग को इंटेलिजेंट, पैटर्न-लर्निंग एल्गोरिदम से बदलकर, वैज्ञानिक अब अपने डिजाइनों पर बहुत तेज़ी से काम कर सकते हैं। मिनटों के बजाय वर्षों में वास्तविक बैकग्राउंड नॉइज़ उत्पन्न करने की क्षमता, डिटेक्टर कॉन्फ़िगरेशनों की खोज करने और अधिक मजबूत एल्गोरिदम का परीक्षण करने के द्वार खोलती है। हालाँकि मॉडल अभी तक सिमुलेशन के सभी पहलुओं के लिए पूर्ण प्रतिस्थापन नहीं हैं, वे बैकग्राउंड शोर को समझने के विशिष्ट और महत्वपूर्ण कार्य के लिए एक शक्तिशाली नया उपकरण प्रदान करते हैं जो अगली पीढ़ी के कण त्वरकों की सफलता को परिभाषित करेगा। नए भौतिकी की खोज का मार्ग डेटा से बना है, और यह नई विधि सुनिश्चित करती है कि डेटा इतनी तेज़ी से उत्पन्न किया जा सके कि वह वैज्ञानिकों की महत्वाकांक्षा के साथ तालमेल बिठा सके।