⚛️ high-energy experiments

ResoSeg: Resonance Tagger using Transformer and Segment Model

यह शोध पत्र ResoSeg को प्रस्तुत करता है, जो एक नवीन डीप लर्निंग मॉडल है जो रेजोनेंस टैगिंग के लिए संयुक्त पार्टिकल-लेवल सेगमेंटेशन और इवेंट-लेवल क्लासिफिकेशन करने हेतु ट्रांसफॉर्मर और सेगमेंटेशन तकनीकों को जोड़ता है, जो पारंपरिक तरीकों की तुलना में BESIII प्रयोग में $\eta_c$ क्षय (decays) के पुनर्निर्माण में काफी बेहतर दक्षता और सामान्यीकरण क्षमता प्रदर्शित करता है।

मूल लेखक: Chunkai Li, Junhao Yin, Ke Li, Jingde Chen

प्रकाशित 2026-09-14

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Chunkai Li, Junhao Yin, Ke Li, Jingde Chen

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

उप-परमाणु दुनिया में, पदार्थ अल्पकालिक कणों के एक ऐसे समूह से बना है जो पलक झपकते ही प्रकट होते और ओझल हो जाते हैं। भौतिक विज्ञानी इन क्षणिक संस्थाओं को 'रेजोनेंस' (resonances) कहते हैं। वे प्रोटॉन या इलेक्ट्रॉन की तरह स्थिर निर्माण खंड नहीं हैं; इसके बजाय, वे अन्य कणों में लगभग तुरंत क्षय होने वाली मध्यवर्ती अवस्थाएं हैं। प्रकृति के मौलिक बलों को समझने के लिए, वैज्ञानिकों को इन कणों को उनके कार्य करते हुए पकड़ना होता है, और यह पहचानना होता है कि कौन सा मलबा किस मूल कण (parent particle) से आया है। यह कार्य एक कमरे में बिखरी हुई अन्य टूटी हुई वस्तुओं के ढेर में से एक विशिष्ट प्रकार के टूटे हुए फूलदान को फिर से जोड़ने की कोशिश करने जैसा है। दशकों से, शोधकर्ता इन टुकड़ों को एक समय में एक श्रेणी के अनुसार छांटने की विधि पर निर्भर रहे हैं, जिसमें ज्ञात क्षय मार्गों (decay paths) से मेल खाने वाले विशिष्ट पैटर्न की जांच की जाती है। हालांकि यह दृष्टिकोण काम करता रहा है, लेकिन यह धीमा है और कई अवसरों को खो देता है क्योंकि यह एक साथ पूरी तस्वीर नहीं देख सकता।

नानकाई विश्वविद्यालय और इंस्टीट्यूट ऑफ हाई एनर्जी फिजिक्स के शोधकर्ताओं की एक टीम ने अब इस पहेली को सुलझाने का एक नया तरीका पेश किया है, जो इस बात को बदल देता है कि वैज्ञानिक इन टकरावों का विश्लेषण कैसे करते हैं। उन्होंने 'रेसोसेग' (ResoSeg) नामक एक कंप्यूटर मॉडल विकसित किया है, जो एक अत्यधिक कुशल पर्यवेक्षक की तरह कार्य करता है जो पूरे घटनाक्रम को देखने में सक्षम है और तुरंत दो चीजें तय कर सकता है: क्या उस घटना में वह कण मौजूद है जिसकी वे तलाश कर रहे हैं, और दर्जनों परिणामी कणों में से वास्तव में कौन सा उस विशिष्ट मूल कण से आया है। एक के बाद एक विशिष्ट पैटर्न की जांच करने के बजाय, यह मॉडल अपने मूल कण के सभी संभावित क्षय मार्गों में उसके अद्वितीय "फिंगरप्रिंट" को एक साथ पहचानने के लिए सीखता है। यह उन्हें एक ही बार में कण के जीवन की पूरी कहानी को पुनर्गत्रित करने की अनुमति देता है, जिससे वह डेटा भी पकड़ा जा सके जिसे पिछले तरीकों में छोड़ दिया जाता या पूरी तरह से अनदेखा कर दिया जाता था।

शोधकर्ताओं ने इस प्रणाली का परीक्षण BESIII प्रयोग के डेटा का उपयोग करके किया, जो चीन में एक विशाल डिटेक्टर है जो इलेक्ट्रॉनों और पॉजिट्रॉन्स के बीच होने वाले टकरावों को रिकॉर्ड करता है। उन्होंने विशेष रूप से 'एटा-सी' (eta-c) नामक एक कठिन कण पर ध्यान केंद्रित किया, जो कि 'चारमोनियम' (charmonium) का एक प्रकार है और अपने सैकड़ों अलग-अलग क्षय मार्गों के लिए जाना जाता है, जिनमें से अधिकांश अत्यंत दुर्लभ हैं। चूंकि इस कण के टूटने का कोई एक प्रमुख तरीका नहीं है, इसलिए पारंपरिक तरीकों को केवल सोलह सबसे सामान्य मार्गों पर ध्यान केंद्रित करना पड़ता था, बाकी को अनदेखा कर दिया जाता था। हालांकि, नए मॉडल को प्रत्येक ट्रैक को देखने और उसे एक लेबल देने के लिए प्रशिक्षित किया गया था: क्या वह एटा-सी से आया था, क्या वह घटना में मौजूद किसी और चीज़ से आया था, या क्या वह केवल बैकग्राउंड नॉइज़ (पृष्ठभूमि शोर) था? ऐसा करके, मॉडल एटा-सी को तब भी पुनर्गठित कर सका जब वह उन तरीकों से क्षय हुआ जिनके लिए पुराने तरीके डिज़ाइन नहीं किए गए थे।

परिणाम आश्चर्यजनक थे। जब शोधकर्ताओं ने ऊर्जा के विभिन्न स्तरों पर नए मॉडल की मानक दृष्टिकोण के मुकाबले तुलना की, तो नया सिस्टम सिग्नल खोजने में दोगुने से अधिक कुशल पाया गया। सरल शब्दों में कहें तो, इसने एटा-सी कणों की संख्या को पुराने तरीके की तुलना में दोगुने से अधिक खोजा, जबकि बैकग्राउंड नॉइज़ को उतना ही कम रखा। यह सुधार केवल अधिक संख्या खोजने के बारे में नहीं है; यह कण के गुणों, जैसे कि उसके द्रव्यमान और ऊर्जा, की अधिक सटीकता के साथ पूर्ण चित्र प्राप्त करने के बारे में है। मॉडल लचीला भी साबित हुआ। यह उन ऊर्जा बिंदुओं पर भी काम करने में सक्षम था जिन्हें उसने पहले कभी नहीं देखा था और इसे थोड़े से अतिरिक्त प्रशिक्षण के साथ एक ही कण की विभिन्न उत्पादन श्रृंखलाओं का अध्ययन करने के लिए अनुकूलित किया जा सकता था।

यह सुनिश्चित करने के लिए कि मॉडल केवल डेटा को याद नहीं कर रहा है, टीम ने कण के सिम्युलेटेड गुणों, जैसे कि उसके द्रव्यमान या चौड़ाई को थोड़ा बदलकर इसकी मजबूती (robustness) का परीक्षण किया। मॉडल स्थिर रहा, और स्थितियां बदलने पर भी सटीक रूप से कार्य करता रहा। यह सुझाव देता है कि सिस्टम ने केवल प्रशिक्षण डेटा में विशिष्ट पैटर्न को पहचानने के बजाय इन कणों के व्यवहार के अंतर्निहित भौतिक विज्ञान को सीखा है। शोधकर्ताओं ने यह भी प्रदर्शित किया कि मॉडल एक जटिल, मिश्रित डेटासेट में सिग्नल को बैकग्राउंड से अलग कर सकता है, जो वास्तविक दुनिया के भौतिकी विश्लेषण के लिए एक महत्वपूर्ण कदम है जहाँ सिग्नल अक्सर अन्य घटनाओं के समुद्र में दबा होता है।

यह कार्य उच्च-ऊर्जा भौतिकी प्रयोगों के संचालन के तरीके में एक बदलाव का प्रतिनिधित्व करता है। चैनल-दर-चैनल दृष्टिकोण से एक एकीकृत, 'एक साथ' विश्लेषण की ओर बढ़ते हुए, शोधकर्ताओं ने उन दुर्लभ क्षय मोड के अध्ययन का द्वार खोल दिया है जिन्हें पहले अलग करना बहुत कठिन था। यह मॉडल अन्य कणों और अन्य प्रयोगों, विशेष रूप से लेप्टॉन कोलाइडर्स (lepton colliders) पर लागू करने के लिए पर्याप्त सामान्य है जहाँ बैकग्राउंड शोर कम होता है लेकिन सांख्यिकीय सटीकता की आवश्यकता अधिक होती है। मॉडल का सोर्स कोड वैज्ञानिक समुदाय के लिए उपलब्ध कराया गया है, जो दूसरों को इस नींव पर निर्माण करने के लिए आमंत्रित करता है। जैसे-जैसे भौतिक विज्ञानी विलक्षण पदार्थों के रूप की खोज जारी रखते हैं और मानक मॉडल (Standard Model) की सीमाओं का परीक्षण करते हैं, इस तरह के उपकरण उप-परमाणु रेजोनेंस की अदृश्य दुनिया को देखने के लिए एक स्पष्ट और अधिक कुशल लेंस प्रदान करते हैं।

तकनीकी सारांश: ResoSeg – ट्रांसफॉर्मर और सेगमेंट मॉडल का उपयोग करके रेजोनेंस टैगर

समस्या विवरण
प्रायोगिक उच्च-ऊर्जा भौतिकी (high-energy physics) में, विशेष रूप से BESIII जैसे लेप्टॉन कोलाइडर्स पर, मध्यवर्ती रेजोनेंट अवस्थाओं (जैसे $\eta_c$ , $J/\psi$ ) की पहचान और पुनर्निर्माण (reconstruction) हड्रोन स्पेक्ट्रम के मानचित्रण और विलक्षण पदार्थ (exotic matter) की खोज के लिए महत्वपूर्ण हैं। जबकि पार्टिकल ट्रांसफॉर्मर (ParT), SPANet और GN3 जैसे डीप लर्निंग मॉडल इवेंट-स्तरीय वर्गीकरण और ऑब्जेक्ट टैगिंग में अत्याधुनिक प्रदर्शन हासिल कर चुके हैं, उनमें एक मौलिक सीमा है: वे मध्यवर्ती रेजोनेंस के सापेक्ष कणों की उत्पत्ति के संबंध में प्रति-ट्रैक (per-track) जानकारी प्रदान नहीं करते हैं। फलस्वरूप, इन मॉडलों पर आधारित विश्लेषणों को अभी भी लक्षित रेजोनेंस के फोर-मोमेंटम (four-momentum) को निर्धारित करने के लिए समर्पित, विशिष्ट डिके-चैनल (decay-channel-specific) पुनर्निर्माण एल्गोरिदम की आवश्यकता होती है। यह चैनल-दर-चैनल दृष्टिकोण अक्षम है, विशेष रूप से $\eta_c$ मेसॉन जैसे कणों के लिए, जिनके सैकड़ों संभावित डिके चैनल हैं जिनमें बहुत कम ब्रांचिंग फ्रैक्शन्स होते हैं और कोई एक प्रमुख मोड नहीं होता, जिससे पारंपरिक पुनर्निर्माण अव्यावहारिक हो जाता है।

कार्यप्रणाली (Methodology)
लेखक ResoSeg (रेजोनेंस सेगमेंटर) का प्रस्ताव करते हैं, जो एक एकीकृत डीप लर्निंग मॉडल है जो संयुक्त रूप से पार्टिकल-लेवल सेगमेंटेशन और इवेंट-लेवल क्लासिफिकेशन करता है। यह आर्किटेक्चर दो प्राथमिक घटकों को एकीकृत करता है:

एन्कोडर (ParT-प्रेरित): मॉडल इनपुट ट्रैक्स और उनकी अंतःक्रियाओं को संसाधित करने के लिए एक पार्टिकल एम्बेडिंग लेयर और पेयर एम्बेडिंग लेयर का उपयोग करता है। यह ट्रैक्स को एक उच्च-आयामी लेटेंट स्पेस में एनकोड करने के लिए पार्टिकल अटेंशन ब्लॉक्स (SwiGLU एक्टिवेशन के साथ संशोधित ParT से) का उपयोग करता है। महत्वपूर्ण रूप से, इंटरेक्शन फीचर्स को बेयसियन ऑप्टिमाइज़ेशन के माध्यम से अनुकूलित किया गया है, जो चार फीचर्स ( $M^2$ , $RM^2$ , $Q$ , $k_t$ ) के एक उपसमुच्चय का चयन करता है जो स्थानीय ट्रैक-पेयर काइनेमैटिक्स और वैश्विक इवेंट-लेवल सेंटर-ऑफ-मास संदर्भ दोनों को कैप्चर करते हैं।
डिकोडर (SAM-प्रेरित): सेगमेंट एनीथिंग मॉडल (SAM) से प्रेरित होकर, डिकोडर एक टू-वे अटेंशन (Two-Way Attention) तंत्र का उपयोग करता है। यह एनकोडेड पार्टिकल फीचर्स को लेता है और उन्हें सीखने योग्य "इवेंट टोकन्स" और "मास्क टोकन्स" के साथ इंटरैक्ट करता है। मास्क टोकन प्रत्येक ट्रैक के लिए सिमेंटिक लेबल उत्पन्न करता है, जबकि इवेंट टोकन पूरे इवेंट के लिए एक स्कोर उत्पन्न करता है। यह मॉडल को यह निर्धारित करने की अनुमति देता है कि क्या किसी इवेंट में सिग्नल प्रोसेस मौजूद है और साथ ही प्रत्येक पुनर्निर्मित ट्रैक को एक सिमेंटिक श्रेणी (जैसे: फेक/बैकग्राउंड, रेजोनेंस से आने वाले वास्तविक ट्रैक्स, या रेजोनेंस से न आने वाले वास्तविक ट्रैक्स) असाइन करता है।

मॉडल को एक BES-III- $\eta_c$ डेटासेट पर प्रशिक्षित किया गया है जो $e^+e^- \to \pi^+\pi^-h_c, h_c \to \gamma\eta_c, \eta_c \to \text{anything}$ प्रक्रिया के लिए बनाया गया है। सुपरवाइज्ड लर्निंग के लिए 'ट्रुथ-मैचिंग एल्गोरिदम' का उपयोग करके 'ट्रू लेबल्स' जेनरेट किए गए हैं, जो पुनर्निर्मित और वास्तविक इनवेरिएंट मास के बीच अंतर को न्यूनतम करता है। कुल लॉस फंक्शन इवेंट क्लासिफिकेशन और पार्टिकल सेगमेंटेशन के लिए क्रॉस-एन्ट्रॉपी लॉस का एक लीनियर कॉम्बिनेशन है।

प्रमुख योगदान

सेगमेंटेशन का प्रथम अनुप्रयोग: यह कार्य हाई-एनर्जी फिजिक्स में रेजोनेंस टैगिंग के लिए पहले सिमेंटिक सेगमेंटेशन के अनुप्रयोग को पेश करता है, जिससे यह सीधे पहचानना संभव होता है कि कौन से ट्रैक्स एक विशिष्ट मध्यवर्ती रेजोनेंस से उत्पन्न होते हैं।
एकीकृत वन-पास विश्लेषण: ResoSeg एक एकल इन्फरेंस पास के माध्यम से "रेजोनेंस-टू-एनीथिंग" डिके चेन को पुनर्निर्मित करने में सक्षम बनाता है, जिससे प्रत्येक डिके चैनल के लिए अलग-अलग पुनर्निर्माण एल्गोरिदम की आवश्यकता समाप्त हो जाती है।
अनुकूलित इंटरेक्शन फीचर्स: लेखक प्रदर्शित करते हैं कि विशिष्ट इंटरेक्शन फीचर्स, विशेष रूप से जो वैश्विक काइनेमैटिक संदर्भ ( $RM^2$ ) को शामिल करते हैं, क्वार्कोनियम पुनर्निर्माण के लिए मानक जेट-टैगिंग फीचर्स की तुलना में काफी बेहतर प्रदर्शन करते हैं।
सामान्यीकरण क्षमता (Generalizability): मॉडल को सामान्य बनाने के लिए डिज़ाइन किया गया है, जो आर्किटेक्चरल बदलावों के बिना ट्रांसफर लर्निंग के माध्यम से अन्य रेजोनेंस और प्रोडक्शन मोड के अनुकूल हो सकता है।

प्रायोगिक परिणाम
मॉडल का मूल्यांकन BESIII- $\eta_c$ डेटासेट और एक समावेशी (inclusive) मोंटे कार्लो (MC) टेस्ट सेट पर किया गया:

पारंपरिक विधियों के विरुद्ध प्रदर्शन: 4.19 से 4.60 GeV तक की ऊर्जा बिंदुओं पर, ResoSeg ने पारंपरिक विधि की तुलना में 2.6 गुना अधिक औसत संयुक्त पुनर्निर्माण दक्षता प्राप्त की, जो 16 विशिष्ट डिके चैनलों तक सीमित है।
इवेंट-लेवल क्लासिफिकेशन: ResoSeg ने सिग्नल और बैकग्राउंड इवेंट्स के बीच अंतर करने में 97.31% सटीकता और 98.84% रिकॉल प्राप्त किया, जो कि ParT बेसलाइन के तुल्य है।
पार्टिकल-लेवल सेगमेंटेशन: मॉडल ने 87.91% की उच्च परफेक्ट मैच रेट (PMR) और $\eta_c$ से आने वाले ट्रैक्स के लिए 96.12% तथा $\eta_c$ से न आने वाले ट्रैक्स के लिए 95.20% का औसत इंटरसेक्शन ओवर यूनियन (IoU) स्कोर प्राप्त किया।
बैकग्राउंड रिजेक्शन: जटिल समावेशी MC टेस्ट सेट पर, ResoSeg ने ParT की तुलना में बेहतर बैकग्राउंड रिजेक्शन क्षमता प्रदर्शित की, जिससे उच्च सिग्नल एफिशिएंसी बनाए रखते हुए बैकग्राउंड मिस्टैग रेट को काफी कम किया गया।
मजबूती और सामान्यीकरण: मॉडल $\eta_c$ मास, विड्थ (width) और ब्रांचिंग फ्रैक्शन्स के बदलावों के प्रति मजबूत रहा। इसने अनसीन एनर्जी पॉइंट्स (एक्सट्रपलेशन) पर सफलतापूर्वक सामान्यीकरण किया और केवल 300,000 ट्रेनिंग इवेंट्स के साथ ट्रांसफर लर्निंग के माध्यम से एक अलग प्रोडक्शन मोड ( $\psi(2S) \to \gamma\eta_c(2S)$ ) के अनुकूल भी हुआ।

महत्व और दावे
लेखक दावा करते हैं कि ResoSeg वर्कफ़्लो को चैनल-विशिष्ट पुनर्निर्माण से एक सामान्य, रेजोनेंस-अवेयर दृष्टिकोण में बदलकर रेजोनेंस विश्लेषण में एक प्रतिमान परिवर्तन (paradigm shift) का प्रतिनिधित्व करता है। प्रति-ट्रैक सिमेंटिक लेबल प्रदान करके, मॉडल डिके-चैनल-विशिष्ट एल्गोरिदम पर निर्भर हुए बिना मध्यवर्ती रेजोनेंस के पूर्ण फोर-मोमेंटम की सटीक पुनर्निर्माण की अनुमति देता है। यह क्षमता "रेजोनेंस-टू-एनीथिंग" डिके के लिए उपलब्ध सिग्नल सांख्यिकी को काफी बढ़ा देती है, जो $\eta_c$ जैसे जटिल डिके टोपोलॉजी वाले कणों के अध्ययन के लिए विशेष रूप से महत्वपूर्ण है। लेखक का मानना है कि इस दृष्टिकोण को अन्य रेजोनेंस (जैसे $J/\psi$ , $B$ मेसॉन) और प्रयोगों (जैसे Belle II, LHCb) तक विस्तारित किया जा सकता है, जो विलक्षण हड्रोन उम्मीदवारों के मापन की संवेदनशीलता को बढ़ा सकता है और फाउंडेशन मॉडल्स जैसी नई विश्लेषण रणनीतियों को सक्षम कर सकता है।

इसी तरह के और पेपर