⚛️ nuclear experiments

Automated Physics-Informed Neural-Networks-Based Calibration of Highly Segmented Silicon Telescopes

यह शोध पत्र एक पूर्णतः स्वचालित, भौतिकी-सूचित न्यूरल नेटवर्क ढांचे को प्रस्तुत करता है जो पुनर्गठित उत्तेजना ऊर्जा की चौड़ाई के वैश्विक न्यूनीकरण के माध्यम से डिटेक्टर गेन और ज्यामितीय सुधारों को एक साथ अनुकूलित करके अत्यधिक खंडित सिलिकॉन टेलीस्कोप एरेज़ को कुशलतापूर्वक कैलिब्रेट करता है, जैसा कि PISTA विखंडन डेटा पर इसके सफल अनुप्रयोग द्वारा प्रदर्शित किया गया है।

मूल लेखक: M. Rejmund, A. Lemasson, P. Morfouace, D. Ramos, J. Taieb, J. D. Frankland

प्रकाशित 2026-09-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: M. Rejmund, A. Lemasson, P. Morfouace, D. Ramos, J. Taieb, J. D. Frankland

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

आधुनिक परमाणु भौतिकी के केंद्र में, वैज्ञानिक अविश्वसनीय गति से परमाणुओं को आपस में टकराकर पदार्थ के निर्माण खंडों को समझने की कोशिश कर रहे हैं। इन टक्करों को समझने के लिए, उन्हें यह जानने की आवश्यकता है कि कौन से कण उत्पन्न हुए, वे कितनी ऊर्जा लेकर गए, और वे किस सटीक कोण पर दूर उड़े। कल्पना कीजिए कि आप बिखरे हुए मलबे को देखकर एक कार दुर्घटना का पुनर्निर्माण करने की कोशिश कर रहे हैं; यदि आप धातु के हर टुकड़े की गति और दिशा को अत्यधिक सटीकता के साथ नहीं माप सकते, तो दुर्घटना की कहानी एक रहस्य बनी रहती है। दशकों से, शोधकर्ता सिलिकॉन डिटेक्टरों पर भरोसा करते आए हैं, जो हाई-स्पीड कैमरों की तरह कार्य करते हैं और इन उप-परमाणु कणों की ऊर्जा और पथ को कैप्चर करते हैं। जैसे-जैसे ये डिटेक्टर अधिक उन्नत हुए हैं, सूक्ष्म विवरणों को पकड़ने के लिए इन्हें हजारों छोटे, स्वतंत्र स्ट्रिप्स में विभाजित किया गया है। हालाँकि, विवरण में इस वृद्धि ने उन वैज्ञानिकों के लिए एक बड़ा सिरदर्द पैदा कर दिया है जिन्हें इनका अंशांकन (कैलिब्रेशन) करना होता है।

अंशांकन वह प्रक्रिया है जिसमें एक डिटेक्टर को इस तरह ट्यून किया जाता है कि उसके कच्चे विद्युत संकेत सही भौतिक मापों में बदल सकें। अतीत में, वैज्ञानिक एक समय में एक डिटेक्टर के प्रत्येक चैनल को मैन्युअल रूप से समायोजित कर सकते थे, जो कि मानवीय निर्णय पर बहुत अधिक निर्भर एक धीमी और उबाऊ कार्य था। लेकिन जब एक डिटेक्टर में हजारों चैनल होते हैं, तो यह पुरानी विधि असंभव हो जाती है। यह बहुत धीमी है, मानवीय त्रुटियों के प्रति संवेदनशील है, और अक्सर यह सुनिश्चित करने में विफल रहती है कि डिटेक्टर के सभी हिस्से एक-दूसरे के साथ सहमत हों। चुनौती इस जटिल मशीन को स्वचालित रूप से, भौतिकी के नियमों को मार्गदर्शक के रूप में उपयोग करते हुए, ट्यून करने का तरीका खोजने की है, ताकि इसके द्वारा उत्पन्न डेटा पूरी तरह से सुसंगत हो।

फ्रांस में GANIL के शोधकर्ताओं की एक टीम ने कंप्यूटर को उनके लिए डिटेक्टर को कैलिब्रेट करने के लिए प्रशिक्षित करके इस समस्या को हल कर दिया है। उन्होंने एक नई प्रणाली विकसित की है जो आर्टिफिशियल इंटेलिजेंस के एक प्रकार, जिसे न्यूरल नेटवर्क कहा जाता है, का उपयोग करती है। एक इंसान से हजारों सेटिंग्स को व्यक्तिगत रूप से बदलने के लिए कहने के बजाय, उन्होंने एक गणितीय पहेली तैयार की जहाँ कंप्यूटर को उन सटीक सेटिंग्स को खोजना होता है जो भौतिकी को सही ढंग से काम करने में मदद करें। यह प्रणाली प्रकृति के एक मौलिक नियम पर निर्भर करती है: जब दो कण आपस में टकराते हैं और बिना टूटे एक-दूसरे से टकराकर वापस उछलते हैं, तो उनकी कुल ऊर्जा और वे जिस कोण पर उड़ते हैं, वे एक सटीक संबंध में बंधे होते हैं। यदि डिटेक्टर सही ढंग से कैलिब्रेट नहीं है, तो यह संबंध टूटा हुआ दिखाई देगा। कंप्यूटर का काम डिटेक्टर की सेटिंग्स को तब तक समायोजित करना है जब तक कि डेटा इस पूर्ण भौतिक पैटर्न में फिट न हो जाए।

शोधकर्ताओं ने इस पद्धति का परीक्षण PISTA नामक डिटेक्टरों के एक विशिष्ट समूह पर किया, जो आठ ट्रैपेज़ॉइडल टेलिस्कोप से बना है, जिनमें से प्रत्येक में हजारों सूक्ष्म सिलिकॉन स्ट्रिप्स हैं। ये टेलिस्कोप हल्के नाभिकों को पकड़ने के लिए डिज़ाइन किए गए हैं जो भारी यूरेनियम परमाणुओं और कार्बन परमाणुओं के बीच होने वाली टक्करों से उत्पन्न होते हैं। टीम ने कंप्यूटर को अल्फा कणों से प्राप्त कच्चे डेटा के साथ-साथ ज्ञात अंशांकन डेटा की एक छोटी मात्रा भी दी। न्यूरल नेटवर्क ने फिर अपना काम शुरू किया, प्रत्येक स्ट्रिप की संवेदनशीलता (गेन) को समायोजित किया, और यहाँ तक कि टेलिस्कोपों की भौतिक स्थिति में भी सूक्ष्म सुधार किए। इसने निरंतर 'टू-बॉडी काइनेमैटिक्स कंस्ट्रेंट' (two-body kinematics constraint) के विरुद्ध अपने काम की जाँच करते हुए यह सुनिश्चित किया कि टक्कर की पुनर्निर्मित ऊर्जा, इलास्टिक स्कैटरिंग के लिए शून्य उत्तेजना ऊर्जा (zero excitation energy) की सैद्धांतिक अपेक्षा से मेल खाती हो।

परिणाम आश्चर्यजनक थे। कंप्यूटर ने कुछ ही मिनटों में सही सेटिंग्स खोज लीं, एक ऐसा कार्य जिसे पूरा करने में पारंपरिक तरीकों का उपयोग करके मानव विशेषज्ञों को हफ्तों या महीनों लग जाते। अंशांकन के बाद, डिटेक्टर ने ऐसे डेटा का उत्पादन किया जो सैद्धांतिक भविष्यवाणियों के साथ पूरी तरह से संरेखित था। शोधकर्ता विभिन्न परमाणु तत्वों, जैसे कार्बन और ऑक्सीजन, के स्पष्ट बैंड देख सके, जो उच्च सटीकता के साथ अलग किए गए थे। ऊर्जा रिज़ॉल्यूशन, जो यह मापता है कि डिटेक्टर समान ऊर्जा स्तरों के बीच कितनी स्पष्टता से अंतर कर सकता है, काफी बढ़ गया। वास्तव में, सिस्टम ने एक ऐसा रिज़ॉल्यूशन प्राप्त किया जहाँ डेटा का प्रसार लगभग 0.436 MeV था, जिससे वैज्ञानिकों को उन परमाणु प्रतिक्रियाओं के विवरण देखने में मदद मिली जो पहले धुंधले थे।

इस नए दृष्टिकोण का सबसे महत्वपूर्ण पहलू यह है कि इसके लिए वैज्ञानिकों को यह बनाने की आवश्यकता नहीं है कि डिटेक्टर आंतरिक रूप से कैसे काम करता है। उन्हें सिलिकॉन के भीतर प्रत्येक इलेक्ट्रॉन के सटीक व्यवहार का अनुकरण करने की आवश्यकता नहीं है। इसके बजाय, सिस्टम सीधे प्रयोगात्मक डेटा से सीखता है, जो केवल भौतिकी के अटूट नियमों द्वारा निर्देशित होता है। यह इस पद्धति को मजबूत और अनुकूलन योग्य बनाता है। शोधकर्ताओं ने पाया कि अंशांकन पूरे डिटेक्टर सरणी के सभी विभिन्न टेलिस्कोपों में सुसंगत था, जो यह सिद्ध करता है कि सिस्टम हजारों चैनलों की जटिलता को बिना भटके संभाल सकता है। इस पद्धति ने डिटेक्टरों की भौतिक प्लेसमेंट में छोटे मिसअलाइनमेंट को भी सफलतापूर्वक ठीक किया, जिससे कुछ मिलीमीटर के बदलाव और कुछ डिग्री के कोण परिवर्तन को समायोजित किया जा सका।

यह अध्ययन प्रदर्शित करता है कि मशीन लर्निंग भौतिकी में एक शक्तिशाली साथी हो सकती है, न कि केवल डेटा का विश्लेषण करने के उपकरण के रूप में, बल्कि माप प्रक्रिया के एक मौलिक हिस्से के रूप में भी। न्यूरल नेटवर्क के प्रशिक्षण में सीधे भौतिक नियमों को शामिल करके, शोधकर्ताओं ने एक स्व-सुसंगत प्रणाली बनाई जो कुशल और विश्वसनीय दोनों है। यह दृष्टिकोण अगली पीढ़ी के डिटेक्टरों के लिए समाधान प्रदान करता है, जिनसे और भी बड़े और अधिक जटिल होने की उम्मीद है। जैसे-जैसे परमाणु भौतिकी उच्च रिज़ॉल्यूशन और अधिक जटिल प्रयोगों की ओर बढ़ रही है, इन विशाल प्रणालियों को स्वचालित रूप से कैलिब्रेट करने की क्षमता आवश्यक होगी। यह कार्य पुष्टि करता है कि जब आर्टिफिशियल इंटेलिजेंस को भौतिक सिद्धांतों की ठोस नींव द्वारा निर्देशित किया जाता है, तो यह उन समस्याओं को हल कर सकता है जो मानव हाथों के लिए बहुत बड़ी और बहुत जटिल हैं, जिससे परमाणु दुनिया के स्पष्ट दृश्य का द्वार खुल जाता है।

तकनीकी सारांश: अत्यधिक खंडित सिलिकॉन टेलीस्कोपों का स्वचालित भौतिकी-सूचित न्यूरल नेटवर्क-आधारित अंशांकन (कैलिब्रेशन)

समस्या विवरण
आधुनिक परमाणु भौतिकी प्रयोगों को ट्रांसफर और मल्टी-न्यूक्लियॉन ट्रांसफर प्रतिक्रियाओं के लिए सूक्ष्म कोणीय रिज़ॉल्यूशन और बड़े सॉलिड-एंगल कवरेज प्राप्त करने हेतु अत्यधिक खंडित (highly segmented) सिलिकॉन डिटेक्टर एरे पर तेजी से निर्भर रहना पड़ रहा है। जबकि यह सूक्ष्मता प्रायोगिक क्षमताओं को बढ़ाती है, यह डिटेक्टर अंशांकन के लिए महत्वपूर्ण चुनौतियां भी पेश करती है। पारंपरिक अंशांकन विधियां, जो आमतौर पर पुनरावृत्ति (iterative) और अक्सर मैन्युअल समायोजन के माध्यम से चैनल-दर-चैनल आधार पर संचालित होती हैं, अक्षम, स्केल करने में कठिन और व्यक्तिपरक पूर्वाग्रहों के प्रति संवेदनशील हो जाती हैं। ये पारंपरिक दृष्टिकोण सैकड़ों या हजारों व्यक्तिगत चैनलों में वैश्विक निरंतरता बनाए रखने में संघर्ष करते हैं, विशेष रूप से तब जब प्रत्येक चैनल केवल भौतिक फेज स्पेस के एक सीमित अंश को कम सांख्यिकी के साथ सैंपल करता है। उच्च-आयामी डेटा को संभालने और डिटेक्टर सेगमेंटों के बीच सहसंबंधों का लाभ उठाने में सक्षम मजबूत, पुनरुत्पादनीय और स्केलेबल अंशांकन रणनीतियों की तत्काल आवश्यकता है।

कार्यप्रणाली (Methodology)
लेखक एक पूर्णतः स्वचालित, डेटा-संचालित अंशांकन ढांचे का प्रस्ताव करते हैं जो विशेष रूप से अत्यधिक खंडित सिलिकॉन टेलीस्कोप एरे के लिए डिज़ाइन किया गया है और न्यूरल नेटवर्क पर आधारित है। यह विधि अंशांकन को स्वतंत्र चैनल समायोजनों की श्रृंखला के बजाय एक वैश्विक अनुकूलन (global optimization) समस्या के रूप में पुनर्गठित करती है।

भौतिकी-सूचित अनुकूलन (Physics-Informed Optimization): इस दृष्टिकोण का मूल दो-निकाय किनेमैटिक्स (two-body kinematics) बाधाओं के तहत पुनर्निर्मित उत्तेजना ऊर्जा ( $E^*$ ) की चौड़ाई (रूट मीन स्क्वायर डेविएशन, RMSD) का न्यूनीकरण करना है। प्रणाली लोचदार प्रकीर्णन (elastic scattering) घटनाओं को मानती है जहाँ लक्ष्य उत्तेजना ऊर्जा शून्य ( $E^*_{target} = 0$ ) होती है।
न्यूरल नेटवर्क आर्किटेक्चर: मॉडल तीन स्वतंत्र उप-मॉडलों का उपयोग करता है जो एक साझा लॉस फंक्शन (loss function) साझा करते हैं:
1. स्ट्रिप संख्या के फलन के रूप में $\Delta E$ गेन ( $a_k$ ) के लिए एक उप-मॉडल।
2. स्ट्रिप संख्या के फलन के रूप में अवशिष्ट ऊर्जा ( $E_{res}$ ) गेन ( $b_l$ ) के लिए एक उप-मॉडल।
3. प्रत्येक टेलीस्कोप के लिए ऊर्ध्वाधर विस्थापन ( $\delta y$ ) और ध्रुवीय कोण शिफ्ट ( $\delta \theta$ ) के रूप में ज्यामितीय प्लेसमेंट सुधार के लिए एक उप-मॉडल।
लॉस फंक्शन और बाधाएं: लॉस फंक्शन सीधे भौतिक बाधाओं को एकीकृत करता है। यह दो प्रकार की घटनाओं को प्रोसेस करता है:
- प्रायोगिक घटनाएं (Experimental events): कुल ऊर्जा ( $E_{tot}$ ) और उत्सर्जन कोण ( $\theta_L$ ) के आधार पर $E^*$ की गणना करने के लिए पूर्ण किनेमैटिक पुनर्निर्माण से गुजरती हैं।
- अंशांकन घटनाएं (Calibration events): पूर्ण ऊर्जा स्केल को एंकर करने और ऑफसेट को ठीक करने के लिए प्री-एक्सपेरिमेंट थ्री-अल्फा अंशांकन डेटा का उपयोग करती हैं, जिससे गेन और कोणीय सुधारों के बीच होने वाले डिजनरेसी (degeneracy) को रोका जा सके।
डेटा उपयोगिता: यह विधि डिटेक्टर रिस्पॉन्स के स्पष्ट मॉडलिंग की आवश्यकता के बिना, विशेष रूप से प्रयोगात्मक डेटा और स्थापित भौतिक सिद्धांतों (दो-निकाय किनेमैटिक्स) पर निर्भर करती है। यह $^{238}\text{U}$ पर $^{12}\text{C}$ के लोचदार प्रकीर्णन से संबंधित PISTA (पार्टिकल-आइडेंटिफिकेशन सिलिकॉन-टेलीस्कोप एरे) के डेटा का उपयोग करती है।

प्रमुख योगदान

वैश्विक अंशांकन रणनीति: यह पेपर एक ऐसी रणनीति पेश करता है जो डिटेक्टर गेन और ज्यामितीय सुधारों को एक साथ निर्धारित करती है, जिससे सभी डिटेक्टर चैनलों में सामंजस्य और स्व-निरंतरता सुनिश्चित होती है।
स्केलेबिलिटी और स्वचालन: यह ढांचा पूर्णतः स्वचालित और कम्प्यूटेशनल रूप से कुशल है, जो लगभग दो मिनट के भीतर अभिसरण (convergence) प्राप्त कर लेता है, जो पारंपरिक चैनल-दर-चैनल अंशांकन के लिए आवश्यक हफ्तों या महीनों की तुलना में एक महत्वपूर्ण सुधार है।
डिजनरेसी को संभालना: अल्फा अंशांकन डेटा (जो ऊर्जा स्केल को एंकर करता है) को दो-निकाय किनेमैटिक्स बाधाओं (जो वैश्विक ऊर्जा-कोण सहसंबंध को लागू करता है) के साथ जोड़कर, यह विधि डिटेक्टर गेन और कोणीय सुधारों के बीच आंशिक डिजनरेसी को प्रभावी ढंग से दूर करती है।
मॉड्यूलर डिज़ाइन: एक साझा लॉस फंक्शन का उपयोग करने वाले स्वतंत्र उप-मॉडलों का उपयोग, प्रति टेलीस्कोप स्थिर ज्यामितीय सुधार बनाए रखते हुए स्वतंत्र रूप से गेन का निर्धारण करने की अनुमति देता है।

परिणाम
विधि को PISTA एरे (विशेष रूप से अज़ीमुथल कोण $\phi = 90^\circ, 135^\circ, 180^\circ$ पर टेलीस्कोप) के प्रयोगात्मक डेटा का उपयोग करके मान्य किया गया।

उत्तेजना ऊर्जा रिज़ॉल्यूशन: पुनर्निर्मित उत्तेजना ऊर्जा स्पेक्ट्रा सैद्धांतिक किनेमैटिक्स के साथ उत्कृष्ट सहमति दिखाते हैं। संयुक्त टेलीस्कोपों के लिए प्राप्त उत्तेजना ऊर्जा रिज़ॉल्यूशन का मानक विचलन $\sigma_{E^*} = 0.436(10)$ MeV था। व्यक्तिगत टेलीस्कोप रिज़ॉल्यूशन $0.350(10)$ MeV से $0.490(10)$ MeV के बीच थे, जो अनुमानित बीम प्रोफाइल की चौड़ाई को परिष्कृत करने के बाद मोंटे कार्लो सिमुलेशन के अनुरूप हैं।
पार्टिकल आइडेंटिफिकेशन (PID): अंशांकन ने उच्च-गुणवत्ता वाला पार्टिकल आइडेंटिफिकेशन सक्षम किया। ऊर्जा हानि (energy loss) और अवशिष्ट ऊर्जा के बीच द्वि-आयामी सहसंबंध विभिन्न परमाणु संख्याओं और द्रव्यमान संख्याओं के लिए अलग-अलग बैंड दिखाते हैं। एक-आयामी PID स्पेक्ट्रा ने सभी टेलीस्कोपों में सुसंगत आइसोटोप पृथक्करण प्रदर्शित किया, जिसका मानक विचलन $\sigma_{PID} = 0.03$ PID यूनिट है।
ज्यामितीय सुधार: प्राप्त प्लेसमेंट सुधार ( $\delta \theta \approx +3.2^\circ, \delta y \approx 0$ mm) स्वतंत्र मैकेनिकल सर्वे डेटा के अनुरूप थे, जो इस प्रक्रिया के अतिरिक्त सत्यापन प्रदान करते हैं।
पुनरुत्पादकता (Reproducibility): प्रशिक्षण प्रक्रिया उच्च स्थिरता प्रदर्शित करती है, जिसमें अंशांकन गुणांक डेटा सबसैंपलिंग के बावजूद, चैनलों के बीच केवल मामूली यादृच्छिक भिन्नता ( $\pm 2\%$ $\Delta E$ गेन के लिए, $\pm 0.5\%$ $E_{res}$ गेन के लिए) दिखाते हैं।

महत्व और दावे
यह पेपर दावा करता है कि यह ढांचा आधुनिक परमाणु भौतिकी में जटिल डिटेक्टर प्रणालियों के अंशांकन के लिए एक सामान्य, अनुकूलनीय और कुशल समाधान प्रदान करता है। डोमेन ज्ञान (भौतिकी बाधाओं) को सीधे अनुकूलन प्रक्रिया में शामिल करके, यह दृष्टिकोण विशुद्ध रूप से अनुभवजन्य मॉडलों की सीमाओं से बचता है और डेटा-संचालित विधियों की लचीलापन बनाए रखता है। लेखक का कहना है कि यह विधि विशेष रूप से बढ़ती सूक्ष्मता और जटिलता वाले अगली पीढ़ी के डिटेक्टर सिस्टम के लिए उपयुक्त है। यह कार्य प्रदर्शित करता है कि भौतिकी-सूचित मशीन लर्निंग सफलतापूर्वक जटिल अंशांकन समस्याओं को हल कर सकती है, जो पारंपरिक मैन्युअल प्रक्रियाओं के लिए एक मजबूत, पुनरुत्पादक और समय-कुशल विकल्प प्रदान करती है। लेखक नोट करते हैं कि यह ढांचा अन्य प्रयोगात्मक कॉन्फ़िगरेशनों के लिए अनुकूलनीय है और भविष्य के विकास में मल्टी-बॉडी रिएक्शन चैनल्स तक विस्तारित किया जा सकता है।

इसी तरह के और पेपर