Neutron Double-Differential Cross Sections for Spallation Reactions from an ANN Model
यह शोध पत्र स्पलेशन प्रतिक्रियाओं में न्यूट्रॉन डबल-डिफरेंशियल क्रॉस सेक्शन की भविष्यवाणी करने के लिए प्रयोगात्मक डेटा पर प्रशिक्षित एक सटीक, लचीले और सामान्यीकरण योग्य कृत्रिम तंत्रिका नेटवर्क मॉडल प्रस्तुत करता है, जो त्वरक-संचालित प्रणाली डिजाइन और विभिन्न परमाणु भौतिकी अनुप्रयोगों के लिए महत्वपूर्ण लाभ प्रदान 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
स्वच्छ और सुरक्षित परमाणु ऊर्जा की खोज में, वैज्ञानिक एक अवधारणा की ओर देख रहे हैं जिसे त्वरक-चालित प्रणाली (एक्सेलेरेटर-ड्रिवन सिस्टम) के रूप में जाना जाता है। एक ऐसी मशीन की कल्पना करें जो पारंपरिक बिजली संयंत्रों की तरह स्व-निरंतर श्रृंखला अभिक्रिया (सेल्फ-सस्टेनिंग चेन रिएक्शन) पर निर्भर नहीं करती है, बल्कि इसके बजाय एक भारी धातु के लक्ष्य (टारगेट) से टकराने के लिए कणों की एक शक्तिशाली बीम का उपयोग करती है। यह हिंसक टकराव, जिसे स्पलेशन (spallation) कहा जाता है, भारी परमाणुओं को तोड़ देता है और न्यूट्रॉन की एक बाढ़ छोड़ देता है। ये न्यूट्रॉन फिर एक माध्यमिक अभिक्रिया को संचालित करते हैं जो लंबे समय तक रहने वाले रेडियोधर्मी कचरे को जला सकती है और उन सामग्रियों से ऊर्जा उत्पन्न कर सकती है जो अन्यथा बेकार होतीं। ऐसी मशीन को डिजाइन करने के लिए, इंजीनियरों को यह जानने की आवश्यकता है कि कितने न्यूट्रॉन उत्पन्न होते हैं, वे कितनी तेजी से चलते हैं, और जब बीम लक्ष्य से टकराती है तो वे किस दिशा में उड़ते हैं। यह जानकारी सुरक्षा और दक्षता के लिए महत्वपूर्ण है, फिर भी इसकी भविष्यवाणी करना लंबे समय से एक कठिन चुनौती रही है क्योंकि उच्च गति के इन टकरावों का भौतिकी अविश्वसनीय रूप से जटिल है।
द दशकों से, शोधकर्ता भौतिकी के नियमों पर आधारित विस्तृत कंप्यूटर मॉडल का उपयोग करके इन घटनाओं का अनुकरण करने का प्रयास करते रहे हैं। ये मॉडल नाभिक के भीतर कणों के बीच होने वाली प्रत्येक अंतःक्रिया को ट्रैक करने का प्रयास करते हैं, लेकिन वे अक्सर वास्तविक दुनिया के मापों के साथ पूरी तरह से मेल खाने में संघर्ष करते हैं। कभी-कभी मॉडल बहुत अधिक न्यूट्रॉन की भविष्यवाणी करते हैं, तो कभी बहुत कम, और अंतर प्रयोगों की अनिश्चितताओं से भी अधिक हो सकते हैं। क्योंकि इन कणों का व्यवहार कई कारकों पर निर्भर करता है—जैसे आने वाली बीम की गति, टकराई जाने वाली धातु का प्रकार, और न्यूट्रॉन के निकलने का कोण—एक एकल, पूर्ण सूत्र बनाना एक मायावी कार्य सिद्ध हुआ है। जटिलता ऐसी है कि सबसे उन्नत भौतिकी सिमुलेशन भी डेटा में सूक्ष्म पैटर्न को मिस कर सकते हैं, जिससे इंजीनियरों के पास अगली पीढ़ी के परमाणु रिएक्टर बनाने के लिए सटीक संख्याएँ नहीं बचतीं।
इस समस्या को हल करने के लिए, चीनी विज्ञान अकादमी और लांजोउ विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक अलग दृष्टिकोण अपनाया है: उन्होंने डेटा को स्वयं बोलने दिया। भौतिकी को कठोर समीकरणों के एक सेट में जबरदस्ती फिट करने के बजाय, उन्होंने एक लचीला, डेटा-संचनित मॉडल बनाया जो एक कृत्रिम तंत्रिका नेटवर्क (आर्टिफिशियल न्यूरल नेटवर्क) का उपयोग करता है। यह एक प्रकार का कंप्यूटर प्रोग्राम है जो मानव मस्तिष्क के सीखने के तरीके से प्रेरित है, जो सूचना की विशाल मात्रा में छिपे हुए पैटर्न को खोजने में सक्षम है। शोधकर्ताओं ने अपने मॉडल में दुनिया भर की प्रयोगशालाओं के हजारों प्रायोगिक मापों को फीड किया, जिसमें विभिन्न प्रकार की लक्ष्य सामग्रियां और बीम ऊर्जाएं शामिल थीं। नेटवर्क को इन वास्तविक दुनिया के अवलोकनों, जिसमें मापों की स्वाभाविक अनिश्चितताएं भी शामिल थीं, पर प्रशिक्षित करके, उन्होंने एक ऐसा उपकरण बनाया जो उल्लेखनीय सटीकता के साथ न्यूट्रॉन के व्यवहार की भविष्यवाणी कर सकता है।
टीम ने पाया कि कंप्यूटर में फीड करने के लिए सही जानकारी के टुकड़ों का सावधानीपूर्वक चयन करके, वे हर एक टकराव का अनुकरण किए बिना आवश्यक भौतिकी को पकड़ सकते हैं। उन्होंने पाया कि मॉडल तब सबसे अच्छा काम करता है जब इसे न्यूट्रॉन की उड़ान के कोण, आने वाली बीम की ऊर्जा, और लक्ष्य नाभिक के आकार और संरचना के बारे में विशिष्ट विवरण दिए जाते हैं। आश्चर्यजनक रूप से, उन्होंने यह भी पाया कि कुछ अतिरिक्त विवरण जोड़ने से वास्तव में मॉडल कम सटीक हो गया, जबकि कुछ को छोड़ने का कोई प्रभाव नहीं पड़ा। अंतिम, सुव्यवस्थित मॉडल न्यूट्रॉन ऊर्जा स्पेक्ट्रा के जटिल आकारों को पुनरुत्पादित करना सीख गया, जिसमें वे तीक्ष्ण शिखर (पीक्स) भी शामिल हैं जो तब उत्पन्न होते हैं जब कण विशिष्ट तरीकों से एक-दूसरे से टकराते हैं। ये शिखर पारंपरिक भौतिकी कोड के लिए सही पाना कठिन है, लेकिन न्यूरल नेटवर्क ने उन्हें स्वाभाविक रूप से पकड़ लिया क्योंकि उसने उन्हें प्रायोगिक डेटा में देखा था।
इस नए मॉडल का सबसे महत्वपूर्ण परीक्षण उन स्थितियों के लिए परिणाम बताने की इसकी क्षमता थी जिन्हें इसने पहले कभी नहीं देखा था। शोधकर्ताओं ने इंडियम लक्ष्यों, 597, 1000 और 1500 MeV की बीम ऊर्जाओं, और 90 डिग्री के न्यूट्रॉन कोणों के विरुद्ध मॉडल का परीक्षण किया, जो प्रशिक्षण सेट में शामिल नहीं थे। इन मामलों में, मॉडल की भविष्यवाणियां वास्तविक प्रायोगिक डेटा के साथ निकटता से मेल खाती हैं, जो इसकी मजबूत सामान्यीकरण क्षमताओं को प्रदर्शित करती हैं। हालांकि, शोधकर्ताओं ने इसकी शक्ति की एक सीमा भी नोट की: जब उन्होंने 3000 MeV की बहुत उच्च बीम ऊर्जा के लिए विस्तार (एक्सट्रपलेशन) करने का प्रयास किया, तो मॉडल की भविष्यवाणियां डेटा के साथ अच्छी तरह से सहमत नहीं हुईं, विशेष रूप से कम न्यूट्रॉन ऊर्जाओं और उच्च-ऊर्जा टेल (tail) में। मॉडल की उपयोगिता को और अधिक तलाशने के लिए, शोधकर्ताओं ने तांबे (कॉपर) के लक्ष्य के लिए विस्तृत भविष्यवाणियां उत्पन्न कीं, जो प्रशिक्षण या परीक्षण चरणों में उपयोग की गई सामग्री नहीं थी। ये कॉपर परिणाम भविष्य के सत्यापन के लिए एक संसाधन के रूप में प्रस्तुत किए गए हैं, न कि मौजूदा मापों के विरुद्ध एक पुष्ट तुलना के रूप में।
शोधकर्ताओं ने यह भी पता लगाया कि मॉडल को वास्तविक प्रायोगिक डेटा में निहित शोर (नॉइज़) और खामियों को संभालने के लिए पर्याप्त मजबूत कैसे बनाया जाए। उन्होंने पाया कि डेटा को सुचारू (स्मूथ) करने या मॉडल को अत्यधिक सरल बनाने का प्रयास करने से वास्तव में इसके प्रदर्शन को नुकसान पहुँचा, जिससे यह न्यूट्रॉन ऊर्जा वितरण के महत्वपूर्ण शिखरों और घाटियों को पकड़ने में विफल रहा। इसके बजाय, मॉडल को डेटा के कई थोड़े अलग संस्करणों पर प्रशिक्षित करके जिनमें प्राकृतिक प्रायोगिक त्रुटियां शामिल थीं, नेटवर्क ने शोर को अनदेखा करना और वास्तविक संकेत को बनाए रखना सीख लिया। इस दृष्टिकोण ने मॉडल को लचीला और सटीक रहने में मदद की बिना किसी भौतिक माप में होने वाले छोटे उतार-चढ़ाव से भ्रमित हुए।
यह कार्य जटिल परमाणु समस्याओं के प्रति हमारे दृष्टिकोण में एक बदलाव का प्रतिनिधित्व करता है। केवल सैद्धांतिक सिमुलेशन पर निर्भर रहने के बजाय जो सूक्ष्म विवरणों को मिस कर सकते हैं, टीम ने प्रदर्शित किया कि एक डेटा-संचालित दृष्टिकोण सीधे प्रकृति से अंतर्निहित पैटर्न सीख सकता है। परिणामी मॉडल केवल एक सैद्धांतिक अभ्यास नहीं है; यह एक व्यावहारिक उपकरण है जिसका उपयोग त्वरक-चालित प्रणालियों के डिजाइन को बेहतर बनाने के लिए किया जा सकता है, जिन्हें परमाणु कचरे के प्रबंधन और ऊर्जा उत्पन्न करने के लिए एक आशाजनक मार्ग के रूप में देखा जाता है। स्पलेशन के दौरान न्यूट्रॉन कैसे व्यवहार करते हैं, इसका उच्च-परिशुद्धता मानचित्र प्रदान करके, यह नया मॉडल इंजीनियरों को सुरक्षित और अधिक कुशल रिएक्टर बनाने में मदद करता है। इस पद्धति की सफलता यह सुझाव देती है कि इसी तरह की डेटा-संचालित तकनीकों को परमाणु भौतिकी के अन्य क्षेत्रों में भी लागू किया जा सकता है, जो संभावित रूप से एक नए युग की ओर ले जा सकती है जहाँ मशीन लर्निंग और प्रायोगिक डेटा ऊर्जा विज्ञान की सबसे चुनौतीपूर्ण समस्याओं को हल करने के लिए मिलकर काम करते हैं।
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।