Parnassus for the CLD Detector: A Generative Machine-Learning Surrogate for Detector Simulation and Reconstruction at the FCC-ee

कण भौतिकी का भविष्य कल्पना और गणना के बीच एक नाजुक संतुलन पर निर्भर करता है। भविष्य के गोलाकार कोलाइडर (फ्यूचर सर्कुलर कोलाइडर) जैसे अगली पीढ़ी के कण कोलाइडरों में काम करने वाले वैज्ञानिक, ब्रह्मांड के मूलभूत निर्माण खंडों का अध्ययन करने के लिए अभूतपूर्व सटीकता के साथ इलेक्ट्रॉनों और पॉज़िट्रॉन को आपस में टकराने की योजना बना रहे हैं। इन टक्करों में क्या होता है, इसे समझने के लिए शोधकर्ता विशाल कंप्यूटर सिमुलेशन पर भरोसा करते हैं जो एक आभासी प्रयोगशाला के रूप में कार्य करते हैं। इन सिमुलेशन को यह ट्रैक करना चाहिए कि कण एक डिटेक्टर के साथ कैसे परस्पर क्रिया करते हैं, जो सेंसर, चुंबक और सामग्री की परतों से भरी एक जटिल मशीन है। समस्या यह है कि इन सिमुलेशन को चलाना अविश्वसनीय रूप से धीमा और गणनात्मक रूप से महंगा है। एक एकल टक्कर की घटना को भौतिकी और इंजीनियरिंग मॉडल की पूरी श्रृंखला के माध्यम से संसाधित करने में मिनटों या घंटों तक का समय लग सकता है। जब वैज्ञानिकों को दुर्लभ घटनाओं को खोजने के लिए अरबों घटनाओं का अध्ययन करने की आवश्यकता होती है, तो यह गति एक बाधा बन जाती है, जिससे डिटेक्टरों को डिजाइन करना या प्रयोगों की योजना बनाना कठिन हो जाता है।

इसे हल करने के लिए, शोधकर्ताओं ने एक नए प्रकार के आर्टिफिशियल इंटेलिजेंस की ओर रुख किया है जो इन जटिल मशीनों के व्यवहार की नकल करना सीखता है। हर एक परस्पर क्रिया की गणना शून्य से करने के बजाय, ये सिस्टम मौजूदा सिमुलेशन डेटा पर मौजूद होते हैं ताकि परिणाम का सीधे अनुमान लगाया जा सके। यह दृष्टिकोण, जिसे 'सरोगेट मॉडल' (surrogate model) कहा जाता है, एक अत्यधिक कुशल शॉर्टकट की तरह कार्य करता है। यह भौतिकी के नियमों को प्रतिस्थापित नहीं करता है बल्कि यह सीखता है कि एक वास्तविक डिटेक्टर कणों के एक विशिष्ट सेट के प्रति कैसे प्रतिक्रिया देगा। ऐसा करके, यह बहुत कम समय में परिणाम उत्पन्न कर सकता है, जिससे वैज्ञानिक पहले की तुलना में बहुत तेज़ी से विचारों का परीक्षण कर सकते हैं और प्रयोगों को डिजाइन कर सकते हैं। हालाँकि, चुनौती यह सुनिश्चित करने की है कि यह शॉर्टकट इतना सटीक हो कि इस पर भरोसा किया जा सके। यदि शॉर्टकट सूक्ष्म विवरणों को छोड़ देता है, तो यह पदार्थ की प्रकृति के बारे में गलत निष्कर्षों की ओर ले जा सकता है।

भौतिकविदों की एक टीम ने अब CLD नामक एक विशिष्ट डिटेक्टर डिजाइन के लिए तैयार किए गए इस नए प्रकार के शक्तिशाली शॉर्टकट का प्रदर्शन किया है, जिसे फ्यूचर सर्कुलर कोलाइडर के लिए विकसित किया जा रहा है। उन्होंने 'पार्नासस' (Parnassus) नामक एक प्रणाली बनाई है, जो एक पूर्ण, उच्च-निष्ठा (high-fidelity) वाले सिमुलेशन के आउटपुट को पुन: उत्पन्न करने के लिए एक प्रकार के जनरेटिव मशीन लर्निंग का उपयोग करती है। अपने कार्य में, उन्होंने एक सामान्य प्रकार की टक्कर पर ध्यान केंद्रित किया जहाँ एक इलेक्ट्रॉन और एक पॉज़िट्रॉन विलीन होकर एक Z बोसोन बनाते हैं, जो फिर क्वार्क्स के जोड़े में टूट जाता है। ये क्वार्क्स कणों के छिड़काव जिन्हें 'जेट्स' कहा जाता है, में बदल जाते हैं। शोधकर्ताओं ने लाखों सिम्युलेटेड घटनाओं पर अपने मॉडल को प्रशिक्षित किया जहाँ कणों को CLD डिटेक्टर के विस्तृत डिजिटल संस्करण और एक परिष्कृत रिकंस्ट्रक्शन एल्गोरिदम के माध्यम से गुजारा गया था जो सेंसर संकेतों को पहचान योग्य कणों में समूहित करता है। लक्ष्य यह देखना था कि क्या AI अंतिम कणों की सूची, उनकी ऊर्जा और उनके पथों को पारंपरिक धीमी विधि के समान सटीकता के साथ पुन: उत्पन्न कर सकता है।

परिणाम बताते हैं कि पार्नासस मॉडल उल्लेखनीय रूप से सफल रहा है। जब शोधकर्ताओं ने AI-जनित घटनाओं की तुलना स्वर्ण-मानक (gold-standard) सिमुलेशन से की, तो वे व्यापक माप सीमा में लगभग पूरी तरह से मेल खाती थीं। मॉडल ने व्यक्तिगत कणों की ऊर्जा और संवेग, उत्पादित कणों के प्रकार और अंतरिक्ष में उनके वितरण के जटिल पैटर्न को सही ढंग से पुन: उत्पन्न किया। महत्वपूर्ण रूप से, इसने यह भी पकड़ा कि कण डिटेक्टर के माध्यम से कैसे यात्रा करते हैं, जिसमें उनके पथों में होने वाले सूक्ष्म विचलन शामिल हैं जो अल्पकालिक भारी कणों से उत्पन्न होते हैं। विवरण का यह स्तर विशिष्ट प्रकार के पदार्थ, जैसे कि बॉटम क्वार्क्स (bottom quarks) की पहचान करने के लिए आवश्यक है, जो कई भौतिकी अध्ययनों के लिए प्रमुख हैं। मॉडल ने उन कण प्रकारों पर भी अच्छा प्रदर्शन किया जिन्हें प्रशिक्षण के दौरान नहीं देखा गया था, जो यह सुझाव देता है कि इसने केवल डेटा को याद करने के बजाय अंतर्निहित भौतिकी को सीखा है।

इसके विपरीत, टीम ने अपने नए मॉडल की तुलना 'डेल्फ्स' (Delphes) नामक एक व्यापक रूप से उपयोग किए जाने वाले, तेज़ सिमुलेशन टूल से की, जो सरलीकृत, हाथ से ट्यून किए गए सूत्रों पर निर्भर करता है। जबकि डेल्फ्स तेज़ है, अध्ययन में पाया गया कि यह उन कई जटिल सहसंबंधों और वितरणों को पकड़ने में विफल रहा जिन्हें पूर्ण सिमुलेशन और नया AI मॉडल सही ढंग से पकड़ पाए। उदाहरण के लिए, डेल्फ्स कण ऊर्जा वितरण के सही आकार और जेट की विस्तृत संरचना को पुन: उत्पन्न करने में संघर्ष करता है। हालाँकि, नया AI मॉडल उच्च स्तर की निष्ठा बनाए रखता है, जो पूर्ण सिमुलेशन के इतने करीब है कि अंतर अक्सर वास्तविक डेटा में अपेक्षित सांख्यिकीय शोर (statistical noise) से भी छोटा होता है। यह इंगित करता है कि AI ने प्रारंभिक टक्कर और अंतिम डिटेक्टर प्रतिक्रिया के बीच जटिल संबंध को सीख लिया है, जिसमें वे अव्यवस्थित, गैर-रेखीय प्रभाव भी शामिल हैं जिन्हें सरल सूत्र अक्सर छोड़ देते हैं।

केवल डेटा से मेल खाने के अलावा, शोधकर्ताओं ने परीक्षण किया कि क्या AI-जनित घटनाओं का उपयोग वास्तविक भौतिकी विश्लेषण के लिए किया जा सकता है। उन्होंने मूल क्वार्क्स के 'फ्लेवर' (flavor) की पहचान करने के लिए एक अलग मशीन लर्निंग टूल को प्रशिक्षित किया, जो AI द्वारा उत्पादित कणों पर आधारित था। यह टूल AI-जनित डेटा पर उतना ही अच्छा प्रदर्शन करता है जितना कि यह पूर्ण सिमुलेशन डेटा पर करता है। यह एक महत्वपूर्ण निष्कर्ष है क्योंकि यह सिद्ध करता है कि शॉर्टकट न केवल असली जैसा दिखता है; बल्कि यह उन जटिल कार्यों के लिए भी असली जैसा व्यवहार करता है जिनकी भौतिकविदों को वास्तव में आवश्यकता होती है। मॉडल ने विभिन्न प्रकार के क्वार्क्स के बीच अंतर करने की क्षमता को सफलतापूर्वक संरक्षित किया, जो एक ऐसा कार्य है जिसके लिए कणों के पथ और ऊर्जा के सटीक ज्ञान की आवश्यकता होती है।

इस नई पद्धति की गति आश्चर्यजनक है। जबकि पूर्ण सिमुलेशन और रिकंस्ट्रक्शन श्रृंखला को एक एकल घटना को संसाधित करने में काफी समय लगता है, पार्नासस मॉडल एक मानक ग्राफिक्स कार्ड पर लगभग 1.2 मिलीसेकंड में एक पूर्ण घटना उत्पन्न कर सकता है। यह पारंपरिक विधि से एक हजार गुना से भी अधिक तेज़ है। यहाँ तक कि एक मानक कंप्यूटर प्रोसेसर पर भी, यह सैकड़ों गुना तेज़ चलता है। गति का यह विशाल लाभ यह सुनिश्चित करता है कि वैज्ञानिक अब उचित समय सीमा में व्यवहार्यता अध्ययन और डिटेक्टर डिजाइन के लिए आवश्यक डेटा की विशाल मात्रा उत्पन्न कर सकते हैं। यह कई अधिक डिटेक्टर कॉन्फ़िगरेशन और भौतिक परिदृश्यों को खोजने का द्वार खोलता है जो पहले संभव नहीं था।

शोधकर्ताओं ने यह भी दिखाया कि उनका ढांचा लचीला है। चूंकि मॉडल प्रारंभिक कणों और अंतिम डिटेक्टर आउटपुट के बीच के संबंध को सीखता है, इसलिए इसे बिना शून्य से बनाए पुन: निर्मित किए बिना विभिन्न रिकंस्ट्रक्शन एल्गोरिदम के अनुकूल बनाया जा सकता है। उन्होंने यह प्रदर्शित किया कि कैसे इसी दृष्टिकोण को एक नए, मशीन-लर्निंग-आधारित रिकंस्ट्रक्शन मेथड 'हिटपीएफ' (HitPF) तक विस्तारित किया जा सकता है। यह अनुकूलन क्षमता यह सुझाव देती है कि यह तकनीक भविष्य के कोलाइडर प्रोजेक्टों के लिए एक मानक उपकरण बन सकती है, जो सैद्धांतिक भविष्यवाणियों और प्रयोगात्मक वास्तविकता के बीच के अंतर को पाटने में मदद करती है।

अध्ययन पुष्टि करता है कि जनरेटिव मशीन लर्निंग, डिटेक्टर सिमुलेशन के लिए एक विश्वसनीय और कुशल सरोगट के रूप में कार्य कर सकती है। उच्च-गुणवत्ता वाले डेटा पर प्रशिक्षण देकर, मॉडल उच्च सटीकता के साथ एक डिटेक्टर की जटिल प्रतिक्रिया को दोहराना सीखता है, जो मौजूदा तेज़-सिमुलेशन उपकरणों से बेहतर प्रदर्शन करता है और साथ ही कई गुना तेज़ भी है। यह उपलब्धि भविष्य के कण कोलाइडरों के डिजाइन और अध्ययन के लिए एक प्रमुख कम्प्यूटेशनल बाधा को हटा देती है। यह भौतिकविदों को विज्ञान पर ध्यान केंद्रित करने की अनुमति देता है बजाय प्रतीक्षा समय के, यह सुनिश्चित करता है कि जब अगली पीढ़ी के कोलाइडर ऑनलाइन आते हैं, तो उन्हें समझने के उपकरण तैयार हों। यह कार्य उच्च-ऊर्जा भौतिकी की व्यावहारिक चुनौतियों को हल करने के लिए आर्टिफिशियल इंटेलिजेंस का उपयोग करने की दिशा में एक महत्वपूर्ण कदम है, जो यह सिद्ध करता है कि ब्रह्मांड को समझने की खोज में गति और सटीकता सह-अस्तित्व में रह सकते हैं।