Infrared Subtraction with Artificial Intelligence

आधुनिक भौतिकी के केंद्र में, शोधकर्ता अविश्वसनीय गति से कणों को आपस में टकराकर ब्रह्मांड के मूलभूत निर्माण खंडों का अध्ययन करते हैं। जब ये टकराव होते हैं, तो वे केवल कुछ सरल अंश ही उत्पन्न नहीं करते; वे अक्सर नए कणों की एक बौछार भी पैदा करते हैं जो हर दिशा में उड़ जाते हैं। इन घटनाओं को नियंत्रित करने वाले नियमों को समझने के लिए, वैज्ञानिकों को अत्यधिक सटीकता के साथ हर संभावित परिणाम की संभावना की गणना करनी होती है। हालाँकि, इन गणनाओं में एक बड़ी बाधा मौजूद है: जब कोई कण ऊर्जा का एक ऐसा विस्फोट उत्सर्जित करता है जो देखने के लिए बहुत मंद है या जब दो कण लगभग एक ही दिशा में चलते हैं, तो इन घटनाओं का वर्णन करने वाले गणितीय सूत्र टूट जाते हैं और अनंत, निरर्थक संख्याएँ उत्पन्न करते हैं। इन्हें इन्फ्रारेड सिंगुलैरिटीज़ (infrared singularities) के रूपé नाम से जाना जाता है। जबकि भौतिकी के नियम गारंटी देते कि ये अनंतताएँ अंतिम परिणाम में एक-दूसरे को रद्द कर देंगी, किसी विशिष्ट प्रयोग के लिए सार्थक डेटा से उन्हें अलग करके एक सटीक संख्या प्राप्त करना दशकों से सैद्धांतिक भौतिकविदों के लिए एक संघर्ष रहा है।

बीजिंग नॉर्मल यूनिवर्सिटी और चाइनीज एकेडमी ऑफ साइंसेज के शोधकर्ताओं की एक टीम ने अब एक नए दृष्टिकोण का उपयोग करके इस समस्या को हल किया है जो मानवीय भौतिक अंतर्दृष्टि को आर्टिफिशियल इंटेलिजेंस की रचनात्मक समस्या-समाधान क्षमताओं के साथ जोड़ता है। उन्होंने इन कष्टप्रद अनंतताओं को अलग करने और हटाने के लिए एक विधि विकसित की है जो वर्षों से उपयोग किए जा रहे पारंपरिक, कठोर गणितीय शॉर्टकट पर निर्भर नहीं है। गणना को पहले से मौजूद सांचे में ढालने के बजाय, उन्होंने एक लार्ज लैंग्वेज मॉडल का उपयोग किया—जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जिसे विशाल मात्रा में टेक्स्ट और कोड पर प्रशिक्षित किया गया है—कणों के अराजक छिड़काव को उनके सरल शुरुआती बिंदु पर वापस मैप करने के नए तरीके डिजाइन करने के लिए। शोधकर्ताओं ने पाया कि इन मैप्स को तैयार करने के लिए AI का उपयोग करने और फिर कण व्यवहार के स्थापित सिद्धांतों के विरुद्ध उन्हें सत्यापित करने से, वे उच्च सटीकता के साथ जटिल कण टकराव डेटा का पुनर्निर्माण कर सके। यह कार्य प्रदर्शित करता है कि आर्टिफिशियल इंटेलिजेंस न केवल गणनाओं की गति बढ़ा सकता है, बल्कि उच्च-ऊर्जा भौतिकी की सबसे कठिन समस्याओं को हल करने के लिए आवश्यक गणितीय उपकरणों का निर्माण करने में भी मदद कर सकता है।

मुख्य चुनौती जिसका टीम ने समाधान किया है, वह यह है कि कण टकराव के "शोर" (noise) को कैसे संभाला जाए। जब कण टकराते हैं, तो वे विकिरण उत्सर्जित करते हैं, ठीक वैसे ही जैसे एक कार का इंजन धुआं छोड़ता है। क्वांटम दुनिया में, यह धुआं इतना मंद हो सकता है कि इसे बैकग्राउंड से अलग पहचानना असंभव हो, या अन्य कणों के साथ इतना संरेखित हो सकता है कि वे एक ही धारा के रूप la दिखाई दें। मानक गणनाएं इन धुंधली सीमाओं के साथ संघर्ष करती हैं। वर्षों से, भौतिकविदों ने "स्लाइसिंग" (slicing) नामक एक तकनीक का उपयोग किया है, जिसमें स्पष्ट, मापने योग्य घटनाओं को धुंधली, समस्याग्रस्त घटनाओं से अलग करने के लिए डेटा में एक मनमाना रेखा खींचना शामिल है। हालांकि यह काम करता है, लेकिन यह अपने स्वयं के त्रुटियाँ पेश करता है और सटीक होने के लिए रेखा को पर्याप्त पतला बनाने के लिए भारी कंप्यूटिंग शक्ति की आवश्यकता होती है। शोधकर्ता एक बेहतर तरीका चाहते थे: एक ऐसी विधि जो बिना कोई मनमाना रेखा खींचे, एक साथ कण उत्सर्जन की पूरी सीमा को संभाल सके, और साथ ही गणितीय अनंतताओं को भी रद्द कर सके।

इसे प्राप्त करने के लिए, टीम ने गणना को दो भागों में विभाजित करने वाला एक ढांचा बनाया। पहला भाग उस विकिरण से निपटता है जो वास्तव में उत्सर्जित होता है, और दूसरा भाग "कॉन्टैक्ट" (contact) टर्म से निपटता है, जो अपने सरलतम स्तर पर टकराव के परिमित, स्वच्छ योगदान का प्रतिनिधित्व करता है। मुख्य नवाचार एक आर्टिफिशियल इंटेलिजेंस एजेंट का उपयोग करना था जो जटिल, बहु-कण अंतिम अवस्था को सरल, दो-कण प्रारंभिक अवस्था पर प्रोजेक्ट करने के नियमों को डिजाइन करे। उनके प्रयोग के एक संस्करण में, AI ने एक न्यूरल नेटवर्क का उपयोग किया—जो मानव मस्तिष्क की नकल करने वाला एक प्रकार का कंप्यूटर प्रोग्राम है—यह सीखने के लिए कि अराजक कण छिड़काव को एक स्वच्छ शुरुआती बिंदु पर कैसे मैप किया जाए। दूसरे संस्करण में, AI ने समान कार्य करने के लिए एक सख्त, चरण-दर-चरण गणितीय रेसिपी तैयार की। दोनों मामलों में, मानव शोधकर्ताओं ने भौतिक नियमों और बाधाओं को प्रदान किया, AI को यह बताया कि क्या संभव है और क्या वर्जित है, जबकि AI ने वहां तक पहुँचने के विशिष्ट चरणों को खोजा।

टीम ने अपने नए तरीके का परीक्षण इलेक्ट्रॉन-पॉज़िट्रॉन टकरावों का अनुकरण करके किया, जो कण भौतिकी में एक मानक प्रक्रिया है जहाँ एक इलेक्ट्रॉन और उसका प्रति-पदार्थ समकक्ष कणों के जेट बनाने के लिए विलीन हो जाते हैं। उन्होंने उन परिदृश्यों पर ध्यान केंद्रित किया जहाँ तीन या चार कणों के जेट उत्पन्न होते हैं, जो सरल दो-जेट मामलों की तुलना में काफी अधिक जटिल हैं। परिणाम आश्चर्यजनक थे। AI-डिजाइन किए गए तरीकों ने इन टकरावों के लिए पूर्ण सैद्धांतिक भविष्यवाणियों का सफलतापूर्वक पुनर्निर्माण किया, जो उच्च सटीकता के साथ मौजूदा सबसे परिष्कृत सिमुलेशन उपकरणों के परिणामों से मेल खाते हैं। शोधकर्ताओं ने पाया कि AI आवश्यक "कॉन्टैक्ट" टर्म्स को—अनंतताओं को रद्द करने के लिए आवश्यक गणितीय सुधारों को—या तो ज्ञात सैद्धांतिक पैटर्न के अनुसार डेटा को फिट करके या एक नए, स्थानीय सूत्र का उपयोग करके सीधे गणना करके निर्धारित कर सकता है, जिसके लिए मनमाने स्लाइसिंग लाइन की आवश्यकता नहीं थी। इस प्रत्यक्ष गणना ने उन्हें मौजूदा निम्न-क्रम की गणनाओं का पुन: उपयोग करने और अंतिम उत्तर प्राप्त करने के लिए उन्नत सैद्धांतिक भविष्यवाणियों के साथ संयोजन करने की अनुमति दी।

शायद सबसे आश्चर्यजनक बात यह है कि टीम ने बहुत ही मामूली कंप्यूटिंग संसाधनों का उपयोग करके ये परिणाम प्राप्त किए। संपूर्ण संख्यात्मक गणना और न्यूरल नेटवर्क का प्रशिक्षण 2020 के एप्पल मैकबुक, एक मानक लैपटॉप के सेंट्रल प्रोसेसिंग यूनिट पर किया गया था, जिसमें बिना किसी विशेष ग्राफिक्स कार्ड या सुपरकंप्यूटर के। यह सुझाव देता है कि नई विधि न केवल सटीक है, बल्कि इतनी कुशल भी है कि इसे स्थानीय मशीनों पर चलाया जा सके, जो उच्च-परिशुद्धता गणनाओं तक पहुंच को लोकतांत्रिक बना सकती है। शोधकर्ताओं ने अपने कार्य को और भी जटिल परिदृश्यों तक विस्तारित किया, जिसमें उच्च स्तर की सटीकता पर एक दो-जेट टकराव शामिल है, जहाँ उन्होंने परिणामों में सांख्यिकीय शोर को कम करने के लिए मशीन लर्निंग का उपयोग किया। डेटा में पैटर्न को पहचानने और उन्हें घटाने के लिए AI को प्रशिक्षित करके, उन्होंने गणना को स्थिर किया, जिससे अंतिम संख्याएं अधिक विश्वसनीय हो गईं।

इस कार्य के निहितार्थ केवल किसी विशिष्ट प्रयोग के लिए बेहतर संख्या प्राप्त करने से कहीं अधिक हैं। यह इस बात का प्रतिनिधित्व करता है कि सैद्धांतिक भौतिकी कैसे की जाती है, इसमें एक बदलाव आया है। दशकों तक, अनंतताओं को रद्द करने के लिए आवश्यक गणितीय उपकरणों का निर्माण करने के लिए अत्यधिक मानवीय प्रयास और गहरी विश्लेषणात्मक अंतर्दृष्टि की आवश्यकता होती थी, जिसे अक्सर एक नए प्रकार के टकराव के लिए विकसित करने में वर्षों लग जाते थे। यह अध्ययन दिखाता है कि आर्टिफिशियल इंटेलिजेंस इन उपकरणों के निर्माण की रचनात्मक प्रक्रिया में सहायता कर सकता है। AI ने केवल संख्याओं को नहीं जोड़ा; इसने घटाव पद्धति (subtraction method) की संरचना ही तैयार की, कणों को मैप करने और सुधारों की गणना करने के नए तरीके प्रस्तावित किए जिन्हें मानव शोधकर्ताओं ने शायद विचार भी न किया हो। शोधकर्ताओं ने सत्यापित किया कि उनके AI-जनित मैप्स ने ऊर्जा और संवेग के संरक्षण जैसे सभी आवश्यक भौतिक नियमों का सम्मान किया, और उन्होंने उन जटिल सीमाओं को भी सही ढंग से संभाला जहाँ कण अविभाज्य हो जाते हैं।

हालाँकि यह अध्ययन एक 'प्रूफ ऑफ कॉन्सेप्ट' है, यह एक स्पष्ट मार्ग खोलता है। शोधकर्ताओं ने प्रदर्शित किया कि उनका दृष्टिकोण मानक स्तर की सटीकता पर तीन और चार जेट के लिए और उच्च स्तर की सटीकता पर दो जेट के लिए काम करता है। उन्होंने यह भी रूपरेखा तैयार की कि इस पद्धति को उच्च सटीकता स्तर पर तीन जेट वाले और भी अधिक जटिल टकरावों में कैसे विस्तारित किया जा सकता है, जो भविष्य के कार्य के लिए आवश्यक गणितीय मैप और सूत्र प्रदान करता है। इस पद्धति की सफलता मानव अंतर्दृष्टि और मशीन लर्निंग के बीच एक साझेदारी पर निर्भर करती है। मनुष्य भौतिक सीमाओं और लक्ष्यों को परिभाषित करते हैं, यह सुनिश्चित करते हुए कि AI प्रकृति के नियमों के भीतर रहे, जबकि AI सबसे कुशल पथ खोजने के लिए संभावित गणितीय समाधानों के विशाल स्थान की खोज करता है। यह सहयोग मौजूदा गणनाओं के पुन: उपयोग और उन्नत सैद्धांतिक भविष्यवाणियों के एकीकरण की अनुमति देता है, जिससे भविष्य की खोजों के लिए एक अधिक मजबूत और लचीला ढांचा तैयार होता है।

निष्कर्ष बताते हैं कि भविष्य की परिशुद्धता भौतिकी (precision physics) में एक नए प्रकार के वर्कफ़्लो की आवश्यकता हो सकती है जहाँ आर्टिफिशियल इंटेलिजेंस सैद्धांतिक उपकरणों के निर्माण में एक 'को-पायलट' के रूप में कार्य करता है। घटाव सूत्रों (subtraction formulas) के डिजाइन को स्वचालित करके और जटिल डेटा के संख्यात्मक एकीकरण में सुधार करके, AI भौतिकविदों को गणना योग्य सीमाओं को आगे बढ़ाने में मदद कर सकता है। इन परिष्कृत गणनाओं को एक लैपटॉप पर चलाने की क्षमता यह संकेत देती है कि उच्च-परिशुद्धता कार्य के लिए प्रवेश की बाधा को कम किया जा सकता है, जिससे अधिक शोधकर्ता कठिन समस्याओं से निपटने में सक्षम होंगे। जैसे-जैसे क्षेत्र उच्च स्तर की सटीकता की ओर बढ़ता है, जहाँ गणनाएँ तेजी से कठिन होती जाती हैं, इन घटाव पद्धतियों को स्वचालित रूप से निर्मित करने की क्षमता अनिवार्य हो सकती है। शोधकर्ताओं ने दिखाया है कि सही मार्गदर्शन के साथ, आर्टिफिशियल इंटेलिजेंस न केवल समीकरणों को हल कर सकता है, बल्कि उन विधियों को आविष्कार करने में भी मदद कर सकता है जिनकी उन्हें हल करने की आवश्यकता है, जिससे दशकों पुराने अवरोध को खोज की यात्रा में एक प्रबंधनीय कदम में बदला जा सके।