An optimal observable for polarization measurements

लार्ज हैड्रोन कोलाइडर के भीतर होने वाली विशाल, उच्च-ऊर्जा टक्करों में, वेक्टर बोसॉन नामक कण प्रचुर मात्रा में उत्पन्न होते हैं। ये कमजोर परमाणु संपर्क (weak nuclear interaction) के बल वाहक हैं, जो वह मौलिक बल है जो रेडियोधर्मी क्षय के लिए जिम्मेदार है और वही तंत्र है जो अन्य कणों को द्रव्यमान प्रदान करता है। जब ये बोसॉन उत्पन्न होते हैं, तो वे केवल ऊर्जा के सामान्य बिंदुओं के रूप में प्रकट नहीं होते; उनमें अंतरिक्ष में एक विशिष्ट अभिविन्यास होता है, जिसे ध्रुवीकरण (polarization) कहा जाता है। ठीक वैसे ही जैसे एक घूमता हुआ लट्टू अलग-अलग तरीकों से डगमगा सकता है, ये कण विशिष्ट पैटर्न में कंपन कर सकते हैं: कुछ अगल-बगल की ओर दोलन करते हैं, जबकि अन्य अपनी यात्रा की दिशा में कंपन करते हैं। यह अनुदैर्ध्य कंपन (longitudinal vibration) विशेष रूप से महत्वपूर्ण है क्योंकि यह इस बात का सीधा परिणाम है कि ब्रह्मांड ने द्रव्यमान कैसे प्राप्त किया। इन कंपनों का अध्ययन करके, भौतिक विज्ञानी उन छिपे हुए प्राकृतिक नियमों को खोजने की आशा करते हैं जो यह समझा सकें कि आज ब्रह्मांड ऐसा क्यों दिखता है। हालाँकि, ये संकेत अत्यंत मंद होते हैं। टक्कर से निकलने वाले मलबे के अराजक प्रसार में, दुर्लभ और दिलचस्प कंपन अक्सर अधिक सामान्य, अगल-बगल के दोलनों के भारी शोर में दब जाते हैं, जिससे उन्हें वर्तमान विधियों के साथ पहचानना लगभग असंभव हो जाता है।

टेक्निकल यूनिवर्सिटी ऑफ ड्रेसडेन के शोधकर्ताओं की एक टीम ने इन मंद फुसफुसाहटों को सुनने का एक नया तरीका प्रस्तावित किया है। उनका तर्क है कि इन विभिन्न प्रकार के कंपनों को अलग करने के लिए उपयोग की जाने वाली मानक विधियाँ डेटा में छिपे नए भौतिकी के सूक्ष्म संकेतों को प्रकट करने के लिए पर्याप्त कुशल नहीं हैं। व्यापक श्रेणियों या अनुमानों पर निर्भर रहने के बजाय, टीम ने एक गणितीय उपकरण विकसित किया है जो प्रत्येक एकल टक्कर घटना के लिए एक आदर्श फिल्टर के रूप में कार्य करता है। यह उपकरण उभरते कणों के गुणों के आधार पर प्रत्येक घटना के लिए एक विशिष्ट मान की गणना करता है, जो प्रभावी रूप से पूछता है, "इस विशिष्ट घटना का कितना हिस्सा दुर्लभ, अनुदैर्ध्य कंपन के कारण है?" ऐसा करके, वे हर एक टक्कर के लिए एक मानचित्र बनाते हैं जो अधिकतम संभव सटीकता के साथ सिग्नल को शोर से अलग करता है। शोधकर्ताओं ने प्रदर्शित किया कि यह दृष्टिकोण उपलब्ध डेटा में मौजूद सभी सूचनाओं को समाहित करता है, जो इन ध्रुवीकरणों को मापने के लिए हम कभी भी कितनी अच्छी तरह से उम्मीद कर सकते हैं, इसकी एक मौलिक सीमा निर्धारित करता है।

उनकी खोज का मुख्य आधार यह विचार है कि किसी भी दी गई टक्कर के लिए, एक सटीक, गणना योग्य अंश होता है जो बताता है कि प्रत्येक प्रकार का कंपन अंतिम परिणाम में कितना योगदान देता है। सैद्धांतिक भौतिकी की आदर्श दुनिया में, जहाँ हम प्रत्येक कण के टकराने से पहले उनके सटीक पथ और गति को जानते हैं, यह अंश एक पूर्ण संख्या होती है। प्रयोगशाला की वास्तविक दुनिया में, हालाँकि, हम सब कुछ नहीं देख सकते। प्रारंभिक कण छिपे हुए हैं, और डिटेक्टर केवल मलबे के एक अंश को ही पकड़ पाते हैं। शोधकर्ताओं ने दिखाया कि इस लुप्त जानकारी के साथ भी, उस कंपन अंश का सबसे सटीक अनुमान लगाया जा सकता है। उन्होंने एक परिष्कृत कंप्यूटर प्रोग्राम, एक न्यूरल नेटवर्क को प्रशिक्षित करके यह हासिल किया, जो डिटेक्टर में जो हम देख सकते हैं और अंतर्निहित भौतिकी क्या निर्धारित करती है, उसके बीच के संबंध को सीखता है। नेटवर्क केवल दृश्य कणों के आधार पर प्रत्येक घटना के लिए कंपन अंश की भविष्यवाणी करना सीखता है, जो प्रभावी रूप से छिपी हुई जानकारी को उच्चतम संभव सटीकता के साथ पुनर्निर्मित करता है।

इस अवधारणा को सिद्ध करने के लिए, टीम ने Z बोसॉन के जोड़े के उत्पादन पर अपनी विधि लागू की, जो एक सुव्यवस्थित प्रक्रिया है और चार आवेशित कणों का एक स्पष्ट सिग्नल उत्पन्न करती है। उन्होंने लाखों टक्करों का अनुकरण किया और अपने नए तरीके के प्रदर्शन की तुलना पारंपरिक तकनीकों से की। परिणाम आश्चर्यजनक थे। यहाँ तक कि जब उन्होंने विश्लेषण को केवल चार दृश्य आवेशित कणों तक सीमित कर दिया और वास्तविक दुनिया की स्थितियों की नकल करने के लिए डेटा को बिनों (bins) में समूहबद्ध किया, तब भी उनके तरीके ने पूर्ण सैद्धांतिक डेटा में उपलब्ध अधिकांश संवेदनशीलता को बनाए रखा। विशेष रूप से, दोहरे-अनुदैर्ध्य (double-longitudinal) अवस्था को मापते समय, उनके अनबिन्ड (unbinned) न्यूरल नेटवर्क भविष्यवाणियों ने आदर्श परिदृश्य में उपलब्ध सूचना का लगभग 76 प्रतिशत हिस्सा बनाए रखा। जब उन्होंने डेटा को बिनों में समूहबद्ध करके और अधिक सरल बनाया, तब भी उन्होंने एक महत्वपूर्ण हिस्सा बरकरार रखा, जो मानक दृष्टिकोणों से कहीं बेहतर प्रदर्शन करता है। यह सुझाव देता है कि नया तरीका उस डेटा से भी सार्थक भौतिकी निकाल सकता है जिसे अन्यथा विश्लेषण के लिए बहुत शोर वाला माना जाता है।

इस दृष्टिकोण की वास्तविक शक्ति तब स्पष्ट होती है जब ज्ञात भौतिकी के नियमों से विचलन की तलाश की जाती है। शोधकर्ताओं ने अपने तरीके का परीक्षण एक सैद्धांतिक मॉडल के विरुद्ध किया जिसमें नए, अनदेखे बल शामिल थे। उन्होंने पाया कि उनका अवलोकन (observable) मानक भौतिकी और इन नए प्रभावों के बीच स्पष्ट अंतर कर सकता है। एक सिमुलेशन में, एक नए प्रकार के संपर्क ने कंपन स्पेक्ट्रम के एक विशिष्ट क्षेत्र में घटनाओं की एक विशिष्ट अधिकता (excess) पैदा की, एक ऐसा पैटर्न जिसे उनके तरीके ने उच्च स्पष्टता के साथ पहचाना। यह प्रदर्शित करता है कि यह उपकरण न केवल ज्ञात कणों को गिनने का एक बेहतर तरीका है, बल्कि एक संवेदनशील प्रोब भी है जो उन सूक्ष्म आकार परिवर्तनों का पता लगाने में सक्षम है जो नई भौतिकी डेटा पर अंकित करेगी। पुराने तरीकों के विपरीत जो शायद केवल यह पता लगा सकते हैं कि सिग्नल मजबूत या कमजोर हुआ है, यह तकनीक यह पता लगा सकती है कि क्या अंतर्निमत संपर्क की मौलिक प्रकृति बदल गई है।

शोधकर्ता इस बात पर जोर देते हैं कि यह विधि शक्तियों का एक अनूठा संयोजन प्रदान करती है। यह एक विशिष्ट ध्रुवीकरण माप की संवेदनशीलता प्रदान करती है जबकि एक मानक क्रॉस-सेक्शन माप की मॉडल-स्वतंत्रता को बनाए रखती है। इसका अर्थ है कि वैज्ञानिक किसी विशिष्ट सिद्धांत को पहले से माने बिना नई भौतिकी की खोज करने के लिए इसका उपयोग कर सकते हैं। यह विधि इस तथ्य पर आधारित है कि न्यूरल नेटवर्क ध्रुवीकरण अंशों के 'कंडीशनल एक्सपेक्टेशन्स' को सीखता है, जो डेटा को सारांशित करने का गणितीय रूप से सिद्ध सबसे कुशल तरीका है। इस सीखे गए ऑब्जर्वेबल का उपयोग करके, भौतिक विज्ञानी सांख्यिकीय विश्लेषण कर सकते हैं जो उनके डिटेक्टरों की सीमाओं को देखते हुए सैद्धांतिक रूप से जितना संभव हो सके उतना शक्तिशाली है। यह कार्य यह दावा नहीं करता है कि इसने नई भौतिकी की खोज कर ली है, बल्कि यह खोजने के लिए सबसे प्रभावी लेंस प्रदान करता है।

लार्ज हैड्रोन कोलाइडर में चल रहे अभियानों के संदर्भ में, यह विकास एक महत्वपूर्ण बाधा को संबोधित करता है। वर्तमान अनुमान बताते हैं कि यदि उन्नत विधियों के बिना, कुछ दुर्लभ ध्रुवीकरण अवस्थाओं का पता लगाना वर्षों तक डेटा संग्रह के बाद भी पहुंच से बाहर रह सकता है। नया दृष्टिकोण एक व्यावहारिक मार्ग प्रदान करता है, जो आधुनिक मशीन लर्निंग की पूर्ण शक्ति का उपयोग करके डेटा से हर बूंद जानकारी निकालने का मार्ग प्रशस्त करता है। Z बोसॉन युग्मों के साथ उनकी 'प्रूफ ऑफ कॉन्सेप्ट' से पता चलता है कि आदर्श सिद्धांत से वास्तविक दुनिया के डिटेक्टरों तक जाने से होने वाली संवेदनशीलता की हानि प्रबंधनीय है और इसे काफी हद तक पुनः प्राप्त किया जा सकता है। यह इलेक्ट्रोवीक सेक्टर के अधिक सटीक मापन का मार्ग प्रशत करता है, जिससे संभावित रूप से अगली पीढ़ी के प्रयोगों को सिमेट्री ब्रेकिंग (symmetry breaking) की प्रकृति और उन नए कणों के अस्तित्व को प्रकट करने की अनुमति मिल सकती है जो अब तक अदृश्य रहे हैं। यह कार्य इस बात का प्रमाण है कि यह समझकर कि हम अपने ऑब्जर्वेबल को कैसे परिभाषित करते हैं, हम अदृश्य को देखने की अपनी क्षमता को मौलिक रूप से सुधार सकते हैं।