Application of sequence learning for predicting radiation damage of the CMS electromagnetic calorimeter

आधुनिक भौतिकी के केंद्र में ब्रह्मांड के मौलिक निर्माण खंडों को समझने की खोज निहित है। ऐसा करने के लिए, वैज्ञानिक कणों को अविश्वसनीय गति से आपस में टकराते हैं, जिससे ऐसी स्थितियाँ पैदा होती हैं जो ब्रह्मांड के जन्म के ठीक बाद मौजूद थीं। इस उद्देश्य के लिए बनाई गई सबसे शक्तिशाली मशीनों में से एक लार्ज हैड्रॉन कोलाइडर (Large Hadron Collider) है, जो फ्रांस और स्विट्जरलैंड की सीमा के नीचे दबी एक विशाल वलय (ring) है। इस मशीन के भीतर, कॉम्पैक्ट म्यूऑन सोलेनॉइड (Compact Muon Solenoid) प्रयोग एक विशाल, अत्यंत संवेदनशील कैमरे के रूप में कार्य करता है, जो इन उच्च-गति वाले टकरावों से उत्पन्न मलबे की तस्वीरें खींचता है। इस कैमरे का एक महत्वपूर्ण हिस्सा हजारों भारी, स्पष्ट क्रिस्टल से बना एक डिटेक्टर है। जब एक कण इनमें से किसी एक क्रिस्टल से टकराता है, तो वह नीली रोशनी की एक चमक छोड़ता है, ठीक वैसे ही जैसे तालाब में पत्थर उछालने से लहरें बनती हैं। इस रोशनी की चमक को मापकर, भौतिक विज्ञानी उस कण की ऊर्जा की गणना कर सकते हैं जिसने इसे टक्कर दी थी। हालाँकि, कोलाइडर के भीतर का वातावरण अविश्वसनीय रूप से कठोर है। विकिरण (radiation) की निरंतर बमबारी क्रिस्टल पर एक धीमी, अदृश्य सैंडब्लास्टर की तरह काम करती है, जिससे धीरे-धीरे उनकी पारदर्शिता धुंधली हो जाती है। समय के साथ, यह क्षति क्रिस्टल को प्रकाश प्रसारित करने में कम कुशल बना देती है, जो पूरे प्रयोग की सटीकता के लिए खतरा पैदा करती है। डिटेक्टर को चालू रखने के लिए, वैज्ञानिकों को लगातार यह निगरानी करनी चाहिए कि क्रिस्टल कितने धुंधले हुए हैं और तदनुसार अपने मापों को ठीक करना चाहिए।

एक हालिया अध्ययन में, शोधकर्ताओं ने इन क्रिस्टल के पुराने होने (aging) की भविष्यवाणी करने की समस्या को हल करने के लिए आर्टिफिशियल इंटेलिजेंस का सहारा लिया। केवल मैन्युअल जांच या सरल सांख्यिकीय अनुमानों पर निर्भर रहने के बजाय, टीम ने मशीन लर्निंग के एक परिष्कृत प्रकार, जिसे 'सीक्वेंस-टू-सीक्वेंस मॉडल' (sequence-to-sequence model) कहा जाता है, को लागू किया। यह दृष्टिकोण एक क्रिस्टल की पारदर्शिता के इतिहास को एक कहानी के रूप में देखता है जिसका एक आरंभ, मध्य और अंत होता है। कंप्यूटर को पिछले मापों की एक लंबी सूची खिलाई जाती है, जो यह दिखाती है कि कोलाइडर के चलने और फिर रुकने के दौरान क्रिस्टल की स्पष्टता दिन-प्रतिदिन कैसे बदली। सिस्टम इस डेटा में पैटर्न पहचानना सीखता है, जैसे कि तीव्र टकरावों के दौरान क्रिस्टल कितनी तेजी से गहरे होते हैं और शांत अवधियों के दौरान जब मशीन नहीं चल रही होती है, तो वे अपनी स्पष्टता को धीरे-धीरे कैसे पुनः प्राप्त करते हैं। लक्ष्य यह था कि कंप्यूटर को यह इतिहास पढ़ना सिखाया जाए और फिर अगला अध्याय लिखना सिखाया जाए, यानी भविष्य में क्रिस्टल कैसा व्यवहार करेगा, इसकी भविष्यवाणी की जाए।

शोधकर्ताओं ने कोलाइडर से 2016 और 2018 के बीच एकत्र किए गए वास्तविक डेटा का उपयोग करके इस पद्धति का परीक्षण किया। उन्होंने डिटेक्टर के भीतर विशिष्ट क्रिस्टल पर ध्यान केंद्रित किया, कंप्यूटर को पिछले अंशांकन (calibration) मानों की एक विंडो दी और उससे आने वाले दिनों के लिए पारदर्शिता का पूर्वानुमान लगाने को कहा। परिणाम उत्साहजनक थे। आर्टिफिशियल इंटेलिजेंस मॉडल ने क्रिस्टल की स्पष्टता के उतार-चढ़ाव को सफलतापूर्वक ट्रैक किया, और वास्तविक मापों के साथ उच्च स्तर की सटीकता के साथ मेल खाया। विश्लेषित क्रिस्टल के लिए, भविष्यवाणियों ने लगभग 18% से 26% का माध्य पूर्ण प्रतिशत त्रुटि (mean absolute percentage error) दिखाया, जबकि पूर्ण त्रुटि (absolute error) एक प्रबंधनीय सीमा के भीतर रही। मॉडल विशेष रूप से अल्पकालिक पूर्वानुमानों में अच्छा रहा, जिसने विकिरण क्षति के तत्काल प्रभावों और उसके बाद होने वाली रिकवरी को पकड़ा। यह सुझाव देता है कि ऐसे सिस्टम वैज्ञानिकों के लिए एक विश्वसनीय उपकरण बन सकते हैं जो इस प्रयोग को चला रहे हैं, जिससे उन्हें अपने डेटा पर महत्वपूर्ण प्रभाव पड़ने से पहले ही क्षति का अनुमान लगाने की अनुमति मिलेगी।

अध्ययन ने मशीन लर्निंग का उपयोग करके इसी समस्या को हल करने के पिछले प्रयासों पर भी बारीकी से नज़र डाली। शोधकर्ताओं ने पाया कि एक पिछले अध्ययन ने डेटा के कुछ अंतराल पर प्रदर्शन में एक अजीब गिरावट दर्ज की थी, जो शुरू में एक आश्चर्यजनक वैज्ञानिक विसंगति (anomaly) जैसी लग रही थी। उस पिछले कार्य में उपयोग किए गए कोड की पुन: जांच करने पर, टीम को एक साधारण प्रोग्रामिंग त्रुटि मिली जिसके कारण भ्रामक परिणाम आए थे। एक बार जब इस बग को ठीक कर दिया गया, तो पिछले मॉडल का प्रदर्शन बहुत अधिक सुसंगत हो गया, हालांकि यह अभी भी नए सीक्वेंस-टू-सीक्वेंस दृष्टिकोण की स्थिरता से मेल नहीं खा सका। नया मॉडल कितना भी पिछला डेटा उपयोग किया जाए, सटीकता का एक स्थिर स्तर बनाए रखता है, जो भविष्य के व्यवहार की भविष्यवाणी करने और सामान्यीकरण करने की एक अधिक मजबूत क्षमता प्रदर्शित करता है।

यह कार्य दर्शाता है कि डीप लर्निंग प्रभावी रूप से डिटेक्टर सामग्रियों के जटिल, समय-निर्भर क्षय (aging) को मॉडल कर सकता है। यह सटीक भविष्यवाणी करके कि क्रिस्टल कैसे खराब होंगे और रिकवर करेंगे, यह विधि उस अंशांकन रणनीति को परिष्कृत करने का एक तरीका प्रदान करती है जिसका उपयोग प्रयोग द्वारा किया जाता है। यह केवल एक सैद्धांतिक अभ्यास नहीं है; इसका व्यावहारिक मूल्य उन हजारों वैज्ञानिकों के लिए है जो ब्रह्मांड के सटीक मापन के लिए कॉम्पैक्ट म्यूऑन सोलेनॉइड पर भरोसा करते हैं। यदि डिटेक्टर के सेंसर धुंधले और अनियंत्रित हैं, तो उनके द्वारा एकत्र किया गया डेटा अविश्वसनीय हो जाता है। इन भविष्य कहने वाले उपकरणों का उपयोग करके, सहयोग (collaboration) यह सुनिश्चित कर सकता है कि माप सटीक और स्पष्ट बने रहें, भले ही मशीन पृथ्वी के सबसे अधिक विकिरण वाले वातावरणों में से एक में काम करना जारी रखे। शोधकर्ता इस कार्य को और अधिक क्रिस्टल को शामिल करने और यहाँ तक कि अधिक उन्नत लर्निंग रणनीतियों का पता लगाने के लिए विस्तारित करने की योजना बना रहे हैं, जिसका लक्ष्य एक ऐसा सिस्टम बनाना है जो एक साथ पूरे डिटेक्टर को संभाल सके। फिलहाल, इस दृष्टिकोण की सफलता दुनिया के सबसे शक्तिशाली पार्टिकल कैमरे को पूर्ण फोकस में रखने के लिए एक ठोस आधार प्रदान करती है।