Optimising Geometric Deep Learning for Varied Reconstruction Tasks in High Granularity Calorimeters

आधुनिक भौतिकी के केंद्र में, वैज्ञानिक ब्रह्मांड को उसके सबसे छोटे पैमानों पर देखने के लिए मशीनें बना रहे हैं। ये मशीनें, जिन्हें कण डिटेक्टर (particle detectors) कहा जाता है, अविश्वसनीय रूप से तेज़ और विस्तृत कैमरों की तरह कार्य करती हैं, जो उन क्षणिक निशानों को कैद करती हैं जो उप-परमाणु कणों के लगभग प्रकाश की गति से आपस में टकराने पर पीछे छूट जाते हैं। जैसे-जैसे ये मशीनें अधिक शक्तिशाली होती जा रही हैं, वे अधिक विस्तृत भी होती जा रही हैं। एक ऐसे कैमरे की कल्पना करें जो पहले कुछ हज़ार पिक्सेल के साथ एक तस्वीर लेता था, और अब लाखों पिक्सेल के साथ एक तस्वीर लेता है। विवरण में यह वृद्धि, जिसे ग्रैनुलैरिटी (granularity) कहा जाता है, भौतिकविदों को व्यक्तिगत कणों को अधिक स्पष्ट रूप से देखने की अनुमति देती है, भले ही वे एक-दूसरे के बहुत करीब हों। हालाँकि, विवरण की यह बाढ़ एक बड़ी समस्या पैदा करती है: डेटा की मात्रा इतनी अधिक है कि पारंपरिक कंप्यूटर विधियाँ इसे उपयोगी होने के लिए पर्याप्त तेज़ी से संसाधित करने में संघर्ष करती हैं। चुनौती केवल डेटा को देखना नहीं है, बल्कि लाखों सूक्ष्म संकेतों के बीच के अराजक शोर में से यह पता लगाना है कि एक सेकंड के अंश में वास्तव में क्या हुआ था।

इसे हल करने के लिए, फ्रांस के इकोल पॉलिटेक्निक (École Polytechnique) के शोधकर्ताओं ने कंप्यूटर को इन जटिल पैटर्न को समझने के सिखाने का एक नया तरीका विकसित किया है। उन्होंने ग्राफ न्यूरल नेटवर्क (Graph Neural Network) नामक एक प्रकार के आर्टिफिशियल इंटेलिजेंस की ओर रुख किया। डिटेक्टर डेटा को संख्याओं के एक साधारण ग्रिड के रूप में मानने के बजाय, जैसे कि एक मानक फोटोग्राफ, वे इसे कनेक्शन के एक मानचित्र (map of connections) के रूप में देखते हैं। इस मानचित्र में, डिटेक्टर से प्राप्त प्रत्येक सूक्ष्म संकेत एक बिंदु है, और उन्हें जोड़ने वाली रेखाएं यह दर्शाती हैं कि वे संकेत एक-दूसरे के कितने करीब हैं। यह दृष्टिकोण कणों द्वारा छोड़े गए अव्यवस्थित और अनियमित आकारों के लिए बहुत अधिक उपयुक्त है। हालाँकि, इन मानचित्रों को बनाना आमतौर पर बहुत धीमा और कंप्यूटर के लिए महंगा होता है, विशेष रूप से जब लाखों बिंदुओं को जोड़ने की बात हो। शोधकर्ताओं ने महसूस किया कि चूंकि डिटेक्टर का भौतिक लेआउट निश्चित और ज्ञात है, इसलिए वे सटीकता खोए बिना इस प्रक्रिया को बहुत तेज़ बनाने के लिए उस ज्ञान का उपयोग कर सकते हैं।

टीम ने एक उच्च-तकनीकी डिटेक्टर के सिम्युलेटेड संस्करण पर अपने विचारों का परीक्षण किया, जो लार्ज हैड्रॉन कोलाइडर (Large Hadron Collider) के लिए नियोजित एक डिटेक्टर के समान है। उन्होंने एक ऐसा सिस्टम बनाया जो कच्चे, अव्यवस्थित डेटा को लेकर यह स्पष्ट उत्तर दे सके कि कौन से कण मौजूद थे। सबसे पहले, उन्होंने कण के प्रकार की पहचान करने के लिए एक टूल बनाया। एक भीड़भाड़ वाले वातावरण में, एक इलेक्ट्रॉन, एक फोटॉन, एक म्यूऑन या एक पायोन (pion) एक जैसा दिख सकता है। नए सिस्टम ने सफलतापूर्वक पांच अलग-अलग प्रकार के कणों के बीच अंतर किया, जिसमें फोटॉन के ओवरलैप होने वाले कठिन मामले भी शामिल थे। इसने प्रत्येक कण द्वारा छोड़े गए ऊर्जा जमाव (energy deposit) के अद्वितीय "आकार" को सीखकर यह कार्य किया। उदाहरण के लिए, म्यूऑन एक एकल, पतली रेखा छोड़ते हैं, जबकि इलेक्ट्रॉन और फोटॉन ऊर्जा का एक फैलता हुआ समूह (shower) बनाते हैं। सिस्टम इतना प्रभावी था कि यह उच्च सटीकता के साथ एक अकेले इलेक्ट्रॉन और फोटॉन की एक जोड़ी के बीच अंतर कर सका, जो कि पुराने तरीकों के लिए एक अत्यंत कठिन कार्य है।

इसके बाद, शोधकर्ताओं ने इन कणों की ऊर्जा को मापने के कार्य पर ध्यान केंद्रित किया। जब एक कण डिटेक्टर से टकराता है, तो वह ऊर्जा जमाव का एक निशान पीछे छोड़ देता है। लक्ष्य इन जमावों को जोड़कर मूल कण की कुल ऊर्जा का पता लगाना है। टीम ने एक ऐसा मॉडल बनाया जो उल्लेखनीय सटीकता के साथ यह कार्य कर सका, जो डिटेक्टर की सैद्धांतिक सीमाओं के अनुरूप था। उन्होंने यह भी दिखाया कि इस प्रक्रिया को विभाजित किया जा सकता है और एक ही समय में कई कंप्यूटर प्रोसेसरों पर चलाया जा सकता है। डिटेक्टर को विभिन्न खंडों में विभाजित करके और उन्हें समानांतर (parallel) रूप से प्रोसेस करके, वे परिणाम की गुणवत्ता से समझौता किए बिना गणना की गति को काफी बढ़ा सके। यह वास्तविक समय (real-time) में उपयोग के लिए एक महत्वपूर्ण कदम है, जहाँ माइक्रोसेकंड में निर्णय लेना आवश्यक होता है।

अंत में, टीम ने सबसे कठिन परिदृश्य का सामना किया: जब दो कण लगभग एक ही स्थान पर डिटेक्टर से टकराते हैं, तो उनके संकेत ओवरलैप होकर आपस में मिल जाते हैं। यह दो ओवरलैपिंग हस्तलिखित नोट्स को पढ़नेने की कोशिश करने जैसा है। शोधकर्ताओं ने एक ऐसा सिस्टम बनाया जो इन मिश्रित संकेतों को अलग कर सके, जिससे यह पता चल सके कि पहले कण का कितना हिस्सा और दूसरे का कितना हिस्सा था। उन्होंने यह हासिल किया कि कंप्यूटर को यह भविष्यवाणी करना सिखाया कि प्रत्येक कण डिटेक्टर में कहाँ प्रवेश करता है और उसकी ऊर्जा कैसे वितरित होती है। हालांकि यह सिस्टम पूर्ण नहीं था, फिर भी इसने बहुत अधिक जटिल और धीमी विधियों के समान प्रदर्शन किया, जिससे सिद्ध हुआ कि एक सरल और तेज़ दृष्टिकोण भी उतना ही अच्छा काम कर सकता है।

इन सभी अलग-अलग उपकरणों को 'HIBOU' नामक एक एकल, लचीले ब्लूप्रिंट में संयोजित किया गया था। यह डिज़ाइन दिखाता है कि कैसे पुनर्गठन (reconstruction) की विभिन्न प्रक्रियाएं एक मॉड्यूलर तरीके से एक साथ काम कर सकती हैं। एक भाग कण की पहचान करता है, दूसरा उसकी ऊर्जा को मापता है, और तीसरा ओवरलैपिंग घटनाओं को अलग करता है। यदि सिस्टम किसी कण को म्यूऑन के रूप में पहचानता है, तो वह एक सरल पथ अपनाता है। यदि वह एक जटिल, ओवरलैपिंग घटना देखता है, तो वह डेटा को एक अधिक विशिष्ट टूल की ओर भेज देता है। यह संरचना सिस्टम को बिना दोबारा बनाए, विभिन्न कार्यों के अनुकूल होने की अनुमति देती है। शोधकर्ताओं ने पाया कि हालांकि यह मॉड्यूलर दृष्टिकोण शक्तिशाली है, लेकिन इसके लिए सावधानीपूर्वक प्रबंधन की आवश्यकता होती है ताकि यह सुनिश्चित किया जा सके कि पहले चरण में हुई एक छोटी सी गलती अगले चरण में बढ़ न जाए। उन्होंने सुझाव दिया कि पूरे सिस्टम को टुकड़ों में नहीं, बल्कि एक साथ प्रशिक्षित करने से इन त्रुटियों को रोकने में मदद मिलेगी।

यह कार्य प्रदर्शित करता है कि डिटेक्टर की ज्ञात ज्यामिति (geometry) का उपयोग करके आर्टिफिशियल इंटेलिजेंस को निर्देशित करके, वैज्ञानिक उन कम्प्यूटेशनल बाधाओं को दूर कर सकते हैं जो आमतौर पर उच्च-विस्तार वाले प्रयोगों को सीमित करती हैं। यहाँ विकसित की गई विधियाँ केवल सैद्धांतिक नहीं हैं; इनका परीक्षण सिम्युलेटेड डेटा पर किया गया है जो भविष्य के कण कोलाइडर की स्थितियों की नकल करता है। परिणाम दिखाते हैं कि विशाल मात्रा में डेटा को तेज़ी से और सटीकता से प्रोसेस करना संभव है, जो अगली पीढ़ी के प्रयोगों के लिए ब्रह्मांड को अभूतपूर्व स्पष्टता के साथ देखने के द्वार खोलता है। शोधकर्ताओं ने एक स्पष्ट मार्ग प्रदान किया है, यह दिखाते हुए कि सही उपकरणों के साथ, इन विशाल मशीनों से प्राप्त डेटा की बाढ़ को खोज के एक प्रवाह में बदला जा सकता है।