The proton structure one mode at a time: a Neural Tangent Kernel analysis of a DIS fit
यह शोध पत्र डीप इनइलास्टिक स्कैटरिंग डेटा फिटिंग पर न्यूरल टेंगेंट कर्नेल (NTK) विश्लेषण लागू करता है, जो यह प्रकट करता है कि पार्टोन डिस्ट्रीब्यूशन फंक्शन्स के लिए न्यूरल नेटवर्क की ट्रेनिंग डायनेमिक्स NTK मोड्स के वृद्धिशील शिक्षण द्वारा नियंत्रित होती है, जहाँ अग्रणी मोड्स लक्षित भौतिकी का पुनर्निर्माण करते हैं जबकि उप-अग्रणी मोड्स डेटा शोर को कैप्चर करते हैं, जिससे रेगुलाइजेशन, इनिशियलाइजेशन और डेटा एवं कार्यप्रणाली के बीच अंतर्संबंध को समझने के लिए एक ज्यामितीय और विश्लेषणात्मक ढांचा प्रदान होता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
एक प्रोटॉन के हृदय के भीतर, क्वार्क और ग्लूऑन नामक अदृश्य कणों का एक तूफान एक अराजक नृत्य में घूम रहा है। ये कण कैसे व्यवहार करते हैं, इसे समझने के लिए भौतिक विज्ञानी 'पार्टोन डिस्ट्रीब्यूशन फंक्शन्स' (parton distribution functions) नामक गणितीय मानचित्रों पर भरोसा करते हैं। ये मानचित्र हमें प्रोटॉन के भीतर एक निश्चित गति और स्थान पर किसी विशिष्ट कण को खोजने की संभावना बताते हैं। हालाँकि, इन मानचित्रों को सीधे मापा नहीं जा सकता है। इसके बजाय, वैज्ञानिकों को विशाल त्वरकों (accelerators) में प्रोटॉन को आपस में टकराकर और उससे निकलने वाले मलबे का विश्लेषण करके उन्हें पुनर्गठित करना पड़ता है। यह प्रक्रिया एक छिपी हुई वस्तु के आकार को समझने की कोशिश करने के समान है, जैसे कि उस पर टकराकर वापस आने वाली ध्वनि की गूँज को सुनकर; डेटा अधूरा है, और गूँज से वापस वस्तु तक का रास्ता अनिश्चितताओं से भरा है। इसे हल करने के लिए, शोधकर्ता परिष्कृत कंप्यूटर मॉडल का उपयोग करते हैं, जो अक्सर आर्टिफिशियल इंटेलिजेंस द्वारा संचालित होते हैं, ताकि वे रिक्त स्थानों को भर सकें। लेकिन क्योंकि यह समस्या बहुत कठिन है, इसलिए कंप्यूटर को जिस तरह से सेट किया जाता है, वह कभी-कभी डेटा जितना ही अंतिम चित्र को प्रभावित कर सकता है।
एडिनबर्ग विश्वविद्यालय के शोधकर्ताओं ने इस बात की गहराई से जांच की है कि ये आर्टिफिशियल इंटेलिजेंस मॉडल इन मानचित्रों को बनाना कैसे सीखते हैं। उन्होंने एक विशिष्ट प्रकार के न्यूरल नेटवर्क पर ध्यान केंद्रित किया, जो मानव मस्तिष्क से प्रेरित एक कंप्यूटर प्रोग्राम है, और जो वर्तमान में प्रोटॉन की संरचना निर्धारित करने के लिए मानक उपकरण है। वैज्ञानिक सीखने की प्रक्रिया की सटीक यांत्रिकी को समझना चाहते थे: कंप्यूटर यह कैसे तय करता है कि डेटा पर किस पर भरोसा किया जाए, और वह शोर (noise) से कैसे बचता है? ऐसा करने के लिए, उन्होंने कंप्यूटर के सोचने का एक नया तरीका विकसित किया, न कि अंतिम परिणाम को देखकर, बल्कि प्रशिक्षण के दौरान नेटवर्क की आंतरिक "मांसपेशियों" और "तंत्रिकाओं" का विश्लेषण करके। उन्होंने सीखने की प्रक्रिया को समय के साथ बहने वाली एक भौतिक प्रणाली की तरह माना, जिससे वे बिना हजारों बार सिमुलेशन चलाए, यह भविष्यवाणी कर सके कि कंप्यूटर वास्तव में कैसा व्यवहार करेगा।
शोधकर्ताओं ने पाया कि कंप्यूटर पूरी प्रोटॉन संरचना को एक साथ नहीं सीखता है। इसके बजाय, यह परतों में सीखता है, सबसे स्पष्ट और महत्वपूर्ण विशेषताओं से शुरू होकर अधिक सूक्ष्म और कठिन विवरणों की ओर बढ़ता है। उन्होंने पाया कि नेटवर्क पहले कण वितरण के व्यापक, चिकने आकारों को पकड़ता है, जो प्रयोगात्मक डेटा द्वारा दृढ़ता से समर्थित होते हैं। केवल बाद में ही यह छोटे, धुंधले विवरणों को पकड़ना शुरू करता है। महत्वपूर्ण रूप से, उन्होंने देखा कि ये बाद के विवरण अक्सर केवल शोर होते हैं—डेटा में यादृच्छिक उतार-चढ़ाव जो वास्तविक भौतिकी का प्रतिनिधित्व नहीं करते हैं। यदि कंप्यूटर को बहुत लंबे समय तक प्रशिक्षित करने दिया जाता है, तो यह इस शोर को याद करना शुरू कर देता है, जिससे अंतिम मानचित्र कम सटीक हो जाता है। यह खोज पुष्टि करती है कि प्रशिक्षण प्रक्रिया को जल्दी रोकना केवल एक व्यावहारिक युक्ति नहीं है, बल्कि प्रोटॉन की संरचना के वास्तविक संकेत को प्रयोग के शोर से अलग करने के लिए एक आवश्यक कदम है।
एक अन्य बड़ी खोज कंप्यूटर की शुरुआत से संबंधित है। शोधकर्ताओं ने परीक्षण किया कि क्या होता है जब कंप्यूटर की प्रारंभिक सेटिंग्स बहुत छोटी होती हैं बनाम जब वे बड़ी होती हैं। उन्होंने पाया कि यदि शुरुआती मान बहुत छोटे हैं, तो कंप्यूटर एक सरल, रैखिक मोड में फंस जाता है जहाँ यह एक बुनियादी कैलकुलेटर की तरह व्यवहार करता है। इस अवस्था में, यह प्रोटॉन के आंतरिक भाग के जटिल, घुमावदार आकारों को नहीं सीख सकता। यह लंबे समय तक निष्क्रिय रहता है, प्रगति करने में असमर्थ, जब तक कि अंततः इसमें पर्याप्त गति प्राप्त नहीं होती और यह इस सरल अवस्था से बाहर निकलकर वास्तविक जटिलता को सीखना शुरू नहीं कर देता। यह सुझाव देता है कि कंप्यूटर का प्रारंभिक सेटअप महत्वपूर्ण है; एक सेटअप जो बहुत रूढ़िवादी है, वह वास्तव में नई भौतिकी की खोज को धीमा कर सकता है।
टीम ने यह भी दिखाया कि कंप्यूटर की सीखने की क्षमता स्वतंत्र दिशाओं की संख्या द्वारा सीमित है। भले ही न्यूरल नेटवर्क में सैकड़ों समायोज्य सेटिंग्स होती हैं, डेटा इसे केवल कुछ दर्जन विशिष्ट पथों के साथ प्रभावी ढंग से सीखने की अनुमति देता है। बाकी सेटिंग्स अनिवार्य रूप से डेटा के लिए अदृश्य हैं और अंतिम उत्तर में योगदान नहीं देती हैं। इसका अर्थ है कि कंप्यूटर अपने स्वरूप की तुलना में कहीं अधिक कुशल है, जो प्रोटॉन के पुनर्निर्माण के लिए अपनी क्षमता के एक बहुत छोटे अंश का उपयोग करता है। शोधकर्ताओं ने प्रदर्शित किया कि इन विशिष्ट पथों को समझकर, वे कंप्यूटर के व्यवहार की उच्च सटीकता के साथ भविष्यवाणी कर सकते हैं, जिससे प्रभावी रूप से यह पता चलता है कि मशीन कैसे सीखती है, उसका एक गणितीय ब्लूप्रिंट तैयार हो गया।
यह कार्य भौतिकी में मशीन लर्निंग के "ब्लैक बॉक्स" में एक स्पष्ट खिड़की प्रदान करता है। यह दिखाता है कि प्रोटॉन मानचित्रों की विश्वसनीयता इस बात पर बहुत निर्भर करती है कि कंप्यूटर को सीखने से कब रोका जाए और इसे शुरू में कैसे सेट किया जाए। यह सिद्ध करके कि सीखने की प्रक्रिया एक अनुमानित, चरण-दर-चरण पैटर्न का पालन करती है, शोधकर्ताओं ने भौतिकविदों को अपने परिणामों को मान्य करने के लिए एक नया उपकरण दिया है। अब वे यह जांच सकते हैं कि उनके मॉडल वास्तविक भौतिकी सीख रहे हैं या केवल त्रुटियों को याद कर रहे हैं। इस स्तर का नियंत्रण जैसे-जैसे प्रयोग अधिक सटीक होते जा रहे हैं, यह सुनिश्चित करने के लिए आवश्यक है कि ब्रह्मांड के मौलिक निर्माण खंडों के बारे में अगली पीढ़ी की खोजें एक ठोस, समझी गई नींव पर आधारित हों।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।