Incorporating deep neural networks into lepton-nucleus interaction modeling

ब्रह्मांड के सबसे मौलिक स्तर पर यह कैसे काम करता है, इसे समझने के लिए वैज्ञानिक अक्सर परमाणु नाभिकों पर कणों की किरणें छोड़ते हैं और देखते हैं कि टकराव होने पर क्या होता है। इस क्षेत्र में सबसे महत्वपूर्ण प्रश्नों में से एक न्यूट्रिनो से संबंधित है, जो कि रहस्यमयी कण हैं जो पदार्थ के साथ शायद ही कभी अंतःक्रिया करते हैं लेकिन ब्रह्मांड के इतिहास के बारे में महत्वपूर्ण जानकारी रखते हैं। इन मायावी कणों से सीखने के लिए, शोधकर्ताओं को टकराव के बाद पीछे छूटे मलबे का विश्लेषण करके न्यूट्रिनो बीम की ऊर्जा का पुनर्निर्माण करना होता है। हालाँकि, यह पुनर्निर्माण अविश्वसनीय रूप से कठिन है क्योंकि लक्षित नाभिक जटिल, भीड़भाड़ वाले वातावरण हैं जहाँ सरल भौतिकी के नियम अक्सर विफल हो जाते हैं। परमाणु अंतःक्रियाओं के मॉडलिंग में अनिश्चितता वर्तमान में वैज्ञानिकों को ब्रह्मांड के मौलिक गुणों के सटीक माप करने से रोकने वाली सबसे बड़ी बाधा है।

इसे हल करने के लिए, भौतिक विज्ञानी अक्सर इलेक्ट्रॉनों की ओर मुड़ते हैं। इलेक्ट्रॉन न्यूट्रिनो के समान व्यवहार करते हैं जब वे एक नाभिक से टकराते हैं, लेकिन न्यूट्रिनो के विपरीत, उनकी ऊर्जा टकराव से पहले ठीक से ज्ञात होती है। यह इलेक्ट्रॉन प्रकीर्णन (scattering) को यह परीक्षण करने के लिए एक आदर्श प्रयोगशाला बनाता है कि हमारे सिद्धांत परमाणु व्यवहार का कितनी अच्छी तरह वर्णन करते हैं। दशकों से, वैज्ञानिकों ने कार्बन परमाणुओं से इलेक्ट्रॉनों के टकराने के डेटा का विशाल संग्रह किया है, जिससे इस तरह के टकरावों के दौरान क्या होता है इसका एक विस्तृत मानचित्र तैयार हुआ है। चुनौती यह रही है कि जबकि हमारे पास कुल परिणाम का एक पूर्ण मानचित्र है, हमारे पास इस बात का स्पष्ट मार्गदर्शक नहीं है कि उस कुल परिणाम को विशिष्ट, व्यक्तिगत टुकड़ों से कैसे बनाया गया है। इस अंतर ने अगली पीढ़ी के प्रयोगों के लिए इन घटनाओं का सटीक रूप से अनुकरण (simulate) करने की हमारी क्षमता में एक बड़ी कमी छोड़ दी है।

इस अंतर को पाटने के लिए, व्रोकला विश्वविद्यालय के शोधकर्ताओं की एक टीम ने एक नई विधि विकसित की है, जो प्रभावी रूप से प्रयोगात्मक डेटा की सटीकता को कंप्यूटर सिमुलेशन के विस्तृत विवरण के साथ जोड़ती है। उन्होंने एक ऐसी प्रणाली बनाई है जो दशकों के इलेक्ट्रॉन-कार्बन डेटा पर प्रशिक्षित एक डीप न्यूरल नेटवर्क से प्राप्त कुल टकराव परिणाम के अत्यधिक सटीक अनुमान को लेती है और उसे विशिष्ट प्रकार की अंतःक्रियाओं में विभाजित करती है। यह उन्हें टकराव से निकलने वाले प्रत्येक कण के पूर्ण और यथार्थवादी सिमुलेशन उत्पन्न करने की अनुमति देता है, जिससे यह सुनिश्चित होता है कि कुल चित्र वास्तविक दुनिया से मेल खाता है जबकि व्यक्तिगत विवरण भौतिक रूप से सुसंगत रहते हैं।

इस कार्य का मुख्य भाग एक चतुर दो-चरणीय प्रक्रिया पर आधारित है। सबसे पहले, शोधकर्ताओं ने कार्बन परमाणुओं के साथ लाखों इलेक्ट्रॉन टकरावों का अनुकरण करने के लिए एक परिष्कृत कंप्यूटर प्रोग्राम का उपयोग किया। यह प्रोग्राम स्थापित सिद्धांतों पर निर्भर करता है ताकि प्रत्येक घटना के विशिष्ट विवरणों की भविष्यवाणी की जा सके, जैसे कि क्या इलेक्ट्रॉन ने एक एकल प्रोटॉन को बाहर निकाला, एक पायोन (pion) बनाया, या कई कणों को शामिल करने वाली अधिक जटिल प्रतिक्रिया को सक्रिय किया। ये सिमुलेशन घटना की "कहानी" प्रदान करते हैं, जो यह वर्णन करते हैं कि अंतिम कण कैसे दिखते हैं और वे कैसे चलते हैं। हालाँकि, इन सिद्धांतों द्वारा अनुमानित घटनाओं की कुल संख्या अक्सर सभी ऊर्जा श्रेणियों में वास्तविक प्रयोगात्मक डेटा से पूरी तरह मेल नहीं खाती है।

इस बेमेल को ठीक करने के लिए, टीम ने एक दूसरा स्तर पेश किया: एक डीप न्यूरल नेटवर्क। यह एक प्रकार का कृत्रिम बुद्धिमत्ता (AI) है जिसे वास्तविक इलेक्ट्रॉन-कार्बन प्रकीर्णन मापों के विशाल संग्रह पर विशेष रूप से प्रशिक्षित किया गया है। नेटवर्क ने यह अनुमान लगाने में महारत हासिल की कि किसी भी दिए गए ऊर्जा स्तर पर कितने टकराव होने चाहिए, जो कुल परिणाम के लिए एक सटीक संदर्भ के रूप में कार्य करता है। हालाँकि, यह न्यूरल नेटवर्क ऊर्जा हस्तांतरण की एक सख्त सीमा के भीतर ही मान्य है: यह उन टकरावों का वर्णन नहीं कर सकता जहाँ ऊर्जा हस्तांतरण बहुत कम है (जहाँ नाभिक एक इकाई के रूप में पीछे हटता है) या बहुत अधिक है (जहाँ अंतःक्रिया बहुत जटिल हो जाती है)। शोधकर्ताओं ने कंप्यूटर-जनरेटेड घटनाओं को उनके "भार" (weight) के आधार पर समायोजित किया ताकि घटनाओं की कुल संख्या इस वैध सीमा के भीतर न्यूरल नेटवर्क के सटीक अनुमान से मेल खा सके। यह प्रक्रिया सुनिश्चित करती है कि सिमुलेशन वास्तविकता में आधारित है।

महत्वपूर्ण रूप से, टीम ने केवल कुल गणना को ही समायोजित नहीं किया; उन्होंने यह भी पता लगाया कि उस कुल गणना को विभिन्न प्रकार की अंतःक्रियाओं के बीच कैसे वितरित किया जाए। उन्होंने गणना की कि कितनी घटनाओं का 'क्वासी-इलास्टिक स्कैटरिंग' (quasi-elastic scattering) होना चाहिए, जहाँ एक एकल कण बाहर निकलता है, बनाम 'मेसॉन-एक्सचेंज करंट्स' (meson-exchange currents), जहाँ अंतःक्रिया कणों के बीच बलों के अधिक जटिल आदान-प्रदान से जुड़ी होती है, और सिंगल-पायोन उत्पादन। इन अंशों को न्यूरल नेटवर्क के कुल अनुमान पर लागू करके, उन्होंने एक नया, हाइब्रिड ढांचा बनाया जिसे वे eWroNet कहते हैं। यह प्रणाली सिम्युलेटेड घटनाओं का एक पूर्ण सेट तैयार करती है जहाँ कुल व्यवहार वास्तविक डेटा द्वारा निर्देशित होता है, लेकिन प्रत्येक घटना का विशिष्ट विवरण अभी भी भौतिक मॉडलों द्वारा निर्मित होता है। यह ध्यान देना महत्वपूर्ण है कि इन विवरणों को उत्पन्न करने के लिए उपयोग किए जाने वाले अंतर्निहित भौतिक मॉडल वर्तमान में सीमित हैं: वे "डेल्टा (1232)" रेजोनेंस (नाभिक की एक विशिष्ट उत्तेजित अवस्था) का सटीक वर्णन करते हैं, लेकिन उनमें उच्च-ऊर्जा रेजोनेंस या 'डीप इनइलास्टिक स्कैtering' शामिल नहीं है, जो सबसे ऊर्जावान टकरावों का वर्णन करने के लिए आवश्यक हैं।

जब शोधकर्ताओं ने थॉमस जेफरसन नेशनल एक्सेलेरेटर फैसिलिटी के CLAS और e4$\nu$ सहयोगों के स्वतंत्र मापों के विरुद्ध इस नई प्रणाली का परीक्षण किया, तो परिणाम उत्साहजनक थे। सिस्टम ने उस ऊर्जा सीमा में टकरावों की कुल संख्या को सफलतापूर्वक पुनरुत्पादित किया जहाँ न्यूरल नेटवर्क को प्रशिक्षित किया गया था, जिससे पुष्टि हुई कि विधि अपने इच्छित लक्ष्य के अनुसार काम करती है, हालांकि यह क्वासी-इलास्टिक पीक पर लगभग 15% और डेल्टा पीक पर 30% की कमी के साथ प्रयोगात्मक डेटा से पीछे रह गई। हालाँकि, जब उन्होंने मलबे के विशिष्ट विवरणों को देखा, विशेष रूप से उस क्षेत्र में जहाँ भारी रेजोनेंस दिखाई देते हैं, तो सिमुलेशन प्रयोगात्मक डेटा से पीछे छूटने लगा। सिस्टम ने उच्च-ऊर्जा क्षेत्रों में घटनाओं की संख्या को कम करके दिखाया, जो एक ऐसी सीमा है जो इस तथ्य से उत्पन्न होती है कि अंतर्निहीं सिमुलेशन मॉडल अभी तक सबसे जटिल, उच्च-ऊर्जा अंतःक्रियाओं को पूरी तरह से समाहित नहीं करते हैं।

अध्ययन ने विभिन्न प्रयोगात्मक डेटा सेटों के बीच एक विशिष्ट तनाव को भी रेखांकित किया। नए सिमुलेशन स्टैनफोर्ड लीनियर एक्सेलेरेटर सेंटर के मापों के एक सेट के साथ लगभग पूरी तरह से मेल खाते हैं, लेकिन वे समान ऊर्जाओं पर जेफरसन लैब के प्रयोगों के परिणामों से काफी नीचे रहे। यह विसंगति यह सुझाव देती है कि या तो प्रयोगात्मक डेटा में स्वयं विसंगतियां हैं या हमारे परमाणु लक्ष्य की समझ को और अधिक परिष्कृत करने की आवश्यकता है। शोधकर्ताओं ने पाया कि जबकि उनकी विधि टकरावों की कुल संख्या का सटीक अनुमान लगा सकती थी, लेकिन वह कण मलबे की पूर्ण जटिलता को समझाने में संघर्ष करती है, जहाँ केवल कुछ ही कणों का पता लगाया जाता है।

अंततः, यह कार्य इस क्षेत्र के लिए एक शक्तिशाली उपकरण प्रदान करता है। यह प्रदर्शित करता है कि यह संभव है कि एक डेटा-संचालित, मशीन-लर्निंग भविष्यवाणी को उन विशिष्ट भौतिक चैनलों में विभाजित किया जाए जो इसे उत्पन्न करते हैं। यह वैज्ञानिकों को अपने सिमुलेशन को निर्देशित करने के लिए उपलब्ध सबसे सटीक डेटा का उपयोग करने की अनुमति देता है, जबकि वे जटिल प्रयोगों के लिए आवश्यक कण गति विज्ञान (kinematics) के विस्तृत विवरण को भी बनाए रखते हैं। हालाँकि वर्तमान मॉडल में सीमाएँ हैं, विशेष रूप से सबसे ऊर्जावान टकरावों और विभिन्न क्वांटम मैकेनिकल प्रक्रियाओं के बीच जटिल हस्तक्षेप को संभालने में, लेकिन यह एक स्पष्ट मार्ग प्रदान करता है। अंतर्निहित मॉडलों को परिष्कृत करके और इस पद्धति को आर्गन जैसे अन्य परमाणु लक्ष्यों तक विस्तारित करके, यह दृष्टिकोण उन अनिश्चितताओं को महत्वपूर्ण रूप से कम कर सकता है जो वर्तमान में ब्रह्मांड के मौलिक गुणों को मापने की हमारी क्षमता में बाधा डाल रही हैं।