← नवीनतम पेपर
⚛️ घटना विज्ञान

Study of enhancing the signal-background separation for the Higgs boson production in association with a single top-quark in $pp$ collisions at the LHC

यह शोध पत्र एलएचसी (LHC) पर एकल टॉप क्वार्क के साथ दुर्लभ हिग्स बोसन उत्पादन (tH) के लिए सिग्नल-बैकग्राउंड पृथक्करण को बढ़ाने हेतु एक मास्किंग तंत्र के साथ एक डीप फुली कनेक्टेड न्यूरल नेटवर्क प्रस्तुत करता है, जो रन 1, 2 और 3 के सिम्युलेटेड डेटा का उपयोग करके पारंपरिक कट-आधारित विधियों की तुलना में बेहतर सांख्यिकीय महत्व प्रदर्शित करता है।

मूल लेखक: Rustam Azimzade, Alina Dadashova, Igor Boiko, Vladimir Lyubushkin, Nazim Huseynov

प्रकाशित 2026-11-04
📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

मूल लेखक: Rustam Azimzade, Alina Dadashova, Igor Boiko, Vladimir Lyubushkin, Nazim Huseynov

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 लेखक ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

ब्रह्मांड कुछ मौलिक कणों के एक छोटे समूह से बना है जो अदृश्य बलों के माध्यम से परस्पर क्रिया करते हैं, एक ऐसा ढांचा जिसे भौतिक विज्ञानी 'मानक मॉडल' (Standard Model) कहते हैं। इस सिद्धांत के केंद्र में हिग्स बोसोन (Higgs boson) स्थित है, जिसकी खोज 2012 में हुई थी और जो यह बताता है कि अन्य कण द्रव्यमान कैसे प्राप्त करते हैं। हालांकि वैज्ञानिकों ने इसके अस्तित्व की पुष्टि कर ली है, फिर भी उन्हें इसके गुणों को अत्यंत सटीकता के साथ मापने की आवश्यकता है ताकि यह देखा जा सके कि क्या वर्तमान सिद्धांत कायम रहता है या इसमें कोई ऐसी दरारें हैं जो नए, अनदेखे भौतिक विज्ञान की ओर संकेत करती हैं। हिग्स बोसोन का अध्ययन करने का सबसे कठिन तरीकों में से एक इसे एक एकल टॉप क्वार्क (top quark) के साथ प्रकट होते हुए देखना है, जो सबसे भारी ज्ञात मौलिक कण है। यह विशिष्ट संयोजन दुर्लभ और पहचान करने में कठिन है क्योंकि इस तरह से उत्पन्न होने वाला हिग्स बोसोन अक्सर अन्य, अधिक सामान्य कण टकरावों के सैलाब में दब जाता है जो लगभग इनके समान ही दिखते हैं।

शोधकर्ताओं की एक टीम ने उन्नत कंप्यूटर लर्निंग का उपयोग करके इस दुर्लभ संकेत को अत्यधिक शोर (background noise) से अलग करने के लिए एक नई विधि विकसित की है। उन्होंने लाखों प्रोटॉन-प्रोटॉन टकरावों का अनुकरण (simulate) किया, जो लार्ज हैड्रॉन कोलाइडर (LHC) में होने वाले टकरावों के समान हैं, ताकि एक डिजिटल मस्तिष्क के लिए प्रशिक्षण स्थल बनाया जा सके। इस मस्तिष्क को, जो कि एक डीप न्यूरल नेटवर्क है, को हिगिक्स बोसोन और एक टॉप क्वार्क के एक साथ प्रकट होने वाली दुर्लभ घटना और उन्हें दर्शाने वाले सामान्य आयोजनों के बीच सूक्ष्म अंतर पहचानने के लिए प्रशिक्षित किया गया। शोधकर्ताओं ने पाया कि डेटा के भीतर लुप्त जानकारी को संभालने के लिए एक विशेष तकनीक का उपयोग करके, उनका सिस्टम दुर्लभ घटनाओं को पहले के तरीकों की तुलना में बहुत अधिक सटीकता के साथ पहचान सकता था, जिससे वास्तविक प्रयोगों में इस मायावी प्रक्रिया को देखने की संभावना काफी बढ़ गई।

इस विशिष्ट कण अंतःक्रिया को खोजने की चुनौती यह है कि यह बहुत ही दुर्लभ रूप से होती है। लार्ज हैड्रॉन कोलाइडर के उच्च-ऊर्जा टकरावों में, वह प्रक्रिया जहाँ एक हिग्स बोसोन एक एकल टॉप क्वार्क के साथ उत्पन्न होता है, 'विनाशकारी व्यतिकरण' (destructive interference) नामक एक क्वांटम यांत्रिक प्रभाव द्वारा दबा दी जाती है। इसका अर्थ यह है कि भौतिकी के प्राकृतिक नियम इस तरह से कार्य करते हैं कि यह घटना अन्य समान प्रक्रियाओं की तुलना में बहुत कम बार होती है। जब यह घटित होती है, तो इसके द्वारा उत्पन्न कण ऊर्जा के जेट और एक आवेशित लेप्टॉन (lepton) सहित अन्य कणों के फुहार में बदल जाते हैं। हालांकि, कई अन्य सामान्य टकराव भी मलबे का लगभग वैसा ही फुहार उत्पन्न करते हैं। यह समुद्र तट पर एक विशिष्ट रेत के कण को खोजने जैसा है जो लहरों द्वारा लगातार पुनर्गठित किया जा रहा है, जहाँ आपके द्वारा खोजा जाने वाला कण अपने आसपास के लाखों अन्य कणों के बिल्कुल समान दिखता है।

इसे हल करने के लिए, शोधकर्ताओं ने मशीन लर्निंग दृष्टिकोण की ओर रुख किया। अवांछित आयोजनों को हटाने के लिए कठोर नियम निर्धारित करने के बजाय, उन्होंने एक न्यूरल नेटवर्क बनाया, जो मानव मस्तिष्क से प्रेरित एक प्रकार का कंप्यूटर प्रोग्राम है, जो जटिल पैटर्न सीखने में सक्षम है। उन्होंने नेटवर्क में लाखों सिम्युलेटेड टकरावों का डेटा डाला, जिसमें प्रत्येक को या तो उनके द्वारा चाही गई दुर्लभ सिग्नल या उस सामान्य बैकग्राउंड शोर के रूप में लेबल किया गया जिसे वे अनदेखा करना चाहते थे। नेटवर्क ने प्रत्येक टकराव के दर्जनों विभिन्न मापों, जैसे कणों की ऊर्जा और दिशा, को तौलना सीखा, ताकि यह निर्णय लिया जा सके कि कोई घटना दुर्लभ सिग्नल होने की कितनी संभावना है।

इस अध्ययन में एक प्रमुख नवाचार यह था कि नेटवर्क ने उन आयोजनों को कैसे संभाला जहाँ कुछ कण गायब थे। कुछ टकरावों में, डिटेक्टरों द्वारा हर एक कण को नहीं पकड़ा जा सकता है, जिससे डेटा में अंतराल रह जाता है। पारंपरिक तरीके इन अंतरालों के साथ संघर्ष करते हैं, या तो उस आयोजन को त्याग देते हैं या लुप्त डेटा को शून्य मान लेते हैं, जो कंप्यूटर को भ्रमित कर सकता है। शोधकर्ताओं ने एक विशेष तंत्र डिजाइन किया जो नेटवर्क को प्रभावी ढंग से डेटा के लुप्त हिस्सों को अनदेखा करने के लिए कहता है ताकि कंप्यूटर खाली स्थान से न सीख सके। इसने नेटवर्क को केवल वास्तव में मौजूद कणों पर ध्यान केंद्रित करने की अनुमति दी, जिससे इसके निर्णय कहीं अधिक सटीक और विश्वसनीय हो गए।

टीम ने अपने नए तरीके का परीक्षण एक मानक दृष्टिकोण के विरुद्ध किया जो सरल 'कट्स' (cuts) पर निर्भर करता है, जैसे कि किसी भी ऐसे आयोजन को अनदेखा करना जो एक विशिष्ट ऊर्जा सीमा को पूरा नहीं करता है। परिणामों ने नाटकीय सुधार दिखाया। अपने उन्नत न्यूरल नेटवर्क का उपयोग करके, शोधकर्ता एक मानक काउंटिंग पद्धति का उपयोग करके 3.73σ के सांख्यिकीय महत्व के साथ और एक अधिक परिष्कृत शेप-आधारित विश्लेषण का उपयोग करके 4.64σ के साथ दुर्लभ सिग्नल को अलग करने में सक्षम रहे। कण भौतिकी की दुनिया में, सुधार का यह स्तर महत्वपूर्ण है क्योंकि यह इस दुर्लभ प्रक्रिया के अवलोकन को केवल प्रीसेलेक्शन (preselection) से ठोस साक्ष्य के स्तर तक ले जाता है, हालांकि यह अभी भी निश्चित खोज के लिए आवश्यक 5σ की दहलीज से थोड़ा कम है।

यह अध्ययन कंप्यूटर सिमुलेशन का उपयोग करके किया गया था जो लार्ज हैड्रॉन कोलाइडर द्वारा कई वर्षों के संचालन के दौरान एकत्र किए जाने वाले डेटा की एकीकृत मात्रा के बराबर है। हालांकि ये परिणाम सिमुलेशन पर आधारित हैं और अभी तक वास्तविक डिटेक्टर डेटा पर नहीं, फिर भी वे भविष्य के प्रयोगों के लिए एक मजबूत रोडमैप प्रदान करते हैं। शोधकर्ताओं ने उल्लेख किया कि वास्तविक दुनिया की स्थितियाँ, जैसे कि कुछ कणों की पहचान करने में डिटेक्टरों की अपूर्ण दक्षता, अंतिम संवेदनशीलता को कम कर सकती है, लेकिन उनके द्वारा विकसित विधि सफलता की संभावनाओं को अधिकतम करने के लिए एक शक्तिशाली उपकरण प्रदान करती है। डेटा का विश्लेषण करने के तरीके को परिष्कृत करके, वैज्ञानिक जल्द ही इस दुर्लभ चैनल में हिग्स बोसोन के गुणों की पुष्टि करने की आशा करते हैं, जो ब्रह्मांड की मौलिक संरचना के बारे में नई अंतर्दृष्टि प्रदान कर सकता है।

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।

Digest आज़माएँ →