Domain Adaptive Graph Neural Networks for Neutrino Experiments

न्यूट्रिनो ऐसे रहस्यमयी कण हैं जो ब्रह्मांड में लगभग पूरी तरह से बिना किसी आहट के घूमते रहते हैं, और वे तारों, ग्रहों और यहाँ तक कि हमारे अपने शरीरों के माध्यम से भी बिना कोई निशान छोड़े गुजर जाते हैं। क्योंकि वे पदार्थ के साथ बहुत कम अंतःक्रिया करते हैं, इसलिए वैज्ञानिकों को उनमें से कुछ को पकड़ने के लिए विशाल, संवेदनशील डिटेक्टर बनाने पड़ते हैं। ये डिटेक्टर, जो अक्सर लिक्विड आर्गन से भरे होते हैं, एक विशाल 3D कैमरे की तरह कार्य करते हैं जो उन धुंधले निशानों को रिकॉर्ड करते हैं जो तब पीछे छूट जाते हैं जब एक न्यूट्रिनो अंततः एक परमाणु से टकराता है। इन जटिल निशानों का अर्थ निकालने के लिए, भौतिक विज्ञानी कंप्यूटर प्रोग्रामों पर भरोसा करते हैं, जो इस घटना को पुनर्गठित करते हैं, यह पहचानते हैं कि इसमें किस प्रकार का कण शामिल था और वह कहाँ से आया था। हाल के वर्षों में, आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) इस कार्य के लिए एक शक्तिशाली उपकरण बन गया है, जो शोर के बीच से संकेत खोजने में मदद करता है। हालाँकि, एक निरंतर समस्या इन प्रयासों को बाधित करती रही है: कंप्यूटर प्रोग्राम आमतौर पर आदर्श, सिम्युलेटेड (सिम्युलेटेड) डेटा पर प्रशिक्षित होते हैं, लेकिन वास्तविक दुनिया के डिटेक्टर अव्यवस्थित और अपूर्ण होते हैं। जब एक स्वच्छ सिमुलेशन पर प्रशिक्षित मॉडल को भौतिक प्रयोग की शोर भरी वास्तविकता पर लागू किया जाता है, तो यह अक्सर लड़खड़ा जाता है, जिससे ऐसी त्रुटियां होती हैं जो नई खोजों को छिपा सकती हैं या नकली खोजें पैदा कर सकती हैं।

शोधकर्ताओं की एक टीम ने इन आर्टिफिशियल इंटेलिजेंस मॉडलों को वास्तविक जीवन की अव्यवस्था को संभालने के लिए सिखाने का एक नया तरीका विकसित किया है। उन्होंने एक विशिष्ट प्रकार के डिटेक्टर पर ध्यान केंद्रित किया जिसे लिक्विड आर्गन टाइम प्रोजेक्शन चैंबर कहा जाता है, जो वर्तमान और भविष्य के न्यूट्रिनो प्रयोगों के लिए केंद्रीय है। टीम ने एक शक्तिशाली प्रकार के न्यूरल नेटवर्क का उपयोग किया जिसे ग्राफ न्यूरल नेटवर्क के रूप में जाना जाता है, जो डेटा के बिखरे हुए बिंदुओं के बीच संबंधों को समझने के लिए डिज़ाइन किया गया है, ठीक वैसे ही जैसे एक चित्र देखने के लिए बिंदुओं को जोड़ने जैसा है। डेटा को एक कठोर ग्रिड में जबरदस्ती फिट करने के बजाय, यह नेटवर्क डिटेक्टर हिट्स को कनेक्शन के एक लचीले जाल के रूप में मानता है। शोधकर्ताओं ने इस नेटवर्क को माइक्रोबून (MicroBooNE) प्रयोग के सिम्युलेटेड न्यूट्रिनो इवेंट्स के एक बड़े सेट पर प्रशिक्षित किया, जो उनके "स्रोत" सत्य के रूप में कार्य करता था। डेटा को वास्तविक दुनिया की खामियों के विरुद्ध कितनी अच्छी तरह परखना है, यह देखने के लिए, उन्होंने जानबूझकर त्रुटियां पेश करके चार अलग-अलग "टारगेट" संस्करण बनाए। इन त्रुटियों ने उन सामान्य समस्याओं की नकल की जिनका सामना वैज्ञानिक करते हैं, जैसे कि डिटेक्टर द्वारा ऊर्जा स्तरों को थोड़ा अधिक या कम मापना, इलेक्ट्रॉनिक हस्तक्षेप जो यादृच्छिक शोर जोड़ता है, या समय के साथ तरल के माध्यम से इलेक्ट्रॉनों के बहने के तरीके में परिवर्तन।

जब उन्होंने अपने मानक मॉडल का इन दूषित डेटासेट्स पर परीक्षण किया, तो इसने खराब प्रदर्शन किया, और वास्तविक कण संकेतों तथा बैकग्राउंड शोर के बीच अंतर करने में संघर्ष किया। मॉडल डेटा के बदलावों से भ्रमित हो गया, जिससे अक्सर वैध संकेत छूट जाते थे या शोर को कण के रूप में गलत पहचान लिया जाता था। इसने पुष्टि की कि सिमुलेशन और वास्तविकता के बीच का अंतर वास्तव में एक महत्वपूर्ण बाधा थी। इसे ठीक करने के लिए, शोधकर्ताओं ने डोमेन अडैप्टेशन (domain adaptation) नामक एक तकनीक पेश की। उन्होंने प्रशिक्षण प्रक्रिया को इस तरह से संशोधित किया कि नेटवर्क को ऐसे फीचर्स (विशेषताओं) को सीखने के लिए मजबूर किया गया जो कणों की पहचान करने के लिए उपयोगी हों, जबकि साथ ही सिम्युलेटेड डेटा और परिवर्तित टारगेट डेटा के बीच के विशिष्ट अंतरों को अनदेखा करने में भी सक्षम हों। यह ऐसा ही था जैसे नेटवर्क को न्यूट्रिनो इवेंट के सार को सीखने के लिए मजबूर किया गया हो बिना उस विशिष्ट डेटासेट के विशिष्ट गुणों से विचलित हुए जिसे वह देख रहा था। यह एक विशेष घटक को जोड़कर प्राप्त किया गया था जो यह अनुमान लगाने की कोशिश करता था कि डेटा सिमुलेशन से आया है या परिवर्तित संस्करण से, जबकि मुख्य नेटवर्क उस अनुमान को असंभव बनाने के लिए लड़ता था।

परिणामों ने दिखाया कि यह दृष्टिकोण उल्लेखनीय रूप से अच्छा काम करता है। जब शोधकर्ताओं ने अपने अनुकूलित मॉडल को चार अलग-अलग दूषित डेटासेट्स पर लागू किया, तो इसके प्रदर्शन में नाटकीय सुधार हुआ। सबसे कठिन परिदृश्यों में, जहाँ डेटा शोर या स्केलिंग त्रुटियों से अत्यधिक विकृत था, संकेतों को सही ढंग से पहचानने की मॉडल की क्षमता काफी बढ़ गई, जिससे इसकी खोई हुई सटीकता काफी हद तक वापस मिल गई। उदाहरण के लिए, अत्यधिक शोर वाले एक परीक्षण में, सही कणों को खोजने की मॉडल की सफलता दर निम्न स्तर से बढ़कर उच्च स्तर पर पहुँच गई, जो मूल, स्वच्छ सिमुलेशन पर इसके प्रदर्शन के लगभग बराबर थी। महत्वपूर्ण रूप से, इस मैसी (अव्यवस्थित) डेटा को संभालने में यह सुधार मूल स्वच्छ डेटा पर प्रदर्शन की कीमत पर नहीं आया; मॉडल मूल सिमुलेशन का विश्लेषण करने में उतना ही अच्छा बना रहा जितना कि वह पहले था। शोधकर्ताओं ने पाया कि नेटवर्क ने डेटा की एक साझा समझ बनाने के लिए सीखा जो पूर्ण सिमुलेशन और अपूर्ण वास्तविकताओं दोनों के लिए काम करती थी।

यह कार्य यह प्रदर्शित करता है कि सिद्धांत और प्रयोग के बीच के अंतर को पाटने के लिए इन मॉडलों को प्रशिक्षित करके अधिक विश्वसनीय आर्टिफिशियल इंटेलिजेंस मॉडल बनाना संभव है। इस डोमेन अडैप्टेशन तकनीक का उपयोग करके, वैज्ञानिक ऐसे उपकरण बना सकते हैं जो कंप्यूटर मॉडल और भौतिक डिटेक्टरों के बीच होने वाले अनिवार्य अंतरों को संभालने के लिए पर्याप्त मजबूत हों। यह न्यूट्रिनो अनुसंधान के भविष्य के लिए अत्यंत महत्वपूर्ण है, जहाँ अगली पीढ़ी के डिटेक्टर और भी बड़े और अधिक जटिल होंगे। यदि इन विशाल मशीनों से डेटा का विश्लेषण करने वाले मॉडल विश्वसनीय नहीं हैं, तो वे सूक्ष्म संकेतों को मिस कर सकते हैं या किसी गड़बड़ी को एक खोज मान सकते हैं। अध्ययन यह सुझाव देता है कि मॉडलों को इन विशिष्ट प्रकार की त्रुटियों के प्रति अपरिवर्तनीय (invariant) बनाने के लिए प्रशिक्षित करके, शोधकर्ता यह सुनिश्चित कर सकते हैं कि उनके निष्कर्ष सिमुलेशन के आर्टिफैक्ट्स (कृत्रिम प्रभावों) के बजाय न्यूट्रिनो के वास्तविक व्यवहार पर आधारित हों। हालांकि टीम ने विशिष्ट प्रकार की त्रुटियों पर इसका परीक्षण किया, लेकिन यह पद्धति मशीन लर्निंग को ब्रह्मांड के मौलिक नियमों की खोज में एक अधिक विश्वसनीय साथी बनाने के लिए एक आशाजनक मार्ग प्रदान करती है।