اسپارس نیورل نیٹ ورک طبیعیات دانوں کو مفید ڈیٹا کی طرف اشارہ کرتے ہیں۔ کوانٹا میگزین

فرض کریں کہ آپ کے پاس ایک ہزار صفحات کی کتاب ہے، لیکن ہر صفحے پر متن کی صرف ایک لائن ہے۔ آپ کو اسکینر کا استعمال کرتے ہوئے کتاب میں موجود معلومات کو نکالنا ہے، صرف یہ مخصوص اسکینر ایک وقت میں ایک مربع انچ اسکین کرتے ہوئے، ہر صفحے پر منظم طریقے سے جاتا ہے۔ اس اسکینر سے پوری کتاب کو دیکھنے میں آپ کو کافی وقت لگے گا، اور اس وقت کا زیادہ تر وقت خالی جگہ کو اسکین کرنے میں ضائع ہو جائے گا۔ 

یہ بہت سے تجرباتی طبیعیات دان کی زندگی ہے۔ ذرہ تجربات میں، ڈٹیکٹر ڈیٹا کی وسیع مقدار کو پکڑتے اور تجزیہ کرتے ہیں، حالانکہ اس کا صرف ایک چھوٹا سا حصہ مفید معلومات پر مشتمل ہوتا ہے۔ "آسمان میں اڑنے والے پرندے کی تصویر میں، ہر پکسل معنی خیز ہو سکتا ہے،" وضاحت کی کازوہیرو تیراؤSLAC نیشنل ایکسلریٹر لیبارٹری میں ماہر طبیعیات۔ لیکن ان تصاویر میں جو ایک طبیعیات دان دیکھتا ہے، اکثر اس کا صرف ایک چھوٹا سا حصہ ہی اہمیت رکھتا ہے۔ اس طرح کے حالات میں، ہر تفصیل پر غور کرنے میں وقت اور کمپیوٹیشنل وسائل کی ضرورت نہیں ہوتی۔

لیکن یہ بدلنا شروع ہو رہا ہے۔ ایک مشین لرننگ ٹول کے ساتھ جسے اسپارس کنوولوشنل نیورل نیٹ ورک (SCNN) کہا جاتا ہے، محققین اپنے ڈیٹا کے متعلقہ حصوں پر توجہ مرکوز کر سکتے ہیں اور باقی کو اسکرین کر سکتے ہیں۔ محققین نے ان نیٹ ورکس کا استعمال ریئل ٹائم ڈیٹا تجزیہ کرنے کی اپنی صلاحیت کو بڑے پیمانے پر تیز کرنے کے لیے کیا ہے۔ اور وہ کم از کم تین براعظموں پر آنے والے یا موجودہ تجربات میں SCNNs کو ملازمت دینے کا ارادہ رکھتے ہیں۔ سوئچ فزکس کمیونٹی کے لیے ایک تاریخی تبدیلی کی نشاندہی کرتا ہے۔ 

"طبیعیات میں، ہم اپنے الگورتھم اور کمپیوٹیشنل نقطہ نظر کو تیار کرنے کے عادی ہیں،" نے کہا۔ کارلوس آرگیلس-ڈیلگاڈو، ہارورڈ یونیورسٹی میں ماہر طبیعیات۔ "ہم ہمیشہ ترقی میں سب سے آگے رہے ہیں، لیکن اب، چیزوں کے کمپیوٹیشنل اختتام پر، کمپیوٹر سائنس اکثر راہنمائی کر رہی ہے۔" 

ویرل کردار

وہ کام جو SCNNs کی طرف لے جائے گا 2012 میں شروع ہوا، جب بنیامین گراہمپھر یونیورسٹی آف واروک میں، ایک ایسا نیورل نیٹ ورک بنانا چاہتا تھا جو چینی لکھاوٹ کو پہچان سکے۔ 

اس وقت تصویر سے متعلق کاموں کے لیے اہم ٹولز convolutional neural networks (CNNs) تھے۔ چینی ہینڈ رائٹنگ کے کام کے لیے، ایک مصنف ڈیجیٹل ٹیبلٹ پر ایک کردار کو ٹریس کرے گا، جس سے 10,000 پکسلز کی تصویر بنتی ہے۔ اس کے بعد CNN ایک 3-by-3 گرڈ کو منتقل کرے گا جسے کرنل کہا جاتا ہے پوری تصویر میں، ہر پکسل پر انفرادی طور پر دانا کو مرکز کرتا ہے۔ دانا کی ہر جگہ کے لیے، نیٹ ورک ایک پیچیدہ ریاضیاتی حساب کتاب کرے گا جسے کنوولوشن کہتے ہیں جو امتیازی خصوصیات کو تلاش کرتا ہے۔

CNNs کو معلومات سے بھرپور تصاویر جیسے کہ تصاویر کے ساتھ استعمال کرنے کے لیے ڈیزائن کیا گیا تھا۔ لیکن چینی کردار پر مشتمل ایک تصویر زیادہ تر خالی ہے۔ محققین اس پراپرٹی کے ساتھ ڈیٹا کو ویرل کہتے ہیں۔ یہ قدرتی دنیا میں کسی بھی چیز کی ایک عام خصوصیت ہے۔ گراہم نے کہا، "دنیا کتنی ویرل ہو سکتی ہے اس کی مثال دینے کے لیے،" گراہم نے کہا، اگر ایفل ٹاور کو ممکنہ طور پر سب سے چھوٹے مستطیل میں بند کر دیا جائے تو یہ مستطیل "99.98% ہوا اور صرف 0.02% لوہے پر مشتمل ہو گا۔"

گراہم نے CNN اپروچ کو ٹوئیک کرنے کی کوشش کی تاکہ دانا کو تصویر کے صرف 3 بائی 3 حصوں پر رکھا جائے جس میں کم از کم ایک پکسل ہو جس کی غیر صفر ویلیو ہو (اور صرف خالی نہیں ہے)۔ اس طرح، وہ ایک ایسا نظام تیار کرنے میں کامیاب ہو گیا جو ہاتھ سے لکھے ہوئے چینیوں کی مؤثر طریقے سے شناخت کر سکے۔ اس نے صرف 2013% کی غلطی کی شرح کے ساتھ انفرادی کرداروں کی شناخت کرکے 2.61 کا مقابلہ جیتا۔ (انسانوں نے اوسطاً 4.81% اسکور کیا۔) اس کے بعد اس نے اپنی توجہ ایک اور بھی بڑے مسئلے کی طرف مبذول کرائی: تین جہتی آبجیکٹ کی شناخت۔

2017 تک، گراہم فیس بک اے آئی ریسرچ میں چلے گئے تھے اور اس نے اپنی تکنیک کو مزید بہتر کیا تھا۔ شائع la تفصیلات پہلے SCNN کے لیے، جس نے دانا کو صرف ان پکسلز پر مرکوز کیا جس کی غیر صفر ویلیو تھی (بلکہ دانا کو کسی بھی 3 بائی 3 سیکشن پر رکھنے کے جس میں کم از کم ایک "نان زیرو" پکسل ہو)۔ یہی عام خیال تھا جسے ٹیراؤ نے پارٹیکل فزکس کی دنیا میں لایا تھا۔

زیر زمین شاٹس

ٹیراو فرمی نیشنل ایکسلریٹر لیبارٹری کے تجربات میں شامل ہے جو نیوٹرینو کی نوعیت کی تحقیقات کرتے ہیں، جن میں سب سے زیادہ مشہور ابتدائی ذرات ہیں۔ وہ کائنات میں بڑے پیمانے پر سب سے زیادہ پرچر ذرات بھی ہیں (اگرچہ زیادہ نہیں)، لیکن وہ شاذ و نادر ہی کسی ڈیٹیکٹر کے اندر ظاہر ہوتے ہیں۔ نتیجے کے طور پر، نیوٹرینو تجربات کے لیے زیادہ تر ڈیٹا بہت کم ہے، اور ٹیراو ڈیٹا کے تجزیہ کے لیے بہتر طریقوں کی تلاش میں مسلسل تھا۔ اسے SCNNs میں ایک ملا۔

2019 میں، اس نے ڈیپ انڈر گراؤنڈ نیوٹرینو تجربہ، یا DUNE سے متوقع اعداد و شمار کے سمیلیشنز پر SCNNs کا اطلاق کیا، جو کہ 2026 میں آن لائن آنے پر دنیا کا سب سے بڑا نیوٹرینو فزکس تجربہ ہوگا۔ یہ پروجیکٹ شکاگو سے بالکل باہر، فیرمیلاب سے نیوٹرینو کو مارے گا۔ راستے میں، ذرات نیوٹرینو کی تین معلوم اقسام کے درمیان "دوران" ہو جائیں گے، اور یہ دوغلے نیوٹرینو کی تفصیلی خصوصیات کو ظاہر کر سکتے ہیں۔

SCNNs نے نقلی اعداد و شمار کا عام طریقوں سے زیادہ تیزی سے تجزیہ کیا، اور ایسا کرنے میں نمایاں طور پر کم کمپیوٹیشنل طاقت کی ضرورت تھی۔ امید افزا نتائج کا مطلب ہے کہ ممکنہ طور پر SCNNs کا استعمال حقیقی تجرباتی دوڑ کے دوران کیا جائے گا۔

2021 میں، اسی دوران، ٹیراو نے فرمیلاب میں ایک اور نیوٹرینو تجربے میں SCNNs کو شامل کرنے میں مدد کی جسے MicroBooNE کہا جاتا ہے۔ یہاں، سائنس دان نیوٹرینو اور آرگن ایٹموں کے مرکزے کے درمیان تصادم کے نتیجے کو دیکھتے ہیں۔ ان تعاملات کے ذریعہ بنائے گئے ٹریکس کی جانچ کرکے، محققین اصل نیوٹرینو کے بارے میں تفصیلات کا اندازہ لگا سکتے ہیں۔ ایسا کرنے کے لیے، انہیں ایک الگورتھم کی ضرورت ہے جو پکسلز کو دیکھ سکے (یا تکنیکی طور پر، ان کے تین جہتی ہم منصب جنہیں ووکسلز کہا جاتا ہے) کو پکڑنے والے کی تین جہتی نمائندگی میں دیکھ سکے اور پھر یہ طے کر سکے کہ کون سے پکسلز کون سے ذرہ کی رفتار سے وابستہ ہیں۔

کیونکہ ڈیٹا بہت کم ہے — ایک بڑے ڈیٹیکٹر (تقریباً 170 ٹن مائع آرگن) کے اندر چھوٹی لکیروں کا بکھر جانا — SCNNs اس کام کے لیے تقریباً بہترین ہیں۔ ٹیراو نے کہا کہ معیاری CNN کے ساتھ، تصویر کو 50 ٹکڑوں میں تقسیم کرنا پڑے گا، کیونکہ تمام گنتی کی جانی ہے۔ "ایک ویرل CNN کے ساتھ، ہم ایک ساتھ پوری تصویر کا تجزیہ کرتے ہیں - اور اسے بہت تیزی سے کرتے ہیں۔"

بروقت محرکات

MicroBooNE پر کام کرنے والے محققین میں سے ایک انڈرگریجویٹ انٹرن تھا جس کا نام فیلکس یو تھا۔ SCNNs کی طاقت اور کارکردگی سے متاثر ہو کر، وہ اپنے ساتھ اپنے اگلے کام کی جگہ پر ہارورڈ ریسرچ لیبارٹری میں گریجویٹ طالب علم کے طور پر ٹولز لے آیا جو قطب جنوبی میں IceCube نیوٹرینو آبزرویٹری سے باضابطہ طور پر وابستہ ہے۔

رصد گاہ کے اہم اہداف میں سے ایک کائنات کے سب سے زیادہ توانائی بخش نیوٹرینو کو روکنا اور انہیں ان کے ذرائع تک واپس لانا ہے، جن میں سے زیادہ تر ہماری کہکشاں سے باہر ہیں۔ ڈیٹیکٹر انٹارکٹک برف میں دفن 5,160 آپٹیکل سینسرز پر مشتمل ہے، جس کا صرف ایک چھوٹا سا حصہ کسی بھی وقت روشن ہوتا ہے۔ باقی صف تاریک رہتی ہے اور خاص طور پر معلوماتی نہیں ہے۔ اس سے بھی بدتر بات یہ ہے کہ بہت سے "واقعات" جنہیں ڈیٹیکٹر ریکارڈ کرتے ہیں غلط مثبت ہیں اور نیوٹرینو شکار کے لیے مفید نہیں ہیں۔ صرف نام نہاد ٹرگر سطح کے واقعات ہی مزید تجزیے کے لیے کٹوتی کرتے ہیں، اور فوری فیصلے کرنے کی ضرورت ہے کہ کون سے اس عہدہ کے لائق ہیں اور کن کو مستقل طور پر نظر انداز کر دیا جائے گا۔

معیاری CNNs اس کام کے لیے بہت سست ہیں، لہذا IceCube سائنسدانوں نے طویل عرصے سے LineFit نامی الگورتھم پر انحصار کیا ہے تاکہ انہیں ممکنہ طور پر مفید پتہ لگانے کے بارے میں بتایا جا سکے۔ لیکن یہ الگورتھم ناقابل اعتبار ہے، یو نے کہا، "جس کا مطلب ہے کہ ہم دلچسپ واقعات سے محروم رہ سکتے ہیں۔" ایک بار پھر، یہ ایک ویرل ڈیٹا ماحول ہے جو SCNN کے لیے مثالی طور پر موزوں ہے۔

Yu — Argüelles-Delgado کے ساتھ، اس کے ڈاکٹریٹ کے مشیر، اور جیف لازار، جو یونیورسٹی آف وسکونسن، میڈیسن کے ایک گریجویٹ طالب علم ہیں — نے اس فائدہ کی مقدار درست کی، ایک حالیہ کاغذ کہ یہ نیٹ ورک عام سی این این کے مقابلے میں تقریباً 20 گنا تیز ہوں گے۔ "یہ اتنا تیز ہے کہ ہر ایک واقعہ کو چلانے کے لیے جو ڈیٹیکٹر سے نکلتا ہے،" تقریباً 3,000 ہر سیکنڈ، لازر نے کہا۔ "یہ ہمیں بہتر فیصلے کرنے کے قابل بناتا ہے کہ کیا پھینکنا ہے اور کیا رکھنا ہے۔"

مصنفین نے سرکاری IceCube ڈیٹا کا استعمال کرتے ہوئے ایک تخروپن میں ایک SCNN کو کامیابی کے ساتھ استعمال کیا ہے، اور اگلا مرحلہ اپنے سسٹم کو جنوبی قطب کمپیوٹنگ سسٹم کی نقل پر جانچنا ہے۔ اگر سب کچھ ٹھیک ہو جاتا ہے تو، Argüelles-Delgado کا خیال ہے کہ انہیں اگلے سال انٹارکٹک آبزرویٹری میں اپنا سسٹم انسٹال کر لینا چاہیے۔ لیکن ٹیکنالوجی اس سے بھی زیادہ وسیع استعمال دیکھ سکتی ہے۔ "ہم سمجھتے ہیں کہ [SCNNs] تمام نیوٹرینو دوربینوں کو فائدہ پہنچا سکتے ہیں، نہ صرف آئس کیوب،" Argüelles-Delgado نے کہا۔

نیوٹرینو سے آگے

فلپ ہیرس، میساچوسٹس انسٹی ٹیوٹ آف ٹیکنالوجی کے ماہر طبیعیات، امید کر رہے ہیں کہ SCNNs ان سب میں سے سب سے بڑے پارٹیکل کولائیڈر: CERN میں Large Hadron Collider (LHC) میں مدد کر سکتے ہیں۔ ہیرس نے اس قسم کے اعصابی نیٹ ورک کے بارے میں MIT کے ایک ساتھی، کمپیوٹر سائنسدان سونگ ہان سے سنا۔ "گیت الگورتھم کو تیز اور موثر بنانے کا ماہر ہے،" ہیریس نے کہا - LHC کے لیے بہترین ہے، جہاں ہر سیکنڈ میں 40 ملین تصادم ہوتے ہیں۔

جب انہوں نے کچھ سال پہلے بات کی تھی، سونگ نے ہیریس کو ایک خود مختار گاڑی کے منصوبے کے بارے میں بتایا جو وہ اپنی لیب کے ممبروں کے ساتھ کر رہا تھا۔ سونگ کی ٹیم گاڑی کے سامنے کی جگہ کے 3D لیزر نقشوں کا تجزیہ کرنے کے لیے SCNNs کا استعمال کر رہی تھی، جن میں سے زیادہ تر خالی ہے، یہ دیکھنے کے لیے کہ آیا آگے کوئی رکاوٹ تو نہیں ہے۔

حارث اور ان کے ساتھیوں کو LHC میں اسی طرح کے چیلنجز کا سامنا ہے۔ جب مشین کے اندر دو پروٹون آپس میں ٹکرا جاتے ہیں، تو حادثہ ذرات سے بنا ایک پھیلتا ہوا دائرہ بناتا ہے۔ جب ان میں سے ایک ذرات کلیکٹر سے ٹکراتا ہے، تو ایک ثانوی پارٹیکل شاور ہوتا ہے۔ "اگر آپ اس شاور کی مکمل حد کا نقشہ بنا سکتے ہیں،" ہیریس نے کہا، "آپ اس ذرے کی توانائی کا تعین کر سکتے ہیں جس نے اسے جنم دیا،" جو کہ خاص دلچسپی کا باعث ہو سکتا ہے - جیسا کہ ہگز بوسون، جسے طبیعیات دانوں نے 2012 میں دریافت کیا تھا، یا ایک سیاہ مادے کا ذرہ، جسے طبیعیات دان اب بھی تلاش کر رہے ہیں۔

"ہم جس مسئلے کو حل کرنے کی کوشش کر رہے ہیں وہ نقطوں کو جوڑنے کے لیے آتا ہے،" ہیریس نے کہا، بالکل اسی طرح جیسے ایک خود سے چلنے والی کار کسی رکاوٹ کا پتہ لگانے کے لیے لیزر میپ کے نقطوں کو جوڑ سکتی ہے۔

ہیریس نے کہا کہ SCNNs LHC میں ڈیٹا کے تجزیہ کو کم از کم 50 کے فیکٹر سے تیز کریں گے۔ "ہمارا حتمی مقصد [SCNNs] کو ڈیٹیکٹر میں شامل کرنا ہے" - ایک ایسا کام جس میں کم از کم ایک سال کا کاغذی کام اور کمیونٹی سے اضافی خریداری ہوگی۔ لیکن وہ اور ان کے ساتھی پر امید ہیں۔

مجموعی طور پر، اس بات کا زیادہ امکان ہے کہ SCNNs - ایک خیال جو اصل میں کمپیوٹر سائنس کی دنیا میں تصور کیا گیا تھا - جلد ہی نیوٹرینو فزکس (DUNE)، نیوٹرینو فلکیات (IceCube) اور ہائی انرجی فزکس (LHC) میں کیے گئے سب سے بڑے تجربات میں اپنا کردار ادا کرے گا۔

گراہم نے کہا کہ انہیں یہ جان کر خوشگوار حیرت ہوئی کہ SCNNs نے پارٹیکل فزکس میں اپنا راستہ بنا لیا ہے، حالانکہ وہ مکمل طور پر حیران نہیں تھے۔ "ایک تجریدی معنوں میں،" انہوں نے کہا، "خلا میں حرکت کرنے والا ذرہ کاغذ کے ٹکڑے پر حرکت کرنے والے قلم کی نوک کی طرح ہے۔"