Data-driven modeling of rotation curves with artificial neural networks

ब्रह्मांड की कल्पना एक विशाल, घूमते हुए डांस फ्लोर के रूप में करें जहाँ तारे, गैस और धूल एक केंद्रीय बिंदु के चारों ओर घूम रहे हैं। दशकों से, खगोलशास्त्री उस "संगीत" को समझने की कोशिश कर रहे हैं जो इस नृत्य को जारी रखता है। वे मापते हैं कि एक आकाशगंगा के केंद्र से विभिन्न दूरियों पर तारे कितनी तेज़ी से घूम रहे हैं, जिससे एक ग्राफ बनता है जिसे "रोटेशन कर्व" (घूर्णन वक्र) कहा जाता है। यहाँ एक रहस्य है: जब वे आकाशगंगा के चमकीले तारों के आधार पर दृश्यमान द्रव्यमान (पदार्थ) की गणना करते हैं, तो यह आकाशगंगा के तारों की गति को समझाने के लिए पर्याप्त नहीं होता है। यह बिल्कुल वैसा ही है जैसे किसी कार को हाईवे पर तेज़ी से दौड़ते हुए देखना लेकिन उसके हुड के नीचे कोई इंजन न मिलना। इस समस्या को हल करने के लिए, वैज्ञानिकों ने प्रस्तावित किया कि अदृश्य "डार्क मैटर" (डार्क मैटर) एक छिपे हुए इंजन के रूप में कार्य करता है, जो आकाशगंगा को एक साथ थामे रखने के लिए अतिरिक्त गुरुत्वाकर्षण प्रदान करता है।

पारंपरिक रूप से, इस अदृश्य इंजन का मानचित्र बनाने के लिए, वैज्ञानिक गणितीय सूत्रों का उपयोग करते हैं—जैसे कि आटे के एक लोथड़े पर एक विशिष्ट आकार के कुकी कटर (बिस्कुट काटने वाला सांचा) को फिट करने की कोशिश करना। वे मान लेते हैं कि आटे (आकाशगंगा) का एक निश्चित आकार है और कुकी कटर (गणितीय मॉडल) को उसमें पूरी तरह से फिट होना चाहिए। लेकिन आकाशगंगाएँ बिखरी हुई, ऊबड़-खाबड़ और अद्वितीय होती हैं; कभी-कभी आटा कुकी कटर में फिट ही नहीं बैठता। यहीं पर एक नया, डिजिटल दृष्टिकोण काम आता है। डेटा पर एक पूर्व-निर्मित आकार थोपने के बजाय, क्या होगा यदि हम कंप्यूटर को बिना यह अनुमान लगाए कि कुकी कटर कैसा दिखना चाहिए, सीधे अवलोकनों से आटे के आकार को "सीखने" दें? यही वह प्रश्न है जिसका उत्तर देने के लिए मैक्सिको और स्विट्जरलैंड के शोधकर्ताओं की एक टीम ने प्रयास किया।

डिजिटल जासूस और ब्रह्मांडीय नृत्य

इस अध्ययन में, शोधकर्ताओं ने डिजिटल जासूसों की तरह काम किया, लेकिन अपराध सुलझाने के बजाय, वे 17 अलग-अलग सर्पिल आकाशगंगाओं (स्पाइरल गैलेक्सी) की छिपी हुई संरचना को समझने की कोशिश कर रहे थे। उन्होंने "आर्टिफिशियल न्यूरल नेटवर्क" (ANN) नामक एक शक्तिशाली प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग किया। आप एक ANN को एक सुपर-स्मार्ट, डिजिटल प्रशिक्षु (अपेंटिस) के रूप में समझ सकते हैं। एक पारंपरिक वैज्ञानिक के विपरीत, जो एक नियम पुस्तिका (एक गणितीय सूत्र) से शुरुआत करता है और डेटा को उसमें फिट करने की कोशिश करता है, एक ANN केवल कच्चे डेटा बिंदुओं—वास्तविक मापों कि तारे विभिन्न दूरियों पर कितनी तेज़ी से घूम रहे हैं—के साथ शुरुआत करता है।

टीम ने अपने AI को "THINGS" सर्वेक्षण से प्राप्त एक उच्च-गुणवत्ता वाले डेटासेट को दिया, जिसमें इन 17 विशिष्ट आकाशगंगाओं के सटीक अवलोकन शामिल हैं। उन्होंने AI को सिखाया कि वह आकाशगंगा के केंद्र से दूरी को देखे और तारों की गति की भविष्यवाणी करे, साथ ही यह भी बताए कि उस भविष्यवाणी में वह कितना आश्वस्त है। यह सुनिश्चित करने के लिए कि AI केवल एक तोते की तरह डेटा को रट न ले (जिसे "ओवरफिटिंग" कहा जाता है), उन्होंने "मोंटे कार्लो ड्रॉपआउट" (Monte Carlo Dropout) नामक एक चतुर तकनीक का उपयोग किया। कल्पना कीजिए कि AI एक परीक्षा कई बार दे रहा है, लेकिन हर बार जब वह परीक्षा देता है, तो वह याद से कुछ तथ्य भूल जाता है। यह देखकर कि चीजें भूल जाने पर उसके उत्तरों में कितना बदलाव आता है, AI आपको बता सकता है, "मैं इस उत्तर के बारेని काफी आश्वस्त हूँ, लेकिन उस दूसरे उत्तर को लेकर मैं थोड़ा डगमगा रहा हूँ।" यह मॉडल को एक अंतर्निहित "अनिश्चितता मीटर" प्रदान करता है।

महायुद्ध: पुराने नियम बनाम नई सीख

यह देखने के लिए कि उनका नया AI तरीका कितना अच्छा था, शोधकर्ताओं ने इसे पुराने तरीके के विरुद्ध मुकाबला कराया। पारंपरिक विधि अदृश्य डार्क मैटर के लिए एक विशिष्ट गणितीय आकार का उपयोग करती है, जिसे "नवारो-फ्रेंक-व्हाइट" (NFW) मॉडल कहा जाता है। उन्होंने इस पुराने मॉडल का दो तरीकों से परीक्षण किया: पहले, यह मानकर कि तारों का द्रव्यमान स्थिर और ज्ञात है (एक सख्त रेसिपी की तरह), और दूसरा, तारों के द्रव्यमान को एक "मुक्त चर" (फ्री वेरिएबल) के रूप में छोड़कर जो गणित को बेहतर बनाने के लिए बदल सकता है।

परिणाम सफलता और आश्चर्य का एक दिलचस्प मिश्रण थे। शोधकर्ताओं ने 17 आकाशगंगाओं को तीन श्रेणियों में विभाजित किया, इस आधार पर कि किस विधि ने वास्तविक अवलोकनों से मेल खाने में सबसे अच्छा काम किया:

1. "पुराने नियम सबसे अच्छा काम करते हैं" समूह (समूह A): चार आकाशगंगाओं (DDO154, NGC2903, NGC3621, और NGC2403) के लिए, पारंपरिक गणितीय मॉडल वास्तव में डेटा के साथ बेहतर ढंग से फिट हुए। इन मामलों में, आकाशगंगाएँ मानक "रेसिपी" का काफी अच्छी तरह से पालन करती प्रतीत हुईं, और AI का डेटा से अकेले सीखने का प्रयास थोड़ा अस्थिर रहा।
2. "मध्य मार्ग" समूह (समूह B): चार अन्य आकाशगंगाओं (NGC3031, NGC2841, NGC3198, और NGC5055) के लिए, AI "कठोर निश्चित रेसिपी" वाले मॉडल से बेहतर था, लेकिन वह "मुक्त चर" वाले मॉडल जितना अच्छा नहीं था। ऐसा लगता है कि ये आकाशगंगाएँ थोड़ी जटिल थीं, जो एक सरल आकार और एक जटिल बिखराव के बीच कहीं स्थित थीं।
3. "AI की जीत" समूह (समूह C): यह सबसे रोमांचक समूह था, जिसमें नौ आकाशगंगाएँ (NGC3521, NGC2366, और IC2574 सहित) शामिल थीं। इन आकाशगंगाओं के लिए, AI का डेटा-संचालित मॉडल स्पष्ट विजेता था, जो किसी भी पारंपरिक गणितीय मॉडल की तुलना में अवलोकनों के बहुत करीब था।

AI कुछ मामलों में क्यों जीता

शोध पत्र सुझाव देता है कि समूह C में AI इसलिए सफल रहा क्योंकि इन आकाशगंगाओं की संरचनाएँ बहुत बिखरी हुई और जटिल हैं, जो पुराने गणितीय सूत्रों के साफ-सुथरे, चिकने वक्रों (curves) में फिट नहीं बैठतीं। उदाहरण के लिए, कुछ आकाशगंगाओं में तारों या गैस का असमान वितरण होता है, या उनमें डार्क मैटर के "गुच्छे" हो सकते हैं जिन्हें पुराने मॉडल नहीं समझ सके। पारंपरिक मॉडल अक्सर डेटा को एक चिकने वक्र में फिट करने के लिए मजबूर करते थे, जिससे बड़े एरर (त्रुटियाँ) उत्पन्न होते थे, विशेष रूप से आकाशगंगा के आंतरिक भागों में जहाँ तारे घने होते हैं। हालाँकि, AI को चिकनापन (smoothness) से कोई फर्क नहीं पड़ता था; इसने बस डेटा के वास्तविक, ऊबड़-खाबड़ पैटर्न को सीखा।

यह अध्ययन रेखांकित करता है कि जहाँ कुछ आकाशगंगाओं के लिए पुराने गणितीय मॉडल अभी भी उपयोगी हैं, वहीं उनकी सीमाएँ भी हैं। जब कोई आकाशगंगा बहुत जटिल या असामान्य विशेषताओं वाली होती है, तो "कुकी कटर" दृष्टिकोण विफल हो जाता है। इसके विपरीत, AI दृष्टिकोण लचीला है और बिना पहले से नियम अनुमानित किए, इन अनियमितताओं को पकड़ने में सक्षम है।

भविष्य के लिए इसका क्या अर्थ है

शोधकर्ता यह दावा नहीं कर रहे हैं कि पुराने मॉडल गलत हैं या AI ने डार्क मैटर के रहस्य को सुलझा लिया है। इसके बजाय, वे सुझाव देते हैं कि हमें दोनों उपकरणों की आवश्यकता है। AI एक शक्तिशाली नए लेंस के रूप में कार्य करता है जो हमें दिखा सकता है कि पुराने मॉडल कहाँ विफल हो जाते हैं। यह प्रकट करता है कि कुछ आकाशगंगाओं के लिए, दृश्यमान तारों और अदृश्य डार्क मैटर के बीच का संक्रमण एक सहज, अनुमानित ढलान नहीं है, बल्कि एक जटिल, ऊबड़-खाबड़ यात्रा है।

इन डेटा-संचालित मॉडलों का उपयोग करके, वैज्ञानिक अब उन आकाशगंगाओं की पहचान कर सकते हैं जो उम्मीद से अलग व्यवहार करती हैं। यह हमें यह तो नहीं बताता कि डार्क मैटर वास्तव में क्या है, लेकिन यह हमें ठीक-ठीक बताता है कि हमारे वर्तमान सिद्धांत कहाँ चूक रहे हैं। यह एक ऐसे मानचित्र की तरह है जो न केवल उन सड़कों को दिखाता है जिन्हें हम जानते हैं, बल्कि उन ऊबड़-खाबड़, कच्चे रास्तों को भी उजागर करता है जहाँ हमें नए पुल बनाने की आवश्यकता है। अध्ययन निष्कर्ष निकालता है कि मशीन लर्निंग खगोलविदों के लिए एक आशाजनक साथी है, जो हमें अपने पूर्व-निर्मित अनुमानों से अंधे हुए बिना ब्रह्मांड की जटिलता को देखने का एक तरीका प्रदान करती है।