SageNet: Fast Neural Network Emulation of the Stiff-amplified Gravitational Waves from Inflation

ब्रह्मांड एक स्थिर मंच नहीं है; यह एक गतिशील, विस्तार करने वाला ताना-बाना है जो अपने जन्म के क्षण से ही खिंचता आ रहा है। बिग बैंग के ठीक बाद के शुरुआती सेकंड के अंश में, 'कॉस्मिक इन्फ्लेशन' (ब्रह्मांडीय मुद्रास्फीति) नामक एक सिद्धांत बताता है कि ब्रह्मांड प्रकाश की गति से भी तेज़ फैला था, जिसने ब्रह्मांड को सुव्यवस्थित किया और उस आधार को तैयार किया जो आज हमें दिखाई देता है। इस तीव्र विस्तार ने न केवल पदार्थ का निर्माण किया; इसने अंतरिक्ष और समय की मूल संरचना में लहरें भी उत्पन्न कीं। इन लहरों को गुरुत्वाकर्षण तरंगें (gravitational waves) कहा जाता है। हालांकि हाल के वर्षों में हमने ब्लैक होल के टकराने से उत्पन्न तरंगों का पता लगाया है, लेकिन ब्रह्मांड के शैशव काल की उन प्राचीन, मंद तरंगों की गूँज अब भी मायावी बनी हुई है। वैज्ञानिकों का मानना है कि ये आदिम तरंगें एक अनूठा संकेत (signature) ले जाती हैं: यदि प्रारंभिक ब्रह्मांड एक विशिष्ट, हिंसक चरण से गुजरा था जहाँ ऊर्जा एक कठोर, सख्त तरीके से आगे बढ़ी थी, तो ये प्राचीन तरंगें प्रवर्धित हो जातीं, जिससे एक ऐसा बैकग्राउंड हम (background hum) पैदा होता जो मानक मॉडलों की तुलना में अधिक तेज़ और जटिल होता। इस गूँज का पता लगाना एक युगांतरकारी खोज होगी, जो अस्तित्व के पहले क्षणों में सीधे देखने वाली एक खिड़की प्रदान करेगी और ब्रह्मांड के विस्तार की वर्तमान दर के बारे में लंबे समय से चले आ रहे रहस्यों को सुलझाने में सक्षम होगी।

हालाँकि, इस ब्रह्मांडीय गूँज को सुनना अविश्वसनीय रूप से कठिन है, न केवल इसलिए कि संकेत बहुत मंद है, बल्कि इसलिए भी क्योंकि यह अनुमान लगाना कि संकेत कैसा दिखना चाहिए, एक गणनात्मक दुःस्वप्न (computational nightmare) है। इन तरंगों का मॉडल बनाने के लिए, वैज्ञानिकों को समीकरणों के एक जटिल सेट को हल करना पड़ता है जो यह वर्णन करते हैं कि ब्रह्मांड के विस्तार के साथ तरंगें कैसे विकसित होती हैं। इसकी कठिनाई एक फीडबैक लूप में निहित है: तरंगें स्वयं ऊर्जा ले जाती हैं, और वह ऊर्जा यह बदल देती है कि ब्रह्मांड कैसे फैलता है, जो बदले में यह बदल देता है कि तरंगें कैसे विकसित होती हैं। एक सटीक उत्तर प्राप्त करने के लिए, शोधकर्ताओं को ये गणनाएँ बार-बार करनी पड़ती हैं, और हर बार विस्तार के इतिहास को समायोजित करना पड़ता है जब तक कि संख्याएँ स्थिर न हो जाएं। यह प्रक्रिया इतनी धीमी है कि केवल स्थितियों के एक सेट के लिए सिग्नल की गणना करने में दसों सेकंड लग जाते हैं। जब वैज्ञानिक वास्तविक दुनिया के डेटा से मेल खाने के लिए हजारों अलग-अलग परिदृश्यों का परीक्षण करने की कोशिश करते हैं, तो आवश्यक समय अत्यधिक बढ़ जाता है, जो प्रभावी रूप से प्रारंभिक ब्रह्मांड के इन सिद्धांतों के विस्तृत अन्वेषण के द्वार को बंद कर देता है।

शोधकर्ताओं की एक टीम ने अब उस द्वार को खोलने के लिए एक नया उपकरण बनाया है, जो धीमी, दोहराव वाली गणनाओं को एक तेज़, बुद्धिमान प्रणाली से बदल देता है। उन्होंने एक डीप लर्निंग फ्रेमवर्क विकसित किया जिसे 'सेजनेट' (SageNet) कहा जाता है, जो इन गुरुत्वाकर्षण तरंगों के भौतिकी के लिए एक अत्यधिक प्रशिक्षित 'एम्यूलेटर' (emulator) के रूप में कार्य करता है। हर बार मूल समीकरणों को शुरू से हल करने के बजाय, सेजनेट पूर्व-गणना किए गए उदाहरणों के एक विशाल पुस्तकालय का अध्ययन करके समाधानों के पैटर्न को सीख लेता है। शोधकर्ताओं ने इस प्रणाली को लगभग 26,000 विभिन्न परिदृश्य दिए, जिनमें से प्रत्येक भौतिक मापदंडों का एक अनूठा संयोजन है जो हमारे प्रारंभिक ब्रह्मांड का वर्णन कर सकता है। इन हजारों उदाहरणों में गुरुत्वाकर्षण तरंग संकेतों में कैसे परिवर्तन आया, इसका अवलोकन करके, न्यूरल नेटवर्क ने तरंगों को नियंत्रित करने वाले अंतर्निहित नियमों को पहचानना सीख लिया, जिसमें ब्रह्मांड के विस्तार के जटिल, गैर-रैखिक प्रभाव और सिग्नल को प्रवर्धित करने वाला विशिष्ट "कठोर" (stiff) चरण शामिल है।

इस प्रशिक्षण के परिणाम आश्चर्यजनक हैं। एक बार नेटवर्क प्रशिक्षित हो जाने के बाद, यह मात्र कुछ मिलीसेकंड में गुरुत्वाकर्षण तरंग स्पेक्ट्रम की पूर्ण भविष्यवाणी कर सकता है। यह वैज्ञानिक समुदाय द्वारा उपयोग की जाने वाली पारंपरिक विधियों की तुलना में लगभग 10,000 गुना तेज़ है। लेकिन केवल गति ही पर्याप्त नहीं थी; भविष्यवाणियों को सटीक भी होना था। शोधकर्ताओं ने सिस्टम का परीक्षण उस डेटा के विरुद्ध किया जिसे उसने पहले कभी नहीं देखा था, जिसमें भौतिक मापदंडों के यादृच्छिक (random) संयोजन का उपयोग किया गया था। एम्यूलेटर उल्लेखनीय रूप से सटीक साबित हुआ, जिसमें लगभग 91 प्रतिशत भविष्यवाणियाँ वास्तविक, धीमी गणनाओं के मूल्यों के 4 प्रतिशत त्रुटि मार्जिन के भीतर थीं। इसने तरंग संकेतों के जटिल आकारों को सफलतापूर्वक पकड़ा, जिसमें वे तीव्र ढलान परिवर्तन भी शामिल हैं जो ब्रह्मांड के विस्तार के विभिन्न चरणों के बीच संक्रमण के दौरान होते हैं।

सेजनेट के प्रदर्शन का सबसे आश्चर्यजनक पहलू वह है जो इसने डेटा के बारे में सीखा। मूल, धीमी गणनाओं ने समय बचाने के लिए एक चतुर तकनीक का उपयोग किया था: उन्होंने उन क्षेत्रों में तरंग आवृत्तियों (frequencies) को अधिक सघनता से नमूना (sample) लिया जहाँ सिग्नल तेजी से बदलता है और उन क्षेत्रों में कम जहाँ सिग्नल सुचारू है। इसने डेटा बिंदुओं का एक असमान पैटर्न बना दिया जो उपयोग की गई संख्यात्मक पद्धति के विशिष्ट था। शोधकर्ताओं को डर था कि न्यूरल नेटवर्क इस कृत्रिम पैटर्न को अनदेखा कर सकता है या इससे भ्रमित हो सकता है। इसके विपरीत, सेजनेट ने इन सैंपलिंग पैटर्न को पूरी तरह से दोहराना सीख लिया। इसने न केवल तरंगों को नियंत्रित करने वाले भौतिक नियमों को सीखा, बल्कि डेटा एकत्र करने के विशिष्ट, मानव-निर्मित तरीके को भी समझा। डेटा संरचना और भौतिकी दोनों को समझने की यह दोहरी क्षमता इस उपकरण को असाधारण रूप से सुदृढ़ बनाती है, जिससे यह नए, अनदेखे परिदृश्यों के लिए अच्छी तरह से सामान्यीकरण (generalize) कर पाता है।

यह सफलता उन कॉस्मोलॉजिस्ट्स (ब्रह्मांडविदों) के लिए परिदृश्य बदल देती है जो प्रारंभिक ब्रह्मांड का अध्ययन करते हैं। सेजनेट के साथ, शोधकर्ता अब उन विशाल सांख्यिकीय विश्लेषणों को चला सकते हैं जो सैद्धांतिक मॉडलों की टेलीस्कोप और गुरुत्वाकर्षण तरंग डिटेक्टरों से प्राप्त वास्तविक अवलोकनों के साथ तुलना करने के लिए आवश्यक हैं। जो काम पहले कंप्यूटरिंग समय के दिनों या हफ्तों में होता था, अब उसे एक सेकंड के अंश में किया जा सकता है, जिससे उन जटिल सिद्धांतों के परीक्षण का मार्ग प्रशस्त होता है जो पहले बहुत अधिक गणनात्मक लागत के कारण दुर्गम थे। यह उपकरण केवल प्रक्रिया को तेज़ नहीं करता है; यह विवरण और सटीकता के उस स्तर को सक्षम बनाता है जो पहले पहुंच से बाहर था। इन्फ्लेशनरी ग्रेविटेशनल वेव बैकग्राउंड को मॉडल करने का एक तेज़ और सटीक तरीका प्रदान करके, सेजनेट हमारे ब्रह्मांड के पहले क्षणों की जांच करने के लिए एक शक्तिशाली नया लेंस प्रदान करता है, जो हमें अंतरिक्ष, समय और उन्हें आकार देने वाली ऊर्जा की मौलिक प्रकृति को समझने के करीब लाता है।