🔭 astrophysics

Sensitivity toward dark matter annihilation imprints on 21-cm signal with SKA-Low: A convolutional neural network approach

यह अध्ययन प्रदर्शित करता है कि कनवल्शनल न्यूरल नेटवर्क, SKA-Low अवलोकनों का उपयोग करके प्री-रीआयनाइजेशन युग के 21-सेमी सिग्नल मानचित्रों से स्थानिक रूप से सजातीय और सजातीय-रहित डार्क मैटर विलोपन हस्ताक्षरों के बीच प्रभावी ढंग से अंतर कर सकते हैं, विशेष रूप से 1 MeV और 100 MeV के बीच द्रव्यमान वाले इलेक्ट्रॉन-पॉजिट्रॉन विलोपन चैनलों के लिए।

मूल लेखक: Pravin Kumar Natwariya, Kenji Kadota, Atsushi J. Nishizawa

प्रकाशित 2026-01-28

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Pravin Kumar Natwariya, Kenji Kadota, Atsushi J. Nishizawa

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

कल्पना कीजिए कि शुरुआती ब्रह्मांड एक विशाल, अंधेरे कमरे की तरह था जो अदृश्य कोहरे (तटस्थ हाइड्रोजन गैस) से भरा हुआ था। लंबे समय तक, यह कमरा बस वहीं पड़ा रहा, ठंडा और शांत। लेकिन फिर, पहले सितारों और आकाशगंगाओं ने अपनी रोशनी जलाना शुरू किया, जिससे कोहरा धीरे-धीरे छंटने लगा। इस कालखंड को "कॉस्मिक डॉन" (Cosmic Dawn) कहा जाता है।

वैज्ञानिक एक विशाल, अत्यंत संवेदनशील रेडियो टेलीस्कोप बना रहे हैं जिसे SKA-Low (स्क्वायर किलोमीटर ऐरे का हिस्सा) कहा जाता है, ताकि वे इस कोहरे की "फुसफुसाहटों" को सुन सकें। विशेष रूप से, वे एक विशिष्ट रेडियो सिग्नल को सुन रहे हैं जिसे 21-सेमी सिग्नल कहा जाता है, जो इस प्राचीन गैस के लिए एक थर्मामीटर और एक मानचित्र की तरह कार्य करता है।

रहस्य: क्या गर्मी एक कैंपफायर (अलाव) से आ रही है या एक हीटर से?

इस शोध पत्र में शोधकर्ता एक विशिष्ट प्रश्न पूछ रहे हैं: क्या इस शुरुआती गैस को गर्म करने वाली गर्मी एक समान स्रोत से आ रही है, या यह बिखरे हुए, गांठदार (clumpy) स्रोतों से आ रही है?

उन्हें संदेह है कि डार्क मैटर (वह अदृश्य पदार्थ जो आकाशगंगाओं को थामे रखता है) "विनाश" (annihilating) कर रहा हो सकता है (यानी आपस में टकराकर गायब हो रहा है) और ऊर्जा छोड़ रहा है।

"होमोजेनियस" परिदृश्य (द हीटर): कल्पना कीजिए कि एक विशाल, अदृश्य हीटर पूरे कमरे को समान रूप से गर्म कर रहा है। तापमान हर जगह एक ही दर से बढ़ता है।
"इनहोमोजेनियस" परिदृश्य (द कैंपफायर): कल्पना कीजिए कि कमरे में बेतरतीब ढंग से बिखरे हुए हजारों छोटे, अदृश्य कैंपफायर (अलाव) जल रहे हैं। कुछ स्थान बहुत गर्म हैं क्योंकि वे आग के करीब हैं, जबकि दूर के स्थान ठंडे बने रहते हैं।

शोध पत्र पूछता है: क्या हम केवल गैस के रेडियो मानचित्र को देखकर "समान हीटर" और "बिखरे हुए कैंपफायर" के बीच अंतर कर सकते हैं?

चुनौती: अंतर देखना कठिन है

यदि आप कमरे की फोटो देखते हैं, तो "कैंपफायर" वाला संस्करण और "हीटर" वाला संस्करण नग्न आंखों से लगभग एक जैसे ही दिख सकते हैं। अंतर सूक्ष्म हैं, जैसे कोहरे के घनत्व में मामूली बदलाव। पारंपरिक गणितीय उपकरण (जैसे औसत चमक को मापना) अक्सर इन सूक्ष्म, जटिल पैटर्न को पकड़ने में विफल रहते हैं।

समाधान: एक डिजिटल जासूस (CNN)

इस समस्या को हल करने के लिए, लेखकों ने एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग किया जिसे कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) कहा जाता है। आप इस CNN को एक सुपर-प्रशिक्षित डिजिटल जासूस के रूप में समझ सकते हैं।

जासूस को प्रशिक्षित करना: शोधकर्ताओं ने शक्तिशाली कंप्यूटरों का उपयोग करके हजारों नकली रेडियो मानचित्र बनाए। कुछ मानचित्रों में "समान हीटर" (होमोजेनियस) परिदृश्य दिखाया गया था, और अन्य में "बिखरे हुए कैंपफायर" (इनहोमोजेनियस) परिदृश्य। उन्होंने इन मानचित्रों को CNN को खिलाया, जिससे उसे उन सूक्ष्म, छिपे हुए पैटर्न को पहचानने के लिए सिखाया गया जो दोनों के बीच अंतर करते हैं।
परीक्षण: इसके बाद उन्होंने CNN को नए मानचित्र दिए जिन्हें उसने पहले कभी नहीं देखा था, जिसमें वास्तविक दुनिया की सीमाओं को दर्शाने के लिए 'नॉइज़' (स्टैटिक/शोर) भी जोड़ा गया था, जैसा कि SKA-Low टेलीस्कोप में होता है।
परिणाम: CNN इन अंतरों को पहचानने में बहुत कुशल हो गया। वह एक मानचित्र को देखकर कह सकता था, "यह बिखरे हुए कैंपफायर वाला है," या "यह एक समान हीटर वाला है," और यह बहुत उच्च सटीकता के साथ कर सकता था।

निष्कर्ष: क्या काम आया और क्या नहीं

शोध पत्र में दो प्रकार के "डार्क मैटर कणों" का परीक्षण किया गया ताकि यह देखा जा सके कि कौन सा पहचान योग्य निशान छोड़ता है:

इलेक्ट्रॉन/पॉजिट्रॉन जोड़ी (वह "कैंपफायर" जो काम करता है):
- जब डार्क मैटर इलेक्ट्रॉनों और पॉजिट्रॉन में विनाश करता है, तो ऊर्जा वहीं रहती है जहाँ वह उत्पन्न हुई थी। यह विशिष्ट "हॉट स्पॉट" (कैंपफायर) बनाता है।
- फैसला: CNN सफलतापूर्वक "कैंपफायर" (इनहोमोजेनियस) मॉडल को "हीटर" (होमोजेनियस) मॉडल से अलग कर सका, यहाँ तक कि टेलीस्कोप के स्टैटिक शोर के बावजूद। यह हल्के डार्क मैटर कणों (लगभग 1 MeV) और टक्कर की विशिष्ट दरों के लिए सबसे अच्छा काम करता है।
फोटॉन जोड़ी (वह "कैंपफायर" जो विफल रहता है):
- जब डार्क मैटर फोटॉन (प्रकाश कणों) में विनाश करता है, तो ये फोटॉन भूतों की तरह होते हैं। वे अविश्वसनीय रूप से दूर तक जाते हैं—उस "कमरे" के आकार से भी कहीं अधिक दूर जिसे टेलीस्कोप देख रहा है।
- फैसला: क्योंकि ये फोटॉन रुकने से पहले बहुत दूर तक उड़ जाते हैं, वे "कैंपफायर" प्रभाव को धुंधला कर देते हैं। ऊर्जा इतनी समान रूप से फैल जाती है कि यह बिल्कुल "हीटर" परिदृश्य जैसा दिखता है। CNN अंतर नहीं बता सका; "कैंपफायर" इतने दूर-दूर थे कि उन्हें अलग स्पॉट के रूप में नहीं देखा जा सका।

मुख्य निष्कर्ष

यह अध्ययन दर्शाता है कि यदि हम आगामी SKA-Low टेलीस्कोप और AI टूल्स का उपयोग शुरुआती ब्रह्मांड को देखने के लिए करते हैं, तो हम पता लगा सकते हैं कि डार्क मैटर गैस को स्थानीय रूप से गांठदार तरीके से गर्म कर रहा है या वैश्विक रूप से सुचारू तरीके से।

यदि हमें "गांठदार" (clumpy) पैटर्न दिखाई देता है, तो यह बताता है कि डार्क मैटर संभवतः हल्के कणों से बना है जो स्थानीय स्तर पर परस्पर क्रिया करते हैं (जैसे इलेक्ट्रॉन)।
यदि हम अंतर नहीं देख पाते हैं, तो इसका मतलब यह हो सकता है कि डार्क मैटर ऐसे फोटॉन पैदा कर रहा है जो स्थानीय छाप छोड़ने के बजाय बहुत दूर तक यात्रा करते हैं।

अनिवार्य रूप से, यह शोध पत्र सिद्ध करता है कि मशीन लर्निंग एक शक्तिशाली नया उपकरण है जो सूक्ष्म संकेतों को खोज सकता है जिन्हें पारंपरिक गणित शायद छोड़ दे, जिससे हमें यह समझने में मदद मिलती है कि डार्क मैटर वास्तव में क्या है।

तकनीकी सारांश: SKA-Low के साथ 21-सेमी सिग्नल पर डार्क मैटर विलोपन (Annihilation) के प्रभावों के प्रति संवेदनशीलता: एक कनवल्शनल न्यूरल नेटवर्क दृष्टिकोण

समस्या विवरण
डार्क मैटर की मौलिक प्रकृति ब्रह्मांड विज्ञान की सबसे महत्वपूर्ण अनसुलझी समस्याओं में से एक बनी हुई है। जबकि $\Lambda$ CDM मॉडल बड़े पैमाने की संरचना का सफलतापूर्वक वर्णन करता है, यह डार्क मैटर के कण भौतिकी (particle physics) को स्पष्ट नहीं करता है। एक संभावित जांच डार्क मैटर कणों का विलोपन (annihilation) हो सकता है, जो पुन: आयनीकरण (reionization) के पूर्व युग के दौरान अंतर-आकाशगंगा माध्यम (intergalactic medium - IGM) में ऊर्जा इंजेक्ट करता है, जिससे तटस्थ हाइड्रोजन के तापीय और आयनीकरण इतिहास में परिवर्तन आता है। यह ऊर्जा इंजेक्शन 21-सेमी विभेदक चमक तापमान (differential brightness temperature) सिग्नल को संशोधित करता है।

21-सेमी सिग्नल के वर्तमान विश्लेषण अक्सर सारांश सांख्यिकी (summary statistics) पर निर्भर करते हैं, जैसे कि पावर स्पेक्ट्रम, जो तीन-आयामी चमक तापमान क्षेत्रों में एनकोडेड पूर्ण जानकारी को पकड़ने में विफल हो सकते हैं। इसके अलावा, विभिन्न डार्क मैटर मॉडलों के बीच अंतर करना खगोलीय मापदंडों (astrophysical parameters) के बीच मौजूद समानता (degeneracy) के कारण जटिल हो जाता है। समांगी (homogeneous) ऊर्जा इंजेक्शन (स्थान भर में समान रूप से जमा होने का अनुमान) और विषमांगी (inhomogeneous) इंजेक्शन (जहाँ ऊर्जा जमाव स्थानीय डार्क मैटर घनत्व कंट्रास्ट और गैस गुणों के आधार पर बदलता है) के बीच एक महत्वपूर्ण अंतर है। पिछले अध्ययनों ने मानक $\Lambda$ CDM मॉडल से डार्क मैटर विलोपन को अलग करने पर ध्यान केंद्रित किया है; यह शोध आगामी स्क्वायर किलोमीटर एरे लो-फ्रीक्वेंसी (SKA-Low) टेलीस्कोप का उपयोग करके विषमांगी डार्क मैटर विलोपन मॉडलों को समांगी मॉडलों से अलग करने की अधिक सूक्ष्म चुनौती को संबोधित करता है।

कार्यप्रणाली
लेखक एक मशीन लर्निंग दृष्टिकोण का उपयोग करते हैं, विशेष रूप से 3D 21-सेमी विभेदक चमक तापमान मानचित्रों को वर्गीकृत करने के लिए कनवल्शनल न्यूरल नेटवर्क (CNNs) का।

सिमुलेशन ढांचा:
- कोड: अध्ययन DM21cm कोड का उपयोग करता है, जो 221cmFAST (एक अर्ध-संख्यात्मक ब्रह्मांडीय सिमुलेशन कोड) और DarkHistory (तापीय और आयनीकरण विकास के लिए) को एकीकृत करता है।
- भौतिकी: सिमुलेशन डार्क मैटर विलोपन के दो प्राथमिक चैनलों: इलेक्ट्रॉन-पॉज़िट्रॉन जोड़े ( $e^+e^-$ ) और फोटॉन जोड़े ( $\gamma\gamma$ ) को मॉडल करते हैं। ऊर्जा इंजेक्शन दर की गणना स्थानीय डार्क मैटर घनत्व कंट्रास्ट, $\delta(x,z)$ के आधार पर की जाती है, जो स्थानिक रूप से विषमांगी जमाव की अनुमति देती है।
- पैरामीटर: अध्ययन 1 MeV से 100 MeV तक डार्क मैटर द्रव्यमान ( $m_{DM}$ ) और विभिन्न विलोपन क्रॉस-सेक्शन ( $\langle\sigma v\rangle$ ) की खोज करता है। सिमुलेशन 48 Mpc के बॉक्स आकार और $64^3$ ग्रिड रिज़ॉल्यूशन (वोक्सेल आकार 0.75 Mpc) को कवर करते हैं।
- शोर मॉडलिंग (Noise Modeling): वास्तविक अवलोकन स्थितियों को दर्शाने के लिए, SKA-Low विशिष्टताओं (512 स्टेशन, 74 किमी अधिकतम बेसलाइन, $10^4$ घंटे एकीकरण समय) के अनुरूप गाऊसी थर्मल शोर (Gaussian thermal noise) को सिम्युलेटेड मानचित्रों में जोड़ा गया है। शोर का स्तर $f_{Noise}$ के अंश (0 से 1 तक) द्वारा पैरामीटराइज किया गया है।
मशीन लर्निंग आर्किटेक्चर:
- मॉडल: एक मानक CNN आर्किटेक्चर का उपयोग किया जाता है, जिसमें चार कनवल्शनल परतें (3 $\times$ 3 कर्नेल), Leaky ReLU सक्रियण, 2 $\times$ 2 मैक्स पूलिंग और बैच नॉर्मलाइजेशन शामिल हैं।
- इनपुट: नेटवर्क 3D वोक्सेल्स (सिमुलेशन बॉक्स के 16 $\times$ 16 $\times$ 16 उप-क्षेत्र) को प्रोसेस करता है।
- प्रीप्रोसेसिंग: इस सीमा को दूर करने के लिए कि मानक सामान्यीकरण (मीन घटाना और मानक विचलन स्केलिंग) समांगी और विषमांगी मॉडलों के बीच वैश्विक आयाम अंतर को दबा सकता है, लेखकों ने इनपुट छवियों के माध्य (mean) और मानक विचलन (standard deviation) को स्पष्ट रूप से निकाला है और उन्हें फुल्ली कनेक्टेड परतों से पहले लेटेंट फीचर वेक्टर के साथ संयोजित (concatenate) किया है।
- प्रशिक्षण: मॉडल को 1,000 अलग-अलग ब्रह्मांडीय वास्तविकताओं से उत्पन्न 128,000 छवियों (आधी समांगी, आधी विषमांगी) पर प्रशिक्षित किया गया है। डेटासेट को प्रशिक्षण (80%), सत्यापन (20%), और परीक्षण (20%) सेट में विभाजित किया गया है।

मुख्य परिणाम

इलेक्ट्रॉन-पॉज़िट्रॉन चैनल ( $e^+e^-$ ):
- भेदभाव क्षमता: CNN इलेक्ट्रॉन-पॉज़िट्रॉन चैनल के लिए विषमांगी और समांगी विलोपन परिदृश्यों के बीच सफलतापूर्वक अंतर कर पाता है।
- प्रदर्शन मेट्रिक्स: $m_{DM} = 1$ MeV के डार्क मैटर द्रव्यमान के लिए, मॉडल मध्यम शोर ( $f_{Noise} \leq 0.1$ ) के साथ भी $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm $^3$ /s के लिए एक AUC $\geq 0.72$ प्राप्त करता है (जो रैंडम गेसिंग से बेहतर भेदभाव को दर्शाता है)।
- इष्टतम क्रॉस-सेक्शन: भेदभाव प्रदर्शन क्रॉस-सेक्शन के संबंध में गैर-मोनोटोनिक (non-monotonic) है। यह मध्यवर्ती मानों पर चरम पर होता है (जैसे, $m_{DM}=1$ $m_{D M} = 1$ MeV के लिए $\langle\sigma v\rangle \approx 5 \times 10^{-29}$ $⟨ σ v ⟩ \approx 5 \times 1 0^{- 29}$ cm $^3$ $^{3}$ /s)।
  - निम्न क्रॉस-सेक्शन: ऊर्जा इंजेक्शन इतना कमजोर होता है कि विशिष्ट संकेत बनाने में असमर्थ होता है।
  - मध्यवर्ती क्रॉस-सेक्शन: ऊर्जा इंजेक्शन इतना स्थानीयकृत होता है कि पृष्ठभूमि से अलग "बबल्स" (bubbles) बनाता है, जिससे मॉडलों के बीच कंट्रास्ट अधिकतम हो जाता है।
  - उच्च क्रॉस-सेक्शन: द्वितीयक फोटॉनों का माध्य मुक्त पथ (mean free path) बढ़ जाता है, जिससे ऊर्जा बड़े आयतनों में फैल जाती है, जिससे विषमांगी परिदृश्य समांगी परिदृश्य जैसा दिखने लगता है और AUC कम हो जाता है।
- द्रव्यमान निर्भरता: $m_{DM} = 100$ MeV के लिए, उच्च-ऊर्जा वाले द्वितीयक फोटॉनों के लंबे माध्य मुक्त पथ के कारण प्रभावी भेदभाव के लिए आवश्यक क्रॉस-सेक्शन बढ़कर $\langle\sigma v\rangle \geq 5 \times 10^{-29}$ cm $^3$ /s हो जाता है।
फोटॉन-फोटॉन चैनल ( $\gamma\gamma$ ):
- भेदभाव करने में विफलता: CNN सभी परीक्षण किए गए द्रव्यमान और क्रॉस-सेक्शन श्रेणियों में $\gamma\gamma$ चैनल के लिए विषमांगी और समांगी मॉडलों के बीच अंतर करने में विफल रहता है (AUC $\lesssim 0.7$ )।
- भौतिक कारण: डार्क मैटर विलोपन से उत्सर्जित फोटॉनों का माध्य मुक्त पथ सिमुलेशन सेल के आकार (और अक्सर हबल त्रिज्या) से काफी बड़ा है। परिणामस्वरूप, फोटॉन स्वतंत्र रूप से यात्रा करते हैं और ऊर्जा को समान रूप से जमा करते हैं, जिससे स्रोत के स्थानिक विषमताएं मिट जाती हैं। "ऑन-द-स्पॉट" सन्निकटन (approximation) इस चैनल के लिए अमान्य है।
पावर स्पेक्ट्रम विश्लेषण:
- विषमांगी परिदृश्य समांगी परिदृश्य की तुलना में कम 21-सेमी पावर स्पेक्ट्रम प्रदर्शित करता है। ऐसा इसलिए है क्योंकि स्थानीयकृत हीटिंग "बबल्स" बनाती है जहाँ 21-सेमी अवशोषण आयाम कम हो जाता है, जबकि शेष आयतन वैश्विक माध्य के करीब रहता है। यह सांख्यिकीय होमोजेनाइजेशन (homogenization) सिग्नल के उतार-चढ़ाव की भिन्नता (variance) को कम कर देता है।

महत्व और दावे
यह शोध दावा करता है कि मशीन लर्निंग तकनीकें, विशेष रूप से CNN, पारंपरिक सारांश सांख्यिकी (जैसे पावर स्पेक्ट्रम) द्वारा छोड़ी जा सकने वाली जटिल 21-सेमी डेटा से सूक्ष्म स्थानिक विशेषताओं को निकालने के लिए एक नवीन और प्रभावी दृष्टिकोण प्रदान करती हैं।

व्यवहार्यता: अध्ययन प्रदर्शित करता है कि SKA-Low टेलीस्कोप, थर्मल शोर के साथ भी, विशिष्ट पैरामीटर श्रेणियों के लिए विषमांगी डार्क मैटर विलोपन के प्रभावों का पता लगाने के लिए संवेदनशीलता रखता है ( $m_{DM} \sim 1$ MeV, $\langle\sigma v\rangle \geq 5 \times 10^{-30}$ cm $^3$ /s)।
पद्धतिगत प्रगति: यह कार्य महत्वपूर्ण वैश्विक सांख्यिकीय विशेषताओं (माध्य और मानक विचलन) को न्यूरल नेटवर्क इनपुट में शामिल करने के महत्व को रेखांकित करता है ताकि सामान्यीकरण के दौरान महत्वपूर्ण विभेदक विशेषताओं को दबाने से रोका जा सके।
भौतिक अंतर्दृष्टि: अनुसंधान स्पष्ट करता है कि विषमांगी विलोपन की पता लगाने की क्षमता विलोपन चैनल और परिणामी कणों के माध्य मुक्त पथ पर अत्यधिक निर्भर है। जबकि इलेक्ट्रॉन-पॉज़िट्रॉन चैनल स्थानिक विषमताओं के लिए एक व्यवहार्य प्रोब प्रदान करते हैं, फोटॉन चैनल बड़े माध्य मुक्त पथ के कारण स्थानिक हस्ताक्षरों को प्रभावी रूप से मिटा देते हैं।

लेखक निष्कर्ष निकालते हैं कि भविष्य के 21-सेमी अवलोकन, उन्नत मशीन लर्निंग विश्लेषण के साथ मिलकर, एक्सोटिक ऊर्जा इंजेक्शन स्रोतों की जांच करने और डार्क मैटर के सूक्ष्म गुणों को सीमित करने के लिए एक मजबूत मार्ग प्रदान करते हैं, विशेष रूप से स्थानिक रूप से परिवर्तनशील और समान ऊर्जा जमाव तंत्र के बीच अंतर करने के लिए।

रहस्य: क्या गर्मी एक कैंपफायर (अलाव) से आ रही है या एक हीटर से?

चुनौती: अंतर देखना कठिन है

समाधान: एक डिजिटल जासूस (CNN)

निष्कर्ष: क्या काम आया और क्या नहीं

मुख्य निष्कर्ष

इसी तरह के और पेपर