🔭 astrophysics

halox: Dark matter halo properties and large-scale structure calculations using JAX

यह शोध पत्र **halox** को प्रस्तुत करता है, जो एक JAX-संचालित पायथन लाइब्रेरी है जो डार्क मैटर हेलो गुणों और हेलो मास फंक्शन की अवकलनीय (differentiable) और त्वरित गणनाओं को सक्षम बनाता है, जिससे हैमिल्टोनियन मोंटे कार्लो सैंपलिंग और मशीन लर्निंग अनुप्रयोगों जैसे ग्रेडिएंट-आधारित वर्कफ़्लो में उनके एकीकरण को सुगम बनाया जा सके।

मूल लेखक: Florian Kéruzoré, Lance A. Moreau

प्रकाशित 2026-06-02

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Florian Kéruzoré, Lance A. Moreau

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

ब्रह्मांड की कल्पना एक विशाल, अदृश्य मचान के रूप में करें जो "डार्क मैटर" से बना है। आप इस मचान को देख नहीं सकते, लेकिन यह सब कुछ थामे रखता है। इस मचान के भारी, गुच्छेदार हिस्सों को डार्क मैटर हेलो (dark matter halos) कहा जाता है। ये हेलो एक शहर की अदृश्य नींव की तरह हैं; ये वे गुरुत्वाकर्षण "कुएँ" (gravitational wells) हैं जहाँ आकाशगंगाएँ (हमारे शहर) और आकाशगंगाओं के समूह (हमारे महानगर) अंततः बनते हैं और बसते हैं।

ब्रह्मांड कैसे विकसित हुआ, इसे समझने के लिए वैज्ञानिकों को इन अदृश्य नींवों को बहुत सटीकता से मापने की आवश्यकता होती है। उन्हें यह जानने की जरूरत है कि इनका आकार क्या है, इनका घनत्व कितना है, और ब्रह्मांड के इतिहास के विभिन्न समयों में इनकी संख्या कितनी है।

समस्या: पुराने उपकरण बहुत धीमे थे
लंबे समय तक, वैज्ञानिकों ने इन गुणों की गणना करने के लिए सॉफ्टवेयर टूल्स (जैसे colossus नामक एक टूलबॉक्स) का उपयोग किया। इन पुराने उपकरणों को एक बहुत ही कुशल, लेकिन धीमे मानव अकाउंटेंट (लेखाकार) के रूप में सोचें। वे गणित तो कर सकते थे, लेकिन यदि आपने उनसे एक साथ लाखों हेलो के गुणों की गणना करने के लिए कहा, या यदि आपको यह देखने के लिए संख्याओं में थोड़ा बदलाव करने की आवश्यकता थी कि परिणामों में क्या परिवर्तन आता है (एक प्रक्रिया जिसे "ग्रेडिएंट-आधारित विश्लेषण" कहा जाता है), तो वह मानव अकाउंटेंट बहुत समय लगा देता। वे एक एकल डेस्क (एक मानक कंप्यूटर प्रोसेसर) पर काम करने के लिए सीमित थे और आधुनिक ग्राफिक्स कार्ड (GPUs) की सुपर-फास्ट शक्ति का आसानी से उपयोग नहीं कर सकते थे।

समाधान: halox का आगमन
लेखकों ने halox नामक एक नया टूल बनाया है। यदि पुराने उपकरण एक मानव अकाउंटेंट थे, तो halox एक हाई-टेक फैक्ट्री में काम करने वाली सुपर-फास्ट रोबोट्स की एक टीम की तरह है, जो JAX नामक एक स्मार्ट मस्तिष्क द्वारा समन्वित है।

यहाँ बताया गया है कि एनालॉजी (उपमाओं) का उपयोग करके halox क्या विशेष बनाता है:

"स्मार्ट ब्रेन" (विभेदनशीलता/Differentiability):
अतीत में, यदि कोई वैज्ञानिक यह देखना चाहता था कि ब्रह्मांड के नियमों में एक सूक्ष्म परिवर्तन उनके हेलो को कैसे प्रभावित करेगा, तो उन्हें सब कुछ शुरू से मैन्युअल रूप से फिर से कैलकुलेट करना पड़ता था। halox "डिफरेंशिएबल" (differentiable) है। एक ऐसी कार चलाने की कल्पना करें जहाँ डैशबोर्ड तुरंत आपको बताता है कि यदि आप गैस पेडल को थोड़ा सा भी दबाते हैं तो आपकी गति कितनी बदल जाएगी। halox ब्रह्मांड के लिए यही करता है। यह तुरंत वैज्ञानिकों को बता सकता है कि यदि वे इनपुट नंबरों में बदलाव करते हैं तो परिणाम कैसे बदलते हैं। यह "हैमिल्टोनियन मोंटे कार्लो" (Hamiltonian Monte Carlo) जैसे उन्नत तरीकों के लिए महत्वपूर्ण है, जो कई संभावनाओं को कुशलतापूर्वक तलाशकर सबसे अच्छा उत्तर खोजने का एक शानदार तरीका है।
"सुपर-फास्ट फैक्ट्री" (हार्डवेयर एक्सेलरेशन):
जहाँ पुराने उपकरण एक सिंगल लेन वाली सड़क पर काम करते थे, वहीं halox एक विशाल हाईवे पर चलने के लिए बना है। इसे GPUs (शक्तिशाली चिप्स जो आमतौर पर वीडियो गेम कंप्यूटर में पाए जाते हैं) पर चलाने के लिए डिज़ाइन किया गया है। पेपर दिखाता है कि जब halox इन GPUs पर चलता है, तो यह डार्क मैटर हेलो के गुणों की गणना पुराने टूल्स की तुलना में 20 से 65 गुना तेज़ कर सकता है, जो कार्य पर निर्भर करता है।
"चीट शीट" (न्यूरल नेटवर्क एमुलेटर):
इन हेलो को समझने के लिए आवश्यक कुछ गणित जटिल इंटीग्रल्स (अनंत छोटे टुकड़ों को जोड़ना) से संबंधित है, जो समुद्र तट पर रेत के हर कण को एक-एक करके गिनने की कोशिश करने जैसा है। इसमें बहुत समय लगता है।
halox में एक "न्यूरल नेटवर्क एमुलेटर" शामिल है। इसे एक अत्यधिक प्रशिक्षित छात्र के रूप में सोचें जिसने समुद्र तट का अध्ययन इतनी गहराई से किया है कि वह लगभग तुरंत 99% सटीकता के साथ रेत के कणों की संख्या का अनुमान लगा सकता है। हर बार भारी गणित करने के बजाय, halox इस "चीट शीट" का उपयोग कर सकता है ताकि बेसलाइन विधि की तुलना में 95 गुना तेज़ परिणाम प्राप्त किए जा सकें, जबकि यह अविश्वसनीय रूप से सटीक भी रहता है।

वास्तव में halox क्या करता है?
पेपर में उन विशिष्ट "सामग्रियों" की सूची दी गई है जिन्हें यह टूल कैलकुलेट कर सकता है:

कॉस्मोलॉजी (Cosmology): यह ब्रह्मांड के बुनियादी नियमों (जैसे अंतरिक्ष कितना घना है) की गणना करता है।
हेलो का आकार (Halo Shapes): यह डार्क मैटर बादलों के आकार का वर्णन करता है (NFW और Einasto जैसे मॉडलों का उपयोग करके), जो हमें बताता है कि वे केंद्र बनाम किनारे पर कितने घने हैं।
कंसंट्रेशन (Concentration): यह पता लगाता है कि एक हेलो में पदार्थ कितना "गुच्छेदार" (clumped) है।
"मास फंक्शन" (The Mass Function): यह भविष्यवाणी करता है कि ब्रह्मांड के एक विशिष्ट समय पर एक निश्चित आकार के कितने हेलो मौजूद हैं।
बायस (Bias): यह गणना करता है कि इन हेलो के एक साथ क्लस्टर होने की कितनी संभावना है।

परिणाम
लेखकों ने पुराने मानक (colossus) के विरुद्ध halox का परीक्षण किया।

एक मानक कंप्यूटर (CPU) पर, पुराना टूल सरल कार्यों के लिए अभी भी थोड़ा तेज़ था क्योंकि यह बहुत अनुकूलित, पारंपरिक कोड का उपयोग करता है।
हालाँकि, एक GPU पर, halox ने प्रतियोगिता को पछाड़ दिया, और यह 20 से 65 गुना तेज़ चला।
जब "चीट शीट" (एमुलेटर) का उपयोग किया गया, तो यह GPU पर भी पुराने टूल की तुलना में 34 गुना तेज़ था।

इसका उपयोग कौन कर रहा है?
पेपर में उल्लेख किया गया है कि halox का उपयोग पहले से ही आगामी वैज्ञानिक परियोजनाओं में किया जा रहा है, जैसे कि आकाश के यथार्थवादी सिमुलेशन बनाना और LSST डार्क एनर्जी साइंस कोलैबोरेशन (एक प्रमुख परियोजना जो ब्रह्मांड को दूर धकेलने वाले रहस्यमय बल का अध्ययन कर रही है) के डेटा का विश्लेषण करना।

संक्षेप में
halox ब्रह्मांड के अदृश्य आधारों के लिए एक नया, सुपर-फास्ट और "स्मार्ट" कैलकुलेटर है। यह वैज्ञानिकों को शक्तिशाली ग्राफिक्स कार्डों पर जटिल सिमुलेशन चलाने और यह तुरंत देखने की अनुमति देता है कि उनके सिद्धांतों में छोटे बदलाव परिणामों को कैसे प्रभावित करते हैं, जिससे हमारे ब्रह्मांड के निर्माण को समझने की खोज की प्रक्रिया तेज हो जाती है।

halox: Dark matter halo properties and large-scale structure calculations using JAX का तकनीकी सारांश

समस्या विवरण (Problem Statement)

कॉस्मोलॉजी और एस्ट्रोफिजिक्स में, ब्रह्मांड की बड़े पैमाने की संरचना (large-scale structure) को समझने के लिए डार्क मैटर हेलो (dark matter halos) का मॉडलिंग करना आवश्यक है। हालांकि हेलो मॉडलिंग के लिए कई टूलकिट मौजूद हैं (जैसे कि halofit, halotools, colossus, pyCCL), लेकिन ऐसा सार्वजनिक रूप से उपलब्ध सॉफ़्टवेयर उपलब्ध नहीं है जो मानक हेलो गुणों की गणना को डिफरेंशिएबिलिटी (differentiability) और हार्डवेयर एक्सेलेरेशन (hardware acceleration) के साथ जोड़ता हो। कॉस्मोलॉजिकल डेटा की बढ़ती जटिलता और AI-संचालित वर्कफ़्लो (जैसे कि हैमिल्टोनियन मोंटे कार्लो सैंपलिंग और मशीन लर्निंग) के उदय के लिए ऐसे फ्रेमवर्क की आवश्यकता है जहाँ भौतिक मॉडल न केवल तेज़ हों, बल्कि इनपुट पैरामीटर्स के सापेक्ष डिफरेंशिएबल भी हों। मौजूदा लाइब्रेरीज़ में आम तौर पर इन विशिष्ट क्षमताओं का अभाव है, जो ग्रेडिएंट-आधारित इन्फरेंस (inference) और ऑप्टिमाइज़ेशन कार्यों के लिए एक बाधा उत्पन्न करती हैं।

कार्यप्रणाली (Methodology)

halox लाइब्रेरी JAX का उपयोग करके डार्क मैटर हेलो और लार्ज-स्केल स्ट्रक्चर (LSS) गणनाओं के एक समूह को लागू करके इस अंतर को दूर करती है।

मुख्य कार्यान्वयन (Core Implementation)

JAX बैकएंड: सभी फ़ंक्शंस JAX में लिखे गए हैं और कॉस्मोलॉजी-निर्भर गणनाओं के लिए JAX-cosmo पर निर्भर हैं। यह निम्नलिखित की अनुमति देता है:
- जस्ट-इन-टाइम (JIT) कंपाइलेशन: फ़ंक्शंस को CPU और GPU पर निष्पादन के लिए कंपाइल किया जाता है।
- ऑटोमैटिक डिफरेंशिएशन (Automatic Differentiation): सभी आउटपुट हेलो मास, रेडशिफ्ट और कॉस्मोलॉजिकल पैरामीटर्स सहित इनपुट्स के सापेक्ष डिफरेंशिएबल हैं।
- वेक्टराइजेशन (Vectorization): jax.vmap के माध्यम से पैरेललाइजेशन के लिए नेटिव सपोर्ट।
कार्यान्वित भौतिक मात्राएँ (Physical Quantities Implemented):
- कॉस्मोलॉजिकल मात्राएँ: क्रिटिकल डेंसिटी ( $\rho_c$ ) और डिफरेंशियल कोमोइंग वॉल्यूम एलिमेंट्स।
- हेलो प्रोफाइल्स: NFW और इनास्टो (Einasto) प्रोफाइल्स के लिए रेडियली डिपेंडेंट गुण (डेंसिटी, एनक्लोज्ड मास, ग्रेविटेशनल पोटेंशियल, सर्कुलर वेलोसिटी, वेलोसिटी डिस्पर्सन, और प्रोजेक्टेड सरफेस डेंसिटी), जो Łokas & Mamon (2001) और Retana-Montenegro et al. (2012) के विश्लेशनल डेरिवेशंस पर आधारित हैं।
- कंसंट्रेशन-मास संबंध: Duffy et al. (2008), Klypin et al. (2011), Prada et al. (2012), और Child et al. (2018) के संबंधों का कार्यान्वयन।
- लार्ज-स्केल स्ट्रक्चर: मैटर डिस्ट्रीब्यूशन का RMS वेरिएंस ( $\sigma(R)$ ) और हेलो के लैग्रेंजियन रेडियस के भीतर ( $\sigma(M)$ )।
- हेलो मास फंक्शन (HMF) और बायस (Bias): Tinker et al. (2008, 2010) के मॉडल।
- ओवरडेंसिटीज: कन्वर्जन यूटिलिटीज के साथ स्फेरिकल ओवरडेंसिटी (SO) परिभाषाओं के लिए समर्थन।

इम्यूलेशन रणनीति (Emulation Strategy)

$\sigma(M)$ (जो HMF और बायस गणनाओं के लिए एक प्राथमिक बाधा है) के लिए आवश्यक न्यूमेरिकल इंटीग्रेशन की कम्प्यूटेशनल लागत को संबोधित करने के लिए, halox में एक न्यूरल नेटवर्क इम्यूलेटर शामिल है:

आर्किटेक्चर: 64 की चौड़ाई वाले तीन हिडन लेयर्स वाला एक मल्टी-लेयर पर्सेप्ट्रॉन (MLP)।
ट्रेनिंग: इसे लॉग-मास, रेडशिफ्ट और कॉस्मोलॉजिकल पैरामीटर्स ( $\Omega_b, \Omega_c, h, n_s, \sigma_8$ ) पर विश्लेशनल halox $\sigma(M)$ कार्यान्वयन के सोबोल (Sobol) सैंपल पर प्रशिक्षित किया गया है।
इंटीग्रेशन: इम्यूलेटर वैकल्पिक है और इसे मानक फ़ंक्शंस के तर्क (argument) के रूप में पास किया जा सकता है, जो वर्कफ़्लो की डिफरेंशिएबल और हार्डवेयर-एक्सेलेरेटेड प्रकृति को बनाए रखते हुए अनुमानित परिणाम प्रदान करता है।

मुख्य परिणाम और प्रदर्शन (Key Results and Performance)

पेपर halox की तुलना colossus (एक व्यापक रूप से उपयोग की जाने वाली, अत्यधिक अनुकूलित गैर-JAX लाइब्रेरी) और halox के एनालिटिकल बेसलाइन से करते हुए बेंचमार्क प्रस्तुत करता है।

CPU प्रदर्शन: CPU आर्किटेक्चर पर, colossus वर्तमान में एनालिटिकल गणनाओं के लिए लगभग 3 के कारक से halox से बेहतर प्रदर्शन करता है, जिसका श्रेय CAMB जैसी अत्यधिक कुशल लाइब्रेरीज़ और अनुकूलित इंटरपोलेशन स्कीम्स के उपयोग को जाता है।
GPU एक्सेलेरेशन: GPU का उपयोग करने से halox महत्वपूर्ण रूप से तेज़ हो जाता है:
- एनालिटिकल गणनाओं की गति >20 के कारक से बढ़ जाती है।
- इम्युलेटेड गणनाओं की गति ~65 के कारक से बढ़ जाती है।
इम्यूलेशन स्पीडअप: $\sigma(M)$ गणनाओं के लिए न्यूरल नेटवर्क इम्यूलेटर का उपयोग करने से GPU आर्किटेक्चर पर एनालिटिकल बेसलाइन की तुलना में 95× और colossus की तुलना में 34× तक का स्पीडअप प्राप्त होता है।
सटीकता (Accuracy):
- इम्यूलेटर $\sigma(M)$ और हेलो बायस को 1% के भीतर सटीकता के साथ भविष्यवाणी करता है।
- HMF भविष्यवाणी परीक्षण किए गए पैरामीटर स्पेस में कुछ प्रतिशत के भीतर सटीक है।
- अत्यंत विशाल हेलो ( $M_{200c} > 10^{15} h^{-1} M_\odot$ ) के क्षेत्र में त्रुटियां थोड़ी बढ़ जाती हैं, जो सिमुलेशन और अवलोकनों में दुर्लभ हैं।
वैलिडेशन: सभी फ़ंक्शंस को विभिन्न मास, रेडशिफ्ट और कॉस्मोलॉजी के लिए Astropy, colossus, और Gala के विरुद्ध मान्य किया गया है। ये परीक्षण एक स्वचालित CI/CD पाइपलाइन में एकीकृत हैं।

महत्व और दावे (Significance and Claims)

लेखक halox को आधुनिक, AI-संचालित कॉस्मोलॉजिकल विश्लेषण के लिए एक महत्वपूर्ण उपकरण के रूप में स्थापित करते हैं। इसका प्राथमिक महत्व हेलो गुणों के लिए डिफरेंशिएबल और हार्डवेयर-एक्सेलेरेटेड वर्कफ़्लो को सक्षम करने में निहित है, जो पहले एक एकीकृत, सार्वजनिक पैकेज में उपलब्ध नहीं थे।

ग्रेडिएंट-आधारित वर्कफ़्लो: ऑटोमैटिक डिफरेंशिएशन की क्षमता halox को संवेदनशीलता विश्लेषण (sensitivity analyses), बेयसियन इन्फरेंस के लिए हैमिल्टोनियन मोंटी कार्लो सैंपलिंग, और मशीन लर्निंग अनुप्रयोगों में सीधे उपयोग करने की अनुमति देती है।
वर्तमान एडॉप्शन: लेखन के समय, लाइब्रेरी का उपयोग आगामी विश्लेषणों में किया जा रहा है, जिसमें डिफरेंशिएबल हेलो कैटलॉग जनरेटर का विकास और एक्सट्रैगैलेक्टिक मिलीमीटर-वेव आकाश के यथार्थवादी सिमुलेशन शामिल हैं। इसे LSST डार्क एनर्जी साइंस कोलैबोरेशन और अन्य द्वारा कॉस्मोलॉजी प्रकाशनों में संदर्भित किया गया है।
मामूली दावे: लेखक स्वीकार करते हैं कि जबकि halox GPU पर बेहतर प्रदर्शन और अद्वितीय डिफरेंशिएबिलिटी प्रदान करता है, यह अभी तक एनालिटिकल गणनाओं के लिए colossus जैसी स्थापित लाइब्रेरीज़ की कच्ची (raw) CPU गति को नहीं पछाड़ता है। लाइब्रेरी को सभी मौजूदा CPU-अनुकूलित कोड के प्रत्यक्ष प्रतिस्थापन के बजाय एक पूरक उपकरण के रूप में प्रस्तुत किया गया है जो नए कम्प्यूटेशनल प्रतिमानों को अनलॉक करता है।

पेपर निष्कर्ष निकालता है कि halox GPU-आधारित कॉस्मोलॉजिकल विश्लेषण के लिए मजबूत क्षमता प्रदर्शित करता है, जो ऑटोमैटिक डिफरेंशिएशन की महत्वपूर्ण क्षमता के साथ महत्वपूर्ण स्पीडअप प्रदान करता है।