📊 statistics

The causal structure of galactic astrophysics

यह शोध पत्र पारंपरिक सहसंबंध-आधारित विश्लेषण की सीमाओं को दूर करने के लिए खगोल भौतिकी में कारण खोज (कॉज़ल डिस्कवरी) विधियों को लागू करने का प्रस्ताव देता है, जिससे प्रत्यक्ष कारण संबंधों, चरों की दिशाओं और छिपे हुए कन्फाउंडर्स (कन्फाउंडर्स) का अनुमान लगाया जा सके, और लगभग 450,000 निकटवर्ती आकाशगंगाओं के एक डेटासेट पर इस दृष्टिकोण की प्रभावशीलता को प्रदर्शित करता है ताकि उन भौतिक तंत्रों के बीच अंतर किया जा सके जो मानक सहसंबंध विश्लेषण के तहत समान या विनिमेय (डिजेनरेट) प्रतीत होते हैं।

मूल लेखक: Harry Desmond, Joseph Ramsey

प्रकाशित 2026-03-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Harry Desmond, Joseph Ramsey

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 आप एक जासूस हैं जो यह समझने की कोशिश कर रहे हैं कि एक शहर कैसे काम करता है। आपके पास एक विशाल डेटाबेस है जिसमें हर इमारत के बारे में जानकारी है: वह कितनी ऊँची है, वहां कितने लोग रहते हैं, उसकी कीमत कितनी है, और उसके पेंट का रंग क्या है।

यदि आप केवल नंबरों को देखते हैं, तो आप एक पैटर्न देख सकते हैं: ऊँची इमारतों में महंगा पेंट होने की प्रवृत्ति होती है।

एक मानक वैज्ञानिक कह सकता है, "आहा! महंगा पेंट इमारतों को ऊँचा बनाता है!" या, "ऊँची इमारतें पेंट को महंगा बनाती हैं!" लेकिन वे फंस जाते हैं। वे केवल सहसंबंध (correlation) देखते हैं (दो चीजों का एक साथ होना), लेकिन कारणता (causation) नहीं (कि कौन सी चीज दूसरे को धकेल रही है)। शायद कोई तीसरा कारक, जैसे कि "एक अमीर पड़ोस में होना," ऊँचाई और पेंट के रंग दोनों को प्रभावित करता है।

यह वही समस्या है जिसका सामना खगोलशास्त्रियों ने दशकों से आकाशगंगाओं (galaxies) के साथ किया है। वे देखते हैं कि बड़ी आकाशगंगाएँ चमकदार होती हैं, और चमकदार आकाशगंगाएँ बड़ी होती हैं, लेकिन वे निश्चित नहीं हो पाते कि क्यों या प्रभाव किस दिशा में बह रहा है।

नया जासूसी उपकरण: कॉज़ल डिस्कवरी (Causal Discovery)

यह शोध पत्र एक नया जासूसी उपकरण पेश करता है जिसे कॉज़ल डिस्कवरी (Causal Discovery) कहा जाता है। यह केवल यह पूछने के बजाय कि, "क्या ये दो चीजें एक साथ होती हैं?" यह पूछता है, "यदि मैं एक चीज़ को स्थिर रखूँ, तो क्या अन्य चीजों के बीच का संबंध टूट जाता है?"

इसे इस तरह समझें:

पुराना तरीका (सहसंबंध/Correlation): आप देखते हैं कि जब भी बारिश होती है, लोग छतरी लेकर चलते हैं। आप यह भी देखते हैं कि जब लोग छतरी लेकर चलते हैं, तो ज़मीन गीली हो जाती है। आप गलत निष्कर्ष निकाल सकते हैं कि छतरियां ज़मीन को गीला करने का कारण बनती हैं।
नया तरीका (कॉज़ल डिस्कवरी/Causal Discovery): आप एक ऐसे दिन को देखते हैं जब बारिश हो रही है, लेकिन आप सबको मजबूर करते हैं कि वे अपनी छतरियां नीचे रख दें (या एक ऐसा दिन देखते हैं जहाँ ज़मीन गीली है लेकिन बारिश नहीं हो रही है)। यदि छतरियां नीचे रखने पर ज़मीन सूखी रहती है, तो आपको एहसास होता है: बारिश ज़मीन को गीला करती है, और बारिश छतरियों का उपयोग भी करवाती है। छतरियों ने गीलेपन का कारण नहीं दिया; वे केवल एक दुष्प्रभाव थे।

प्रयोग: "गैलेक्सी सिटी"

लेखकों ने नासा स्लोअन एटलस (NASA Sloan Atlas) नामक एक विशाल डेटासेट लिया, जिसमें लगभग 4,50,000 नजदीकी आकाशगंगाओं के बारे में जानकारी है। उन्होंने प्रत्येक आकाशगंगा के लिए सात प्रमुख विशेषताओं को देखा:

दूरी (रेडशिफ्ट/Redshift)
चमक (ल्यूमिनोसिटी/Luminosity)
द्रव्यमान (Mass - इसमें कितना पदार्थ है)
आकार (Size - यह कितनी बड़ी है)
आकृति (Shape - क्या यह एक चपटी डिस्क है या एक गोल गेंद?)
हालिया तारा जन्म (Recent Star Birth - अभी नए तारे कितने बन रहे हैं?)
मोटाई (Thickness - क्या यह एक पतली डिस्क है या एक मोटा गोला?)

उन्होंने इस डेटा को एक नए, सुपर-फास्ट कंप्यूटर एल्गोरिदम FCIT (Fast Causal Inference with Targeted Testing) में डाला। यह एल्गोरिदम विशेष है क्योंकि यह उस जटिल, गैर-रैखिक (non-linear) और विशाल डेटा को संभाल सकता है जिससे खगोलशास्त्री निपटते हैं, जिसे पुराने उपकरण नहीं कर सके।

उन्हें क्या मिला?

एल्गोरिदम ने आकाशगंगाओं के कारण और प्रभाव का एक "फैमिली ट्री" (वंशवृक्ष) बनाया। यहाँ वह कहानी है जो इसने सुनाई, जिसे सरल शब्दों में अनुवादित किया गया है:

1. दूरी का "छिपा हुआ हाथ"
एल्गोरिदम ने सही ढंग से पता लगाया कि दूरी (आकाशगंगा हमसे कितनी दूर है) यह तय करती है कि वह हमें कैसी दिखती है। यह केवल परिप्रेक्ष्य का एक भ्रम है (जैसे एक खिलौना कार दूर से छोटी दिखती है)। इसने यह भी पहचाना कि दूरी चमक और द्रव्यमान के हमारे मापों को धोखा देती है क्योंकि हम दूर की सबसे चमकीली, सबसे बड़ी आकाशगंगाओं को ही देख पाते हैं। एल्गोरिदम ने इन "ऑप्टिकल इल्यूजन" (दृष्टि भ्रमों) को सफलतापूर्वक पहचान लिया।

2. द्रव्यमान (Mass) ही बॉस है
सबसे महत्वपूर्ण खोज यह है कि द्रव्यमान (Mass) मूल कारण है।

द्रव्यमान → चमक: अधिक द्रव्यमान का अर्थ है अधिक तारे, जिसका अर्थ है अधिक प्रकाश।
द्रव्यमान → आकार: भारी आकाशगंगाएँ भौतिक रूप से बड़ी होती हैं।
आकृति (Morphology) → आकार: आकाशगंगा की आकृति (चाहे वह एक चपटी डिस्क हो या एक गोल गेंद) सीधे तौर पर उसके आकार को प्रभावित करती है, भले ही आप उसकी चमक जानते हों।

3. "तारा निर्माण" का गलत धारणा (Misconception)
यह सबसे दिलचस्प हिस्सा है। आप सोच सकते हैं कि आकाशगंगा में वर्तमान में चल रहा तारा निर्माण (अभी नए तारे बन रहे हैं) ही आकाशगंगा को बड़ा बनाने का कारण है।

एल्गोरिदम कहता है: नहीं।
इसने पाया कि हालिया तारा निर्माण का आकाशगंगा के आकार पर सीधा नियंत्रण नहीं है।
इसके बजाय, तारा निर्माण केवल एक दुष्प्रभाव है। यह आकाशगंगा को अस्थायी रूप से चमकीला बनाता है, लेकिन आकार उस द्रव्यमान के निर्माण और अरबों वर्षों में उसके आकार के इतिहास द्वारा निर्धारित होता है।

4. "मिसिंग लिंक" (रहस्य)
एल्गोरिदम ने कुछ रेखाओं पर प्रश्न चिह्न (सर्कल) खींचे। इसका मतलब है, "हम जानते हैं कि ये चीजें आपस में जुड़ी हुई हैं, लेकिन हम नहीं जानते कि इनमें से कौन सा दूसरे का कारण बनता है, या शायद कोई तीसरा गुप्त कारक है जिसे हमने मापा नहीं है।"

उदाहरण के लिए, आकाशगंगा की आकृति और उसके द्रव्यमान के बीच का संबंध एक प्रश्न चिह्न के साथ है। लेखकों को संदेह है कि वहाँ एक "छिपा हुआ चर" (variable) है (जैसे कि आकाशगंगा ने कितनी गैस खाई या वह किस वातावरण में रहती है) जो दोनों को नियंत्रित कर रहा है, लेकिन उनके पास उस डेटा की सूची में वह जानकारी नहीं थी।

यह क्यों मायने रखता है?

इस शोध पत्र से पहले, खगोलशास्त्री तीरों की दिशा का अनुमान लगाते थे। वे कहते थे, "शायद A, B का कारण बनता है, या शायद B, A का कारण बनता है, या शायद C इन दोनों का कारण है।"

यह शोध पत्र एक ऐसे मानचित्र की तरह है जो अंततः तीरों की दिशा दिखाता है।

यह साबित करता है कि द्रव्यमान ही आकार को संचालित करता है, न कि इसका उल्टा।
यह साबित करता है कि आकृति आकार निर्धारित करने में एक प्रमुख खिलाड़ी है, न कि केवल एक सजावट।
यह साबित करता है कि हालिया तारा जन्म आकाशगंगा के आकार के मामले में ड्राइवर नहीं, बल्कि एक यात्री है।

बड़ी तस्वीर

इसे एक परछाईं के खेल (shadow puppet show) को देखने से—जहाँ आप केवल दीवार पर हिलती आकृतियों को देखते हैं और अनुमान लगाते हैं—सीधे मंच पर जाने के रूप में समझें जहाँ आप कठपुतलियों, धागों और कठपुतली चलाने वाले को देख सकते हैं।

लेखकों ने एक ऐसा नया उपकरण बनाया है जो हमें केवल यह अनुमान लगाने के बजाय कि ब्रह्मांड कैसे काम करता है, अपने सिद्धांतों का वास्तव में परीक्षण करने की अनुमति देता है। यह खगोल विज्ञान को "पैटर्न देखने" के क्षेत्र से बदलकर "मशीनरी को समझने" के क्षेत्र में ले जाने की दिशा में एक बड़ा कदम है।

यहाँ है हैरी डेसमंड और जोसेफ रामसे के शोध पत्र "The Causal Structure of Galactic Astrophysics" का विस्तृत तकनीकी सारांश।

1. समस्या विवरण (Problem Statement)

पारंपरिक खगोल भौतिकी (Astrophysics) भौतिक सिद्धांतों का परीक्षण करने के लिए प्रेक्षित गैलेक्सी गुणों (जैसे द्रव्यमान, चमक, आकार) के बीच सांख्यिकीय सहसंबंधों (Statistical Correlations) की पहचान करने पर बहुत अधिक निर्भर करती है। हालाँकि, सहसंबंध से कारणता (Causation) सिद्ध नहीं होती।

वर्तमान विधियों की सीमाएँ: सहसंबंध विश्लेषण प्रभाव की दिशा निर्धारित नहीं कर सकता (जैसे, क्या द्रव्यमान आकार को संचालित करता है, या इसके विपरीत?), न ही यह प्रत्यक्ष कारण संबंधों और कन्फाउंडिंग वेरिएबल्स (Confounding Variables) (अनदेखे कारक जो कई प्रेक्षित चरों को प्रभावित करते हैं) के कारण होने वाले भ्रामक सहसंबंधों के बीच अंतर कर सकता है।
अंतराल (The Gap): जबकि जीनोमिक्स और अर्थशास्त्र जैसे क्षेत्रों में 'कॉज़ल डिस्कवरी' (Causal Discovery) अच्छी तरह से स्थापित है, बड़े पैमाने के डेटा (लाखों ऑब्जेक्ट्स), भौतिक संबंधों की अत्यधिक गैर-रेखीय (Non-linear) प्रकृति, और अनपेक्षित कन्फाउंडर्स (जैसे डार्क मैटर हेलो मास, गैस संचय इतिहास) की संभावना के कारण खगोल भौतिकी में इसका सीमित अनुप्रयोग देखा गया है।
लक्ष्य: एक ऐसी कॉज़ल डिस्कवरी कार्यप्रणाली विकसित करना और लागू करना जो बड़े पैमाने के खगोलीय डेटासेट के कारणत्मक ढांचे (Causal Structure - दिशात्मकता और कन्फाउंडिंग) का अनुमान लगाने में सक्षम हो, जिससे उन अपभ्रष्ट भौतिक तंत्रों (Degenerate Physical Mechanisms) के बीच अंतर किया जा सके जो मानक सहसंबंध विश्लेषण के तहत समान दिखाई देते हैं।

2. कार्यप्रणाली (Methodology)

लेखक बड़े पैमाने के खगोलीय डेटा के लिए अनुकूलित Fast Causal Inference with Targeted Testing (FCIT) एल्गोरिदम का उपयोग करते हुए एक पाइपलाइन का प्रस्ताव करते हैं।

A. डेटा स्रोत (Data Source)

डेटासेट: NASA स्लोअन एटलस (NSA) v1.0.1, जिसमें $\sim 4.5 \times 10^5$ निकटवर्ती निम्न-रेडशिफ्ट गैलेक्सियाँ ( $z \lesssim 0.15$ ) शामिल हैं।
चर (Variables): सात प्रमुख भौतिक गुणों को चुना गया था:
1. कॉस्मोलॉजिकल रेडशिफ्ट ( $z_{dist}$ )
2. एब्सोल्यूट मैग्नीट्यूड ( $r$ -बैंड ल्यूमिनोसिटी)
3. हालिया स्टार फॉर्मेशन रेट (300 Myr औसत द्वारा सामान्यीकृत)
4. स्टेलर मास (Stellar Mass)
5. सेर्सिक इंडेक्स (Sérsic Index - आकारिकी/Morphology)
6. एक्सिस रेश्यो (Axis Ratio - आकारिकी/प्रोजेक्शन)
7. एंगुलर हाफ-लाइट रेडियस (Angular Half-light Radius - आकार)
प्रीप्रोसेसिंग: विसंगतिपूर्ण वस्तुओं को हटाने के लिए सख्त कट लगाए गए, जिसके परिणामस्वरूप 445,763 गैलेक्सियों का एक स्वच्छ नमूना प्राप्त हुआ।

B. FCIT एल्गोरिदम

FCIT एक हाइब्रिड कन्स्ट्रेंट-बेस्ड और स्कोर-बेस्ड एल्गोरिदम है जिसे निम्नलिखित को संभालने के लिए डिज़ाइन किया गया है:

लेटेंट कन्फाउंडर्स (Latent Confounders): यह "कॉज़ल सफिशिएंसी" (यह धारणा कि सभी प्रासंगिक चर प्रेक्षित हैं) का पालन नहीं करता है। इसके बजाय, यह एक पार्शियल एंसेस्ट्रल ग्राफ (Partial Ancestral Graph - PAG) आउटपुट करता है, जो निर्देशित किनारों (Directed Edges - कारण), द्विदिश किनारों (Bidirected Edges - सामान्य अनदेखा कारण), और अस्पष्ट किनारों (Circles) को प्रदर्शित कर सकता है।
गैर-रैखिकता (Non-linearity): यह गैर-रैखिक संबंधों को मॉडल करने के लिए बेसिस-फंक्शन एक्सपेंशन (Legendre polynomials) का उपयोग करता है, जो गाऊसी अवशेषों (Gaussian Residuals) को माने बिना लचीले संबंध प्रदान करता है।
स्केलेबिलिटी (Scalability): पारंपरिक एल्गोरिदम के विपरीत जो खराब रूप से स्केल करते हैं ( $O(N^3)$ ), FCIT लक्षित परीक्षण (Targeted Testing) और स्थानीय कंडीशनिंग का उपयोग करके कम्प्यूटेशनल जटिलता को कम करता है, जिससे $\sim 10^5$ ऑब्जेक्ट्स का विश्लेषण मिनटों में संभव हो जाता है।

FCIT के मुख्य चरण:

स्केलेटन डिस्कवरी (Skeleton Discovery): बेसिस फंक्शन का उपयोग करके कंडीशनल इंडिपेंडेंस के परीक्षण द्वारा किनारों (Edges) को पुनरावृत्ति से हटाया जाता है।
टारगेटेड ब्लॉकिंग (Targeted Blocking): इंड्यूसिंग पाथ्स को ब्लॉक करने वाले कंडीशनिंग सेट्स की पहचान करने के लिए रिकर्सिव ब्लॉकिंग का उपयोग किया जाता है, जिससे कॉम्बिनेटोरियल विस्फोट से बचा जा सके।
ओरिएंटेशन (Orientation): अनशील्डेडड कोलाइडर्स (Unshielded Colliders) की पहचान करने और किनारों की दिशा को प्रसारित करने के लिए ओरिएंटेशन नियमों को लागू किया जाता है, जिससे एक PAG प्राप्त होता है।

C. मॉक डेटा के माध्यम से सत्यापन

हाइपरपैरामीटर्स को कैलिब्रेट करने और विश्वसनीयता का आकलन करने के लिए, लेखकों ने Causal Perceptron Network (CPN) का उपयोग करके सिंथेटिक डेटासेट तैयार किए:

जेनरेशन: वास्तविक, गैर-रेखीय कॉज़ल संरचनाओं को सिम्युलेट करने के लिए ज्ञात ग्राउंड-ट्रुथ DAGs के साथ रैंडम मल्टी-लेयर पर्सेप्ट्रॉन (MLPs) का उपयोग करके सिंथेटिक डेटा बनाया गया।
कैलिब्रेशन: एल्गोरिदम का परीक्षण 200 मॉक डेटासेट पर किया गया ताकि truncation_limit (बेसिस फंक्शन ऑर्डर) और penalty_discount (BIC कॉम्प्लेक्सिटी पेनल्टी) को अनुकूलित किया जा सके।
परिणाम: truncation_limit = 14 और penalty_discount = 50 के साथ इष्टतम प्रदर्शन (F1 स्कोर $\approx 0.9$ ) प्राप्त हुआ।

3. मुख्य परिणाम (Key Results)

NSA डेटा पर कैलिब्रेटेड FCIT एल्गोरिदम को लागू करने से एक पार्शियल एंसेस्ट्रल ग्राफ (PAG) प्राप्त हुआ, जिसने निम्नलिखित कॉज़ल संरचनाओं को प्रकट किया:

A. पुष्ट कॉज़ल दिशाएँ (Confirmed Causal Directions)

रेडशिफ्ट ( $z$ ) $\to$ अपीयरेंट साइज: रेडशिफ्ट के कारण अपीयरेंट साइज निर्धारित होता है (अवलोकन संबंधी प्रभाव)।
मास $\to$ ल्यूमिनोसिटी: स्टेलर मास सीधे एब्सोल्यूट मैग्नीट्यूड को संचालित करता है (अधिक तारे = अधिक प्रकाश)।
ल्यूमिनोसिटी $\to$ साइज: ल्यूमिनोसिटी से साइज की ओर एक निर्देशित किनारा (Directed Edge) मौजूद है। यह सुझाव देता है कि जबकि मास ल्यूमिनोसिटी को संचालित करता है, प्रेक्षित आकार मौलिक रूप से ल्यूमिनोसिटी/मास असेंबली इतिहास से जुड़ा है, जो मास-साइज संबंध ( $R \propto M^{0.4-0.55}$ ) के अनुरूप है।
हालिया स्टार फॉर्मेशन $\to$ ल्यूमिनोसिटी: हालिया स्टार फॉर्मेशन गतिविधि सीधे गैलेक्सी को चमकीला बनाती है (अल्पकालिक प्रभाव)।

B. प्रत्यक्ष लिंक्स की अनुपस्थिति और भौतिक व्याख्या

स्टार फॉर्मेशन $\nrightarrow$ साइज (प्रत्यक्ष): मास और मॉर्फोलॉजी को ध्यान में रखने के बाद हालिया स्टार फॉर्मेशन से साइज तक कोई सीधा किनारा नहीं है।
- व्याख्या: यह उन मॉडलों को खारिज करता है जहाँ तात्कालिक स्टार फॉर्मेशन दक्षता आकार वृद्धि को संचालित करती है। इसके बजाय, यह इनसाइड-आउट डिस्क ग्रोथ (Inside-out Disk Growth) और हायरार्किकल मर्जिंग (Hierarchical Merging) का समर्थन करता है, जहाँ आकार का निर्धारण दीर्घकालिक मास असेंबली और संरचनात्मक विकास द्वारा किया जाता है, और स्टार फॉर्मेशन एक माध्यमिक या सहसंबंधित प्रक्रिया है।
मध्यस्थ के रूप में मॉर्फोलॉजी (Morphology as a Mediator): सेर्सिक इंडेक्स ( $n$ ) का साइज की ओर एक निर्देशित किनारा है ( $n \to \text{Size}$ ), जो दर्शाता है कि मॉर्फोलॉजी (बल्ज बनाम डिस्क प्रभुत्व) निश्चित ल्यूमिनोसिटी पर आकार को प्रभावित करती है।

C. लेटेंट कन्फाउंडिंग (अस्पष्ट किनारे)

मॉर्फोलॉजी, मास और स्टार फॉर्मेशन के बीच के कई किनारे वृत्तों ( $\circ$ ) पर समाप्त होते हैं।

अर्थ: ये दिशात्मकता में अनिश्चितता या अनदेखे कन्फाउंडर्स की उपस्थिति का प्रतिनिधित्व करते हैं।
संभावित कारण: लेखक संभावित लेटेंट वेरिएबल्स की पहचान करते हैं जैसे कि हेलो मास (Halo Mass), गैस एक््रीशन हिस्ट्री (Gas Accretion History), फीडबैक एफिशिएंसी (Feedback Efficiency), और बड़े पैमाने का वातावरण (Large-scale Environment), जो इन प्रेक्षित चरों को संयुक्त रूप से प्रभावित करते हैं।

4. महत्व और योगदान (Significance and Contributions)

कार्यप्रणालीगत सफलता (Methodological Breakthrough): यह $\sim 10^5$ खगोलीय पिंडों के डेटासेट पर सफल कॉज़ल डिस्कवरी अनुप्रयोगों में से एक है। यह प्रदर्शित करता है कि कॉज़ल इन्फरेंस आधुनिक सर्वेक्षण डेटा के लिए कम्प्यूटेशनल रूप से व्यवहार्य है।
सहसंबंध से परे: यह अध्ययन "क्या किससे सहसंबंधित है" से आगे बढ़कर "क्या किसको संचालित करता है" की ओर बढ़ता है। यह सफलतापूर्वक उन भौतिक तंत्रों के बीच अंतर करता है जो सहसंबंध विश्लेषण के तहत अपभ्रष्ट (Degenerate) होते हैं (जैसे, मास-ड्रिवन ग्रोथ और फीडबैक-ड्रिवन परिदृश्यों के बीच अंतर करना)।
सैद्धांतिक सत्यापन: प्राप्त PAG स्थापित गैलेक्सी निर्माण सिद्धांतों (जैसे, हायरार्किकल मर्जिंग, मास-साइज संबंध) के साथ संरेखित है, जबकि प्रत्यक्ष डेटा-संचालित पुष्टि प्रदान करता है।
भविष्य का रोडमैप: यह शोध पत्र रेखांकित करता है कि कॉज़ल डिस्कवरी का उपयोग कैसे किया जा सकता है:
- भविष्य के प्रेक्षणों को निर्देशित करने के लिए विशिष्ट भौतिक मॉडलों का परीक्षण करने के लिए (जैसे, अस्पष्ट किनारों को हल करने के लिए गैस मास या मेटालिसिटी को मापना)।
- केवल सांख्यिकीय फिटिंग से कॉज़ल मॉडल इन्फरेंस की ओर बढ़ने के लिए, जो सीधे डेटा से सिद्धांतों को निकालने में सक्षम बनाता है।

निष्कर्ष

डेसमंड और रामसे यह प्रदर्शित करते हैं कि कॉज़ल डिस्कवरी आधुनिक खगोल भौतिकी के लिए एक शक्तिशाली और आवश्यक उपकरण है। NASA स्लोअन एटलस पर FCIT एल्गोरिदम को लागू करके, उन्होंने एक ऐसा कॉज़ल ढांचा प्राप्त किया जो हायरार्किकल गैलेक्सी इवोल्यूशन मॉडल्स की पुष्टि करता है, मॉर्फोलॉजी की मध्यस्थ के रूप में भूमिका को पहचानता है, और अनपेक्षित कन्फाउंडर्स के कारण वर्तमान डेटा की सीमाओं को स्पष्ट रूप से उजागर करता है। यह कार्य बड़े डेटा वाले युग में भौतिक सिद्धांतों को सीमित करने के लिए कॉज़ल डिस्कवरी को एक मुख्यधारा की तकनीक बनाने का मार्ग प्रशस्त करता है।