🔭 astrophysics

Probing evolution of Long GRB properties through their cosmic formation history aided by Machine Learning predicted redshifts

यह अध्ययन स्पेक्ट्रोस्कोपिक डेटा की कमी वाले लंबे गामा-रे बर्स्ट के लिए रेडशिफ्ट (redshifts) की भविष्यवाणी करने हेतु मशीन लर्निंग का उपयोग करता है, जिससे एक संवर्धित नमूना तैयार होता है जो यह प्रकट करता है कि वर्तमान विकासवादी मॉडल कम और उच्च दोनों रेडशिफ्ट पर जीआरबी (GRB) निर्माण दरों को पूरी तरह से समझाने में विफल रहते हैं, जो अधिक जटिल विकास पदों या वैकल्पिक प्रजनक मूलों की आवश्यकता का सुझाव देता है।

मूल लेखक: Dhruv S. Bal, Aditya Narendra, Maria Giovanna Dainotti, Nikita S. Khatiya, Aleksander L. Lenart, Dieter H. Hartmann

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Dhruv S. Bal, Aditya Narendra, Maria Giovanna Dainotti, Nikita S. Khatiya, Aleksander L. Lenart, Dieter H. Hartmann

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

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र की व्याख्या दी गई है।

बड़ी तस्वीर: "खोए हुए" लंबी दूरी के फोन कॉल्स को खोजना

कल्पना कीजिए कि ब्रह्मांड एक विशाल, अंधेरे शहर की तरह है। गामा-रे बर्स्ट्स (GRBs) आकाश में फटने वाले अविश्वसनीय रूप से चमकीले, अल्पकालिक आतिशबाजी (पटाखों) की तरह हैं। वे इतने चमकीले होते हैं कि हम उन्हें ब्रह्मांड के छोर से भी देख सकते हैं, यहाँ तक कि तब भी जब ब्रह्मांड एक बच्चा था।

वैज्ञानिक इन आतिशबाजी को पसंद करते हैं क्योंकि वे संदेशवाहक के रूप में कार्य करते हैं। इनका अध्ययन करके, हम यह जान सकते हैं कि इतिहास के दौरान तारे कैसे पैदा हुए और कैसे समाप्त हुए। हालाँकि, एक बड़ी समस्या है: किसी आतिशबाजी को समझने के लिए, आपको यह सटीक रूप से जानना होगा कि वह कितनी दूर है। खगोल विज्ञान में, इस दूरी को "रेडशिफ्ट" (redshift) कहा जाता है।

आमतौर पर, इस दूरी को मापने के लिए वैज्ञानिकों को आतिशबाजी की "आफ्टरग्लो" (धुंधली होती रोशनी) को पकड़ने और उसके रंगों का विश्लेषण करने की आवश्यकता होती है। लेकिन, जैसे तूफान में जुगनू को पकड़ने की कोशिश करना, यह बहुत कठिन है। लगभग 80% आतिशबाजी इतनी जल्दी फीकी पड़ जाती है या इतनी धुंधली होती है कि हमारे टेलीस्कोप उनकी आफ्टरग्लो को नहीं पकड़ पाते। इससे हमारे पास डेटा का एक बड़ा ढेर रह जाता है जहाँ हमें पता तो होता है कि एक आतिशबाजी हुई थी, लेकिन हमें यह नहीं पता होता कि वह कितनी दूर थी।

नया टूल: "रेडशिफ्ट प्रेडिक्टर" (मशीन लर्निंग)

चूँकि हम अधिकांश घटनाओं के लिए दूरी नहीं माप सकते, इसलिए इस शोध पत्र के लेखकों ने एक चतुर तरकीब का उपयोग किया: मशीन लर्निंग (ML)।

उन आतिशबाजीओं के बारे में सोचें जिनकी दूरियाँ ज्ञात हैं, वे एक प्रशिक्षण कक्षा (training class) की तरह हैं। वैज्ञानिकों ने कंप्यूटर को ज्ञात आतिशबाजीओं की विशेषताओं (विस्फोट का "प्रॉम्प्ट" चरण और "आफ्टरग्लो" चरण) को देखना सिखाया। कंप्यूटर ने पैटर्न सीख लिया, जो मूल रूप से कहता है, "जब एक आतिशबाजी X जैसी दिखती है और Y की तरह फीकी पड़ती है, तो वह आमतौर पर दूरी Z पर होती है।"

एक बार जब कंप्यूटर प्रशिक्षित हो गया, तो उसे उन 80% आतिशबाजीओं के लिए दूरियों की भविष्यवाणी करने के लिए भेजा गया जो पहले "खोई हुई" थीं। इसने ब्रह्मांड के इतिहास का एक बहुत बड़ा, अधिक पूर्ण मानचित्र तैयार किया।

जांच: क्या आतिशबाजी केवल तारा जन्म के मार्कर हैं?

इस अध्ययन का मुख्य लक्ष्य एक सरल प्रश्न का उत्तर देना था: क्या ये आतिशबाजी ठीक उसी समय और स्थान पर होती हैं जहाँ नए तारे पैदा हो रहे हैं?

सिद्धांत: अधिकांश लंबे समय तक चलने वाली आतिशबाजी (Long GRBs) ब्लैक होल में समाते हुए विशाल तारों के कारण होती हैं। इसलिए, वैज्ञानिक उम्मीद करते हैं कि आतिशबाजी की दर तारा निर्माण की दर से पूरी तरह मेल खाएगी।
परीक्षण: टीम ने अपने नए, बड़े मानचित्र (जिसमें कंप्यूटर द्वारा अनुमानित दूरियाँ शामिल थीं) को लिया और इसकी तुलना ज्ञात "स्टार फॉर्मेशन रेट" (तारे कितनी तेजी से जन्म ले रहे हैं) से की।

उन्होंने यह देखने के लिए तीन अलग-अलग परिदृश्यों का परीक्षण किया कि कौन सा डेटा के साथ फिट बैठता है:

कोई विकास नहीं (No Evolution): आतिशबाजी आज बिल्कुल वैसे ही व्यवहार करती है जैसे वे अरबों साल पहले करती थीं।
बीमिंग विकास (Beaming Evolution): आतिशबाजी टॉर्च की तरह हैं। शायद अतीत में, टॉर्च (प्रकाश की किरणें) वर्तमान की तुलना में अलग दिशा में केंद्रित (बीम) थीं।
सामान्य विकास (General Evolution): आतिशबाजी के बारे में सब कुछ (चमक, दिशा आदि) एक विशिष्ट नियम के अनुसार समय के साथ बदलता है।

परिणाम: एक आंशिक मिलान

परिणाम सफलता और रहस्य का मिश्रण थे:

मध्य मार्ग (The Middle Ground): ब्रह्मांड के इतिहास के मध्य में (रेडशिफ्ट 1 से 2), कंप्यूटर द्वारा अनुमानित डेटा ने अच्छा काम किया। विभिन्न परिदृश्य यह समझाने में सक्षम थे कि ये आतिशबाजी इस दर पर क्यों हुईं।
किनारे (बहुत शुरुआत और बहुत हाल का समय): मॉडल ब्रह्मांड की शुरुआत (उच्च रेडशिफ्ट) और बहुत हाल के अतीत (निम्न रेडशिफ्ट) में डेटा को समझाने में विफल रहे।
- उपमा: कल्पना कीजिए कि आप एक घुमावदार सड़क के सामने एक सीधी स्केल (रूलर) लगाने की कोशिश कर रहे हैं। स्केल बीच के हिस्से में बिल्कुल फिट बैठती है, लेकिन शुरुआत और अंत में अंतराल छोड़ देती है। यह बताता है कि इन आतिशबाजीओं के व्यवहार के "नियम" एक साधारण सीधी रेखा की तुलना में अधिक जटिल हो सकते हैं।

यह बेमेल क्यों है?

लेखक इस बात के लिए कुछ अनुमान देते हैं कि मॉडल किनारों पर पूरी तरह से फिट क्यों नहीं हुए:

नमूना मिश्रित है: जैसे कि मिश्रित मेवों के बैग में मूंगफली और काजू दोनों हो सकते हैं, आतिशबाजी का नमूना भी अलग-अलग प्रकारों के विस्फोटों का मिश्रण हो सकता है। कुछ टूटते हुए तारों से हो सकते हैं, जबकि अन्य तारों के आपस में टकराने (mergers) से। यदि आप उन्हें मिला देते हैं, तो पैटर्न गड़बड़ा जाता है।
"लो-रेडशिफ्ट" हंप (The Low-Redshift Hump): टाइमलाइन के हालिया छोर पर, डेटा ने आतिशबाजी का एक छोटा "उभार" या अधिकता दिखाई। यह एक विशिष्ट प्रकार के कम शक्ति वाले विस्फोट के कारण हो सकता है या शायद डेटा की गणना करने के तरीके के कारण, लेकिन लेखक कहते हैं कि निश्चित होने के लिए उन्हें और अध्ययन की आवश्यकता है।
"हाई-रेडशिफ्ट" रहस्य: ब्रह्मांड की शुरुआत में, डेटा उम्मीद के मुताबिक स्टार फॉर्मेशन रेट से मेल नहीं खाया। ऐसा इसलिए हो सकता है क्योंकि हमारे टेलीस्कोप सबसे धुंधली, सबसे दूर की आतिशबाजी को मिस कर रहे हैं, या जिन गैलेक्सीज़ में वे हो रहे हैं, वे आज की गैलेक्सीज़ से बहुत अलग हैं।

निष्कर्ष

यह शोध पत्र एक बड़ी प्रगति है क्योंकि इसने ब्रह्मांडीय पहेली के लापता हिस्सों को भरने के लिए सफलतापूर्वक मशीन लर्निंग का उपयोग किया है। "खोई हुई" आतिशबाजी की दूरियों की भविष्यवाणी करके, वैज्ञानिकों ने एक बहुत बड़ा डेटासेट तैयार किया है।

हालाँकि, अध्ययन यह निष्कर्ष निकालता है कि हमारी वर्तमान समझ अभी भी पूर्ण नहीं है। सरल नियम जिनका उपयोग हम यह अनुमान लगाने के लिए करते हैं कि आतिशबाजी समय के साथ कैसे विकसित होती है, पूरे ब्रह्मांड के इतिहास को नहीं समझाते हैं। यह सुझाव देता है कि या तो आतिशबाजी स्वयं जटिल तरीकों से बदलती हैं, या हम विभिन्न प्रकार के ब्रह्मांडीय विस्फोटों के मिश्रण को देख रहे हैं जिन्हें हमने अभी तक पूरी तरह से अलग नहीं किया है।

पहेली के बाकी हिस्सों को हल करने के लिए, लेखक सुझाव देते हैं कि हमें भविष्य के टेलीस्कोपों से और भी अधिक डेटा की आवश्यकता है और शायद अपने AI मॉडलों को और बेहतर बनाने के लिए विभिन्न प्रकार के प्रकाश (ऑप्टिकल और एक्स-रे) को संयोजित करने की आवश्यकता है।

तकनीकी सारांश: मशीन लर्निंग द्वारा अनुमानित रेडशिफ्ट की सहायता से उनके ब्रह्मांडीय निर्माण इतिहास के माध्यम से लॉन्ग GRB गुणों की विकास प्रक्रिया की जांच

समस्या विवरण
गामा-रे बर्स्ट (GRBs) पुनर्संयोजन युग (epoch of reionization) तक विस्तृत ब्रह्मांडीय तारा निर्माण इतिहास (SFRH) के लिए महत्वपूर्ण प्रोब के रूप में कार्य करते हैं। हालांकि, वर्तमान अध्ययनों में एक महत्वपूर्ण सीमा यह है कि लगभग 80% GRBs में रेडशिफ्ट ( $z$ ) मापा नहीं जा सका है, क्योंकि स्पेक्ट्रोस्कोपिक या फोटोमेट्रिक निर्धारण के लिए आफ्टरग्लो उत्सर्जन के तीव्र अनुवर्ती (follow-up) की आवश्यकता होती है जो अक्सर अप्राप्य होता है। आंतरिक GRB सहसंबंधों का उपयोग करके रेडशिफ्ट का अनुमान लगाने वाली मौजूदा विधियों में सर्कुलैरिटी तर्क (सहसंबंध प्राप्त करने के लिए कॉस्मोलॉजी को मान लेना, फिर $z$ खोजने के लिए उसका उपयोग करना) और व्यवस्थित अनिश्चितताएं शामिल हैं। फलस्वरूप, लॉन्ग GRB रेट डेंसिटी (LGRB-RD) को व्युत्पन्न करने के लिए उपयोग किए जाने वाले डेटासेट छोटे और संभावित रूप से पक्षपाती हैं, जो GRB विकास और स्टार फॉर्मेशन रेट डेंसिटी (SFRD) के साथ उनके संबंध की स्पष्ट समझ में बाधा डालते हैं।

कार्यप्रणाली
यह अध्ययन उन लॉन्ग GRBs (LGRBs) के नमूने का उपयोग करता है जिनके रेडशिफ्ट मशीन लर्निंग (ML) मॉडल द्वारा अनुमानित हैं, जिन्हें प्रॉम्प्ट और X-ray आफ्टरग्लो मापदंडों (विशेष रूप से X-ray प्लेटो सहसंबंधों) पर प्रशिक्षित किया गया है, बिना किसी कॉस्मोलॉजिकल धारणाओं पर निर्भर रहे। विश्लेषण निम्नलिखित चरणों के माध्यम से आगे बढ़ता है:

डेटा चयन: लेखक दो डेटासेट का निर्माण करते हैं:
- अनुमानित नमूना (Predicted Sample - PS): 228 LGRBs जिनमें X-ray प्लेटो हैं लेकिन कोई प्रेक्षित रेडशिफ्ट नहीं है, जहाँ $z$ का अनुमान (Narendra et al. 2025 (N25) के ML मॉडल का उपयोग करके) लगाया गया था। उच्च रेडशिफ्ट या ल्यूमिनोसिटी त्रुटियों वाले आउटलेर्स को हटा दिया गया।
- संयुक्त नमूना (Combined Sample - CS): 446 LGRBs जिसमें PS के साथ 218 ज्ञात स्पेक्ट्रोस्कोपिक रेडशिफ्ट और X-ray प्लेटो वाले LGRBs ("प्रेक्षित नमूना" या OS) शामिल हैं।
- कट (Cuts): दोनों नमूनों को उपकरण की ल्यूमिनोसिटी थ्रेशोल्ड से नीचे के GRBs को हटाने के लिए फ़िल्टर किया गया (Kolmogorov-Smirnov परीक्षणों के माध्यम से निर्धारित) और GRB 060614 (मर्जर-ओरिजिन लॉन्ग GRB) को हटाया गया।
रेट डेंसिटी गणना:
- लेखक चयन प्रभावों (selection effects) को ठीक करने और संचयी दर घनत्व वितरण ( $\sigma$ ) को व्युत्पन्न करने के लिए एफ्रॉन-पेट्रोसियन (Efron-Petrosian - EP) विधि लागू करते हैं।
- GRB गुणों (जैसे ल्यूमिनोसिटी) में संभावित विकास को ध्यान में रखने के लिए, एक सुधार कारक $L' = L/(1+z)^k$ लागू किया जाता है। पैरामीटर $k$ का निर्धारण उस मान को खोजकर किया जाता है जहाँ केंडल- $\tau$ (Kendall- $\tau$ ) सांख्यिकी शून्य होती है, जिससे ल्यूमिनोसिटी और रेडशिफ्ट की स्वतंत्रता सुनिश्चित होती है।
- LGRB-RD ( $\rho$ ) की गणना संचयी वितरण के अवकलन (differentiation) द्वारा और डिटेक्शन की संवेदनशीलता, फील्ड ऑफ व्यू, अपटाइम और पता लगाए गए कुल GRBs की संख्या द्वारा स्केल करके की जाती है।
सैद्धांतिक तुलना:
- एक सैद्धांतिक दर घनत्व ( $\rho_{theor}$ ) को रूपांतरण कारकों (कोलैप्सर अंश, सुपरनोवा प्रकार, बीमिंग) और एक विकासात्मक पद $(1+z)^\delta$ द्वारा SFRD (Madau & Dickinson 2014) को स्केल करके बनाया गया है।
- यह अध्ययन तीन विकासात्मक परिदृश्यों का परीक्षण करता है: कोई विकास नहीं ( $\delta=0$ ), बीमिंग विकास ( $\delta=1.6$ ), और एक सामान्य विकासात्मक पद जहाँ $\delta$ का मान -4 और 4 के बीच बदलता है।

मुख्य परिणाम

विकास की सार्थकता: विश्लेषण GRB गुणों में विकास के लिए महत्वपूर्ण साक्ष्य प्रकट करता है। सर्वोत्तम-फिट $k$ मान PS के लिए $2.2^{+0.8}_{-0.7}$ और CS के लिए $2.5^{+0.4}_{-0.4}$ हैं, जो क्रमशः $\sim3\sigma$ और $\sim6\sigma$ की सार्थकता के अनुरूप हैं, जो 'नो-इवोल्यूशन' केस ( $k=0$ ) के सापेक्ष हैं।
रेट डेंसिटी रुझान:
- दोनों नमूनों के लिए रेट डेंसिटी $z \sim 1-2$ की रेडशिफ्ट रेंज में चरम (peak) पर है।
- PS का शिखर CS की तुलना में उच्च रेडशिफ्ट पर है, जिसका कारण प्रशिक्षण वितरण के माध्य (mean) की ओर ML मॉडल का पूर्वाग्रह (bias) है, जिसे बाद में सुधारा गया था।
- CS में एक निम्न-रेडशिफ्ट ( $z < 1$ ) अधिकता (uptick) देखी गई है, जिसे लेखक संभावित रूप से मर्जर, लो ल्यूमिनोसिटी GRBs (LLGRGs), या फिटिंग आर्टिफैक्ट्स के योगदान के रूप में देखते हैं।
विकासात्मक मॉडल:
- कोई भी एकल विकासात्मक मॉडल (power law in $1+z$ ) पूरे रेडशिफ्ट रेंज में दर घनत्व की व्याख्या करने में सफल नहीं हुआ।
- जबकि विशिष्ट $\delta$ मान लो- $z$ या हाई- $z$ छोरों से मेल खा सकते हैं, उनमें से कोई भी पूर्ण वितरण को कैप्चर नहीं कर पाता है। CS के लिए, $\delta = -0.3$ लो- $z$ ट्रेंड के लिए फिट बैठता है, जबकि $\delta = -0.9$ पीक और हाई- $z$ एंड के लिए फिट बैठता है।
- CS के रेट डेंसिटी का शिखर $z \sim 1.6$ (लुकबैक टाइम $\sim 9.5$ Gyr) पर है, जबकि MD14 SFRD $z \sim 1.9$ (लुकबैक टाइम $\sim 10.1$ Gyr) पर पीक करता है। लेखक नोट करते हैं कि यह विसंगति त्रुटि मार्जिन के भीतर है, लेकिन यह बाइनरी इंटरैक्शन के कारण प्रोजनिटर के जीवनकाल विस्तार जैसे संभावित प्रभावों का सुझाव देती है।

महत्ता और दावे
यह शोध दावा करता है कि ML-अनुमानित रेडशिफ्ट का एकीकरण GRB विकास के अध्ययन के लिए उपलब्ध डेटासेट का विस्तार करने में एक "महत्वपूर्ण कदम" है। अपने नमूना आकार को बढ़ाकर, वे प्रदर्शित करते हैं कि:

नमूना समरूपता मुद्दे: सरल पावर-लॉ विकास पदों द्वारा पूरे रेडशिफ्ट में दर घनत्व को समझाने में असमर्थता यह बताती है कि या तो एक अधिक जटिल विकासात्मक पद मौजूद है या नमूना गैर-समरूपता (जैसे, लॉन्ग-GRB वर्गीकरण के भीतर कोलैप्सर और मर्जर-ओरिजिन GRBs का मिश्रण) है।
SFRD ट्रैकिंग: जबकि LGRBs $z \sim 6$ तक SFRD को ट्रैक करते हैं, उनके गुणों (बीमिंग, मेटालिसिटी, प्रोजनिटर प्रकार) का विशिष्ट विकास ऐसे विचलन पेश करता है जिसे सरल स्केलिंग पूरी तरह से हल नहीं कर सकती है।
भावी दिशाएं: लेखक इस बात पर जोर देते हैं कि वर्तमान ML विश्लेषण सबसे सटीक है, लेकिन भविष्य के सुधारों के लिए ऑप्टिकल और X-ray प्लेटो नमूनों को प्रशिक्षण के लिए संयोजित करने और ज्ञात रेडशिफ्ट के नमूने को बढ़ाने के लिए आगामी मिशनों (SVOM, Rubin, THESEUS, Hi-Z GUNDAM) के डेटा का उपयोग करने की आवश्यकता है। वे चेतावनी देते हैं कि मल्टी-वेवलेंथ नमूनों को संयोजित करने के लिए सावधानी की आवश्यकता है क्योंकि उत्सर्जन स्थलों और डस्ट एक्सटिंक्शन प्रभावों में अंतर हो सकता है।

अध्ययन निष्कर्ष निकालता है कि जबकि व्युत्पन्न दर घनत्व मध्यम-रेडशिफ्ट रेंज में विश्वसनीय हैं, लो और हाई रेडशिफ्ट पर बेमेल होना प्रोजनिटर विविधता और देखे गए रेट डेंसिटी फीचर्स के भौतिक उद्गम की गहन जांच की आवश्यकता को रेखांकित करता है।