$\texttt{SBi3PCF:}$ Simulation-based inference with the integrated 3PCF

ब्रह्मांड की कल्पना एक विशाल, अदृश्य पदार्थ के महासागर के रूप में करें, जो बिग बैंग से लेकर आज तक फैला हुआ है। इस महासागर का अधिकांश भाग "डार्क मैटर" (dark matter) से बना है, जो एक रहस्यमय पदार्थ है जिसे हम सीधे देख नहीं सकते, लेकिन हम जानते हैं कि यह वहां मौजूद है क्योंकि इसमें गुरुत्वाकर्षण है। जब दूर स्थित आकाशगंगाओं से आने वाला प्रकाश इस ब्रह्मांडीय महासागर से होकर गुजरता है, तो डार्क मैटर का गुरुत्वाकर्षण एक 'फनहाउस मिरर' (funhouse mirror) की तरह काम करता है, जो उन आकाशगंगाओं के आकार को थोड़ा खींचता और मरोड़ता है। इस घटना को "वीक ग्रेविटेशनल लेंसिंग" (weak gravitational lensing) कहा जाता है। अरबों आकाशगंगाओं के आकारों में इन सूक्ष्म विकृतियों को मापकर, खगोलशास्त्री अदृश्य डार्क मैटर का मानचित्र बना सकते हैं और यह समझ सकते हैं कि ब्रह्मांड कैसे बढ़ता और फैलता है।

लंबे समय से, वैज्ञानिक इस ब्रह्मांडीय दर्पण को सरल उपकरणों का उपयोग करके देख रहे हैं, जैसे कि आकाशगंगाओं के जोड़ों के आकार के सहसंबंध (correlation) को मापना। यह तालाब पर उठने वाली लहरों को देखकर हवा की गति का अनुमान लगाने जैसा है। लेकिन ब्रह्मांड अव्यवस्थित और जटिल है, और ये सरल माप केवल कहानी का एक हिस्सा ही बताते हैं। वे "उच्च-क्रम" (higher-order) के रहस्यों को छोड़ देते हैं—वे जटिल, गैर-रैखिक पैटर्न जो तब उत्पन्न होते हैं जब तीन या अधिक आकाशगंगाएं एक विशिष्ट तरीके से परस्पर क्रिया करती हैं। इन रहस्यों को खोलने के लिए, वैज्ञानिकों को केवल जोड़ों के बजाय तीन आकाशगंगाओं द्वारा बनाए गए त्रिकोण जैसे अधिक जटिल आकारों को देखने की आवश्यकता है। हालांकि, ये जटिल पैटर्न मानक गणित के साथ भविष्यवाणी करने में अत्यंत कठिन होते हैं क्योंकि ब्रह्मांड का व्यवहार बहुत अधिक अनियंत्रित और अप्रत्याशित हो जाता है जिसे सरल सूत्र संभाल नहीं पाते।

यहीं पर यह शोध पत्र आता है। डेविड गेबावर और अनिक हलडर के नेतृत्व में लेखकों ने इस कोड को तोड़ने के लिए SBi3PCF नामक एक नया डिजिटल टूलकिट बनाया है। ब्रह्मांड को एक सरल गणितीय ढांचे में फिट करने की कोशिश करने के बजाय, उन्होंने यह निर्णय लिया कि ब्रह्मांड उन्हें स्वयं नियम सिखाएगा, जिसके लिए उन्होंने विशाल, यथार्थवादी कंप्यूटर सिमुलेशन का उपयोग किया। इसे एक आदर्श केक बनाने के तरीके से सीखने जैसा समझें। केवल एक रेसिपी पढ़ने के (पुराने गणितीय तरीके के बजाय), उन्होंने एक आभासी रसोई में हजारों केक बेक किए, हर बार सामग्री को थोड़ा बदलते हुए, और फिर एक सुपर-स्मार्ट AI का उपयोग किया ताकि यह सीखा जा सके कि सामग्री अंतिम स्वाद को कैसे प्रभावित करती है।

अपने अध्ययन में, उन्होंने CosmoGridV1 नामक एक शक्तिशाली सिमुलेशन सूट का उपयोग करके कॉस्मिक शीयर फील्ड (cosmic shear field)—आकाशगंगाओं के विकृत आकारों के पैटर्न—का अनुकरण किया। उन्होंने केवल डार्क मैटर का ही अनुकरण नहीं किया; उन्होंने सभी वास्तविक दुनिया के "सिस्टमैटिक प्रभावों" (systematic effects) को भी शामिल किया जो वास्तविक प्रेक्षणों को कठिन बनाते हैं, जैसे कि आकाशगंगाओं की दूरियों को मापने में त्रुटियां, सामान्य पदार्थ (बैरयन्स) के इकट्ठा होने का प्रभाव, और आकाशगंगाओं के आकारों का रैंडम शोर (noise)। फिर उन्होंने सिमुलेशन मापदंडों और परिणामी डेटा के बीच के संबंध को सीखने के लिए एक न्यूरल नेटवर्क (एक प्रकार का AI) के साथ सिमुलेशन-आधारित अनुमान (Simulation-Based Inference - SBI) तकनीक का उपयोग किया।

टीम ने इंटीग्रेटेड 3-पॉइंट कोरिलेशन फंक्शन (i3PCF) नामक एक विशिष्ट, जटिल सांख्यिकी पर ध्यान केंद्रित किया। आप मानक "2-पॉइंट" माप को दो आकाशगंगाओं के बीच संबंध की जांच के रूप में देख सकते हैं, जबकि "3-पॉइंट" माप यह जांचता है कि आकाशगंगाओं का एक समूह आपस में कैसे संबंधित है। i3PCF, पूरे अदृश्य ब्रह्मांड के मानचित्र को पुनर्गठित करने की आवश्यकता के बिना, इन त्रिक (trio) संबंधों को मापने का एक चतुर तरीका है।

यहाँ उन्हें क्या मिला:

• गौसियन मिथ (Gaussian Myth): लंबे समय से, वैज्ञानिक यह मानते आए थे कि उनके डेटा में सांख्यिकीय "शोर" (noise) एक सुंदर, चिकनी बेल कर्व (bell curve) का पालन करता है। लेखकों ने इसका परीक्षण किया और पाया कि जबकि सरल "2-पॉइंट" डेटा इस बेल कर्व के साथ अच्छी तरह से फिट बैठता है, जटिल "3-पॉइंट" (i3PCF) मापों सहित संयुक्त डेटा ऐसा नहीं करता है। बड़े पैमाने पर, वितरण तिरछा और अजीब हो जाता है। इसका मतलब है कि पुराने गणितीय तरीके जो बेल कर्व पर निर्भर करते हैं, इस नए डेटा के लिए गलत परिणाम देंगे। उनका AI दृष्टिकोण हालांकि, कर्व के आकार की परवाह नहीं करता है; यह सिमुलेशन से सीधे वास्तविक, जटिल वितरण को सीखता है।
• नगण्य व्यवधान (Negligible Distractions): उन्होंने जांचा कि क्या दो विशिष्ट प्रभाव—सोर्स गैलेक्सी क्लस्टरिंग (जहाँ पृष्ठभूमि की आकाशगंगाएँ पूरी तरह से यादृच्छिक नहीं हैं) और रिड्यूस्ड शीयर (विकृति को मापने के तरीके में एक सूक्ष्म सुधार)—उनके मापों को खराब कर देंगे। उन्होंने पाया कि वर्तमान सर्वेक्षणों (जैसे डार्क एनर्जी सर्वे वर्ष 3) के पैमाने के लिए, ये प्रभाव इतने सूक्ष्म हैं कि उन्हें सुरक्षित रूप से अनदेखा किया जा सकता है। डार्क मैटर का संकेत इन छोटे ग्लिच से कहीं अधिक मजबूत है।
• सटीकता में बड़ी वृद्धि: जब उन्होंने अपने नए AI पाइपलाइन को मॉक डेटा (सिमुलेटेड अवलोकन जो वास्तविक देखते ही तरह के होते हैं) पर लागू किया, तो मानक मापों में i3PCF को जोड़ने से एक बड़ा अंतर आया। इसने उनके कॉस्मोलॉजिकल बाधाओं (cosmological constraints) की सटीकता में औसत 63.8% का सुधार किया। विशेष रूप से, इसने पदार्थ घनत्व ($\Omega_m$), पदार्थ के जमाव ($\sigma_8$), और डार्क एनर्जी समीकरण अवस्था ($w_0$) के मूल्यों को पहले की तुलना में बहुत बेहतर ढंग से निर्धारित करने में मदद की। सबसे महत्वपूर्ण सुधार $\sigma_8$ के लिए हुआ, जहाँ अनिश्चितता लगभग 31.0% कम हो गई।

शोध पत्र निष्कर्ष निकालता है कि यह नया ढांचा, SBi3PCF, इन जटिल ब्रह्मांडीय पैटर्न का विश्लेषण करने का एक मजबूत और सटीक तरीका है। यह सिद्ध करता है कि पूर्ण गणितीय सूत्रों की आवश्यकता को दरकिनार करने के लिए सिमुलेशन और AI का उपयोग करके, वैज्ञानिक कमजोर लेंसिंग संकेतों से काफी अधिक जानकारी निकाल सकते हैं। यह भविष्य के, और भी बड़े सर्वेक्षणों (जैसे यूक्लिड मिशन और वेरा सी. रुबिन वेधशाला से) के लिए मार्ग प्रशत करता है ताकि वे ब्रह्मांड के सबसे बड़े रहस्यों को सुलझाने के लिए इन उच्च-क्रम सांख्यिकी का उपयोग कर सकें, और साथ ही ब्रह्मांड को देखने के वास्तविक, जटिल तरीकों को भी ध्यान में रख सकें।