🔭 astrophysics

Projected sensitivity of CTAO to axion-like particles from blazars with a machine learning approach

यह शोध पत्र अनुमान लगाता है कि चेरेनकोव टेलीस्कोप एरे ऑब्जर्वेटरी (CTAO), व्यवस्थित अनिश्चितताओं को कम करने के लिए मानक सांख्यिकीय विधियों और नवीन मशीन लर्निंग क्लासिफायर दोनों का उपयोग करके ब्लाज़र स्पेक्ट्रा का विश्लेषण करके, एक्सियन-लाइक पार्टिकल्स (axion-like particles) पर वर्तमान बाधाओं में महत्वपूर्ण सुधार करेगी।

मूल लेखक: Francesco Schiavone, Leonardo Di Venere, Francesco Giordano

प्रकाशित 2026-06-16

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Francesco Schiavone, Leonardo Di Venere, Francesco Giordano

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 ब्रह्मांड अदृश्य "भूतिया" कणों से भरा हुआ है जिन्हें एक्सियन-लाइक पार्टिकल्स (ALPs) कहा जाता है। वैज्ञानिकों ने उन्हें कभी सीधे तौर पर नहीं देखा है, लेकिन उन्हें संदेह है कि वे अस्तित्व में हैं क्योंकि वे भौतिकी की कुछ सबसे बड़ी गुत्थियों को सुलझा सकते हैं। समस्या यह है कि ये भूत अत्यंत शर्मीले हैं; वे बहुत कम ही किसी चीज़ के साथ अंतःक्रिया (interact) करते हैं।

हालाँकि, उन्हें देखने का एक चतुर तरीका है: प्रकाश।

"म्यूजिकल चेयर्स" का ब्रह्मांडीय खेल

एक ब्लाज़र (एक सुपरमैसिव ब्लैक होल जो हमसे ऊर्जा की एक जेट फेंक रहा है) को ब्रह्मांड के आर-पार प्रकाश की किरण फेंकने वाले एक विशाल लाइटहाउस के रूप में सोचें। जैसे-जैसे यह प्रकाश अंतरिक्ष के माध्यम से यात्रा करता है, यह अदृश्य चुंबकीय क्षेत्रों से गुजरता है, जैसे कोई तैराक पानी के माध्यम से चलता है।

सिद्धांत के अनुसार, यदि ALPs मौजूद हैं, तो प्रकाश (फोटॉन) उनके साथ "म्यूजिकल चेयर्स" का खेल खेल सकता है। एक चुंबकीय क्षेत्र की उपस्थिति में, एक फोटॉन क्षण भर के लिए ALP में बदल सकता है, क्षेत्र के माध्यम से यात्रा कर सकता है, और फिर वापस फोटॉन में बदल सकता है।

पकड़: यह रूपांतरण प्रकाश के "फ्लेवर" को बदल देता है। यह प्रकाश के ऊर्जा स्पेक्ट्रम में सूक्ष्म, लहरदार पैटर्न बनाता है और बहुत उच्च ऊर्जा वाले प्रकाश को उम्मीद से अधिक समय तक जीवित रहने में मदद करता है।
लक्ष्य: यदि हम दूर स्थित ब्लाज़रों के प्रकाश में इन विशिष्ट लहरों या अप्रत्याशित चमक को देख पाते हैं, तो हम सिद्ध कर देंगे कि ALPs मौजूद हैं।

नया टेलीस्कोप: CTAO

यह शोध पत्र एक भविष्य के टेलीस्कोप पर केंद्रित है जिसे चेरेनकोव टेलीस्कोप एरे ऑब्जर्वेटरी (CTAO) कहा जाता है। CTAO को आकाश के लिए एक सुपर-पावर्ड आँखों के जोड़े के रूप में समझें। यह आज के टेलीस्कोपों की तुलना में बहुत अधिक स्पष्ट और संवेदनशील है।

लेखकों ने सिम्युलेट किया कि यदि CTAO दो प्रसिद्ध "लाइटहाउसों" (Mrk 501 और PKS 2155−304 नामक ब्लाज़र) को 50 घंटे (सामान्य समय) और 5 घंटे (एक उज्ज्वल फ्लेयर के दौरान) के लिए देखे, तो उसे क्या दिखाई देगा।
वे जानना चाहते थे: यह नया टेलीस्कोप इन भूतिया कणों को कितनी अच्छी तरह पहचान सकता है?

भूत को खोजने के दो तरीके

यह पेपर डेटा का विश्लेषण करने के दो अलग-अलग तरीकों की तुलना करता है:

1. पुराना तरीका: "गणितीय पैमाना" (लाइक्लीहुड रेशियो टेस्ट)
यह वह मानक विधि है जिसका उपयोग वैज्ञानिक करते हैं। कल्पना कीजिए कि आपके पास एक तराजू है। आप एक तरफ "कोई भूत नहीं" का सिद्धांत रखते हैं और दूसरी तरफ "भूत" का सिद्धांत। आप डेटा को दोनों के विरुद्ध तौलते हैं। यदि "भूत" वाला सिद्धांत, "कोई भूत नहीं" वाले सिद्धांत की तुलना में डेटा के साथ काफी बेहतर फिट बैठता है, तो आपको सफलता मिलती है।

पेपर का निष्कर्ष: CTAO इस मामले में उत्कृष्ट होगा, जिससे उन सीमाओं में सुधार होगा जहाँ ये भूत छिप सकते हैं।

2. नया तरीका: "AI डिटेक्टिव" (मशीन लर्निंग)
यह इस शोध पत्र का रोमांचक नया हिस्सा है। एक कठोर गणितीय सूत्र के बजाय, लेखकों ने एक कंप्यूटर प्रोग्राम (एक AI) को एक जासूस के रूप में प्रशिक्षित किया।

प्रशिक्षण: उन्होंने AI को हजारों नकली प्रकाश पैटर्न दिखाए: कुछ भूतों के साथ, और कुछ बिना भूतों के। AI ने सूक्ष्म, सूक्ष्म अंतरों (लहरों) को पहचानने में महारत हासिल की जिन्हें इंसान या सरल गणित भी मिस कर सकते हैं।
परीक्षण: इसके बाद उन्होंने AI से नए डेटा को देखने और यह तय करने के लिए कहा, "क्या यह एक भूतिया पैटर्न है या नहीं?"
परिणाम: AI पारंपरिक गणितीय पैमाने के समान ही प्रभावी रहा। वास्तव में, लेखकों का सुझाव है कि यह विधि "शोर" (noise) या व्यवस्थित त्रुटियों (systematic errors) को अनदेखा करने में बेहतर हो सकती है जो अक्सर पारंपरिक गणित को भ्रमित करती हैं।

निचोड़

शोध पत्र यह निष्कर्ष निकालता है कि भविष्य का टेलीस्कोप (CTAO) इन अदृश्य कणों का शिकार करने के लिए एक शक्तिशाली उपकरण होगा।

यह उन विशाल क्षेत्रों को खारिज करने में सक्षम होगा जहाँ ALPs मौजूद नहीं हैं, जिससे खोज का दायरा सीमित हो जाएगा।
सबसे महत्वपूर्ण बात यह है कि यह अध्ययन सिद्ध करता है कि मशीन लर्निंग (AI) का उपयोग करना इस काम के लिए एक वैध और शक्तिशाली नया उपकरण है। यह पुराने गणित जैसा ही काम कर सकता है, लेकिन भविष्य में यह त्रुटियों के प्रति अधिक मजबूत हो सकता है।

संक्षेप में: लेखकों ने एक सिमुलेशन बनाया है जो दिखाता है कि एक अगली पीढ़ी का टेलीस्कोप, एक स्मार्ट AI जासूस के साथ मिलकर, आज की तुलना में इन रहस्यमय ब्रह्मांडीय भूतों को खोजने (या उन्हें खारिज करने) में कहीं अधिक बेहतर होगा।

समस्या विवरण
एक्सियन-जैसे कण (ALPs) काल्पनिक स्यूडो-स्केलर कण हैं जो मानक मॉडल के विभिन्न विस्तारों द्वारा अनुमानित हैं। उनके पता लगाने का एक प्राथमिक तरीका बाहरी चुंबकीय क्षेत्रों में फोटॉन और ALPs का मिश्रण है, जो गामा-किरण स्रोतों में विशिष्ट स्पेक्ट्रल सिग्नेचर (spectral signatures) उत्पन्न कर सकता है। ब्लाज़र (Blazars), विशेष रूप से, इस खोज के लिए आदर्श प्रयोगशाला के रूप में कार्य करते हैं क्योंकि उनकी ब्रह्मांडीय दूरियां, उनके सापेक्षिक जेट्स (relativistic jets) में मजबूत चुंबकीय क्षेत्र और बहुत उच्च ऊर्जा (VHE) वाली गामा किरणों के एक्सट्रागैलेक्टिक बैकग्राउंड लाइट (EBL) द्वारा अवशोषण के कारण होने वाले प्रभाव मौजूद हैं। ALPs की उपस्थिति ऊर्जा-निर्भर स्पेक्ट्रल "विगल्स" (wiggles) या उच्च ऊर्जा पर स्पेक्ट्रम के सुदृढ़ीकरण (hardening) को प्रेरित कर सकती है, जिससे फोटॉन को ALPs में परिवर्तित होने, ब्रह्मांडीय दूरियों को बिना EBL अवशोषण के पार करने और मिल्की वे के चुंबकीय क्षेत्र में पुनः फोटॉन में परिवर्तित होने की अनुमति मिलती है।

चेरेंकोव टेलिस्कोप एरे ऑब्जर्वेटरी (CTAO) वर्तमान जमीनी टेलिस्कोपों की तुलना में ऊर्जा रिज़ॉल्यूशन और पॉइंट-सोर्स संवेदनशीलता में महत्वपूर्ण सुधार प्रदान करने की उम्मीद करती है। हालांकि, ALP संकेतों को ब्लाज़र स्पेक्ट्रा से निकालना चुनौतीपूर्ण है क्योंकि यह स्पेक्ट्रल विरूपण (spectral distortions) और संभावित व्यवस्थित अनिश्चितताओं (systemic uncertainties) की जटिल, गैर-रेखीय प्रकृति के कारण होता है। जबकि लाइक्लीहुड-रेश्यो टेस्ट (LRT) पर आधारित मानक सांख्यिकीय दृष्टिकोण आमतौर पर उपयोग किए जाते हैं, यह शोध इस बात की जांच करता है कि क्या मशीन लर्निंग (ML) क्लासिफायर ALP पैरामीटर स्पेस ( $m_a$ और $g_{a\gamma}$ ) को सीमित करने के लिए एक मजबूत विकल्प प्रदान कर सकते हैं।

कार्यप्रणाली
यह अध्ययन दो प्रसिद्ध TeV ब्लाज़र्स, Mrk 501 और PKS 2155−304 पर केंद्रित है, जो CTAO "अल्फा" कॉन्फ़िगरेशन का उपयोग करके उनके बेसलाइन और फ्लेयरिंग स्टेट्स (flaring states) के अवलोकन का अनुकरण (simulate) करता है।

डेटा सिमुलेशन:
- मॉक डेटा को Gammapy पैकेज का उपयोग करके जनरेट किया गया था, जिसमें बेसलाइन अवस्थाओं के लिए 50 घंटे और फ्लेयरिंग अवस्थाओं के लिए 5 घंटे के अवलोकन का अनुकरण किया गया।
- स्पेक्ट्रल मॉडल 4FGL-DR4 कैटलॉग (बेसलाइन के लिए लॉग-पैराबोला) और ऐतिहासिक फ्लेयर डेटा (Mrk 501 के लिए लॉग-पैराबोला, PKS 2155−304 के लिए एक्सपोनेंशियल कटऑफ पावर लॉ) से प्राप्त किए गए थे।
- ALP-फोटॉन ऑसिलेशन को gammaALPs पायथन पैकेज का उपयोग करके मॉडल किया गया था, जिसमें ब्लाज़र जेट्स में चुंबकीय क्षेत्र के वातावरण (हेलिकल और टेंगल्ड घटक), मिल्की वे के गैलेक्टिक चुंबकीय क्षेत्र और EBL अवशोषण को शामिल किया गया था।
- ALP पैरामीटर स्पेस को $m_a \in [0.1, 1000]$ neV और $g_{a\gamma} \in [0.03, 7] \times 10^{-11}$ GeV $^{-1}$ पर स्कैन किया गया।
सांख्यिकीय दृष्टिकोण:
- लाइक्लीहुड-रेश्यो टेस्ट (LRT): एक मानक बेंचमार्क विधि का उपयोग किया गया था। एक टेस्ट स्टैटिस्टिक (TS) को ALP परिकल्पना और सर्वोत्तम-फिट मॉडल के बीच लॉग-लाइक्लीहुड के अंतर के आधार पर परिभाषित किया गया था। चूंकि विल्क्स का प्रमेय (Wilks' theorem) सख्ती से ALP खोजों पर लागू नहीं होता है, इसलिए TS वितरण को 100 डेटासेट्स को ALP प्रभावों के साथ सिम्युलेट करके और उन्हें गामा प्रोबेबिलिटी डिस्ट्रीब्यूशन फंक्शन (PDF) के साथ फिट करके अनुभवजन्य रूप से निर्धारित किया गया था।
- मशीन लर्निंग (ML) क्लासिफायर: XGBoost एल्गोरिदम का उपयोग करके एक नवीन दृष्टिकोण पेश किया गया।
  - क्लासिफायर्स का एक ग्रिड ALP पैरामीटर स्पेस पर प्रशिक्षित किया गया।
  - प्रत्येक क्लासिफायर को ALP प्रभावों वाले 20,000 सिम्युलेटेड डेटासेट्स और केवल EBL अवशोषण (कोई ALP नहीं) वाले 20,000 डेटासेट्स के बीच अंतर करने के लिए प्रशिक्षित किया गया।
  - इनपुट फीचर्स ऊर्जा बिनों में सामान्यीकृत अतिरिक्त फोटॉन काउंट (normalized excess photon counts) थे, जिन्हें पूर्ण फ्लक्स के बजाय स्पेक्ट्रल आकार पर ध्यान केंद्रित करने के लिए डिज़ाइन किया गया था।
  - प्रत्येक $(m_a, g_{a\gamma})$ जोड़ी के लिए, क्लासिफायर एक स्कोर आउटपुट करता है जो एक डेटासेट के "ALP-जैसा" होने की संभावना को दर्शाता है। बहिष्करण महत्व (exclusion significance) का मूल्यांकन करने के लिए एक पूरक सांख्यिकी $\Pi$ को परिभाषित किया गया था।
  - ALP-जैसे डेटासेट्स के वितरण को कॉन्फिडेंस लेवल और बहिष्करण महत्व (z-scores) की गणना के लिए बीटा PDF के साथ फिट किया गया था।

प्रमुख योगदान

प्रक्षेपित संवेदनशीलता (Projected Sensitivity): यह शोध Mrk 501 और PKS 2155−304 के CTAO अवलोकनों के लिए अनुमानित 2 $\sigma$ बहिष्करण क्षेत्रों (exclusion regions) को प्रदान करता है, जो वर्तमान सीमाओं में सुधार करने की वर्तमान सीमाओं की क्षमता को प्रदर्शित करता है।
ALP खोजों में ML अनुप्रयोग: यह कार्य एक मशीन लर्निंग-आधारित पद्धति को पेश करता है और मान्य करता है जिसका उपयोग ALP पैरामीटरों को सीमित करने के लिए किया जाता है। यह प्रदर्शित करता है कि XGBoost क्लासिफायर, स्पेक्ट्रल डिफॉर्मेशन के विशिष्ट पैरामेट्रिक मॉडल पर निर्भर किए बिना, ALP-फोटॉन मिक्सिंग द्वारा प्रेरित गैर-रेखीय स्पेक्ट्रल विशेषताओं को प्रभावी ढंग से सीख सकते हैं।
पद्धतियों की तुलना: अध्ययन सीधे LRT के साथ ML दृष्टिकोण की तुलना करता है, जो दिखाता है कि ML पद्धति पारंपरिक तकनीक के साथ सुसंगत परिणाम देती है।

परिणाम

बहिष्करण क्षेत्र (Exclusion Regions): LRT और ML दोनों पद्धतियां भविष्यवाणी करती हैं कि CTAO ALP पैरामीटर स्पेस के महत्वपूर्ण हिस्सों को बाहर करने में सक्षम होगा, विशेष रूप से उन क्षेत्रों में जहाँ मजबूत मिक्सिंग के लिए क्रिटिकल एनर्जी CTAO ऊर्जा रेंज के भीतर आती है।
पद्धति निरंतरता: ML क्लासिफायर ( $\Pi$ सांख्यिकी का उपयोग करके) से प्राप्त बहिष्करण कंटूर (exclusion contours), LRT द्वारा प्राप्त कंटूर के साथ निकटता से मेल खाते हैं।
प्रदर्शन सीमाएं: ML क्लासिफायर उन क्षेत्रों में उच्च सटीकता (>90%) प्राप्त करते हैं जहाँ ALP-प्रेरित स्पेक्ट्रल विरूपण स्पष्ट होते हैं। हालांकि, बड़े $m_a$ और छोटे $g_{a\gamma}$ वाले क्षेत्रों में प्रदर्शन घट जाता है, जहाँ स्पेक्ट्रल विरूपण कमजोर होते हैं और ALP-रहित मामले से अलग करना कठिन होता है। इन क्षेत्रों में, क्लासिफायर सही ढंग से परिकल्पना को बाहर करने में विफल रहते हैं, जो LRT के व्यवहार को दर्शाता है।
व्यवस्थित अनिश्चितताएं: लेखक नोट करते हैं कि ML दृष्टिकोण व्यवस्थित मॉडल-निर्भर अनिश्चितताओं के प्रभाव को कम करने में मदद कर सकता है, क्योंकि क्लासिफायर विशिष्ट कार्यात्मक रूपों (functional forms) पर निर्भर रहने के बजाय सीधे डेटा से स्पेक्ट्रल आकार को सीखते हैं।

महत्व और दावे
शोध दावा करता है कि CTAO, अपने उन्नत ऊर्जा रिज़ॉल्यूशन और संवेदनशीलता के साथ, ALP पैरामीटर स्पेस पर वर्तमान सीमाओं में लगातार सुधार करेगा। इस कार्य का प्राथमिक महत्व यह प्रदर्शन करना है कि मशीन लर्निंग क्लासिफायर ALP खोजों के लिए मानक लाइक्लीहुड-रेश्यो टेस्ट के एक व्यवहार्य और प्रभावी विकल्प के रूप में कार्य कर सकते हैं। लेखक सुझाव देते हैं कि यह नया तरीका भविष्य की खोजों के लिए मूल्यवान हो सकता है, क्योंकि यह स्पेक्ट्रल मॉडलिंग से जुड़ी व्यवस्थित अनिश्चितताओं को कम करने की क्षमता रखता है। यह अध्ययन ALPs की खोज का दावा नहीं करता है बल्कि उनके अस्तित्व को सीमित करने के लिए CTAO की अनुमानित क्षमता को स्थापित करने के लिए है। परिणाम सिम्युलेटेड डेटा के आधार पर CTAO की सीमित करने की शक्ति का एक अनुमान के रूप में प्रस्तुत किए गए हैं, जो भविष्य के अवलोकन अभियानों के लिए एक बेंचमार्क के रूप में कार्य करते हैं।

"म्यूजिकल चेयर्स" का ब्रह्मांडीय खेल

नया टेलीस्कोप: CTAO

भूत को खोजने के दो तरीके

निचोड़

इसी तरह के और पेपर