⚛️ general relativity

Late-Time Alleviation of the Hubble Tension in CPL Cosmology with Massive Neutrinos via Bayesian Physics-Informed Neural Networks

यह अध्ययन यह प्रदर्शित करने के लिए बेयसियन फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स का उपयोग करता है कि समय-विकसित डार्क एनर्जी इक्वेशन ऑफ स्टेट (CPL) को मैसिव न्यूट्रिनो के साथ संयोजित करना प्रभावी रूप से हबल टेंशन को कम करता है, जिससे $H_0$ के प्रारंभिक और विलंब-ब्रह्मांड के मापों को $\sim1$ - $2\sigma$ की सीमा के भीतर सुसंगत बनाया जा सके।

मूल लेखक: Muhammad Yarahmadi

प्रकाशित 2026-07-21

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Muhammad Yarahmadi

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, फैलते हुए गुब्बारे के रूप में करें। दशकों से, वैज्ञानिक यह पता लगाने की कोशिश कर रहे हैं कि वास्तव में यह गुब्बारा अभी कितनी तेजी से फूल रहा है। इस गति को हबल स्थिरांक (Hubble constant) कहा जाता है। समस्या यह है कि हमारे पास इसे मापने के दो बहुत अलग तरीके हैं, और वे आपस में सहमत नहीं हैं। एक तरीका ब्रह्मांड की "शिशु चित्रों" (Cosmic Microwave Background) को देखता है और कहता है कि गुब्बारा एक निश्चित धीमी गति से फूल रहा है। दूसरा तरीका पास के "वयस्क" तारों और सुपरनोवा को देखता है और कहता है, "नहीं, यह बहुत अधिक तेजी से फूल रहा है!" यह असहमति "हबल टेंशन" (Hubble Tension) के रूप में जानी जाती है, और यह बिल्कुल वैसा ही है जैसे दो विशेषज्ञ एक ही कमरे को मापने के लिए अलग-अलग टेप माप का उपयोग कर रहे हों और उन्हें अलग-अलग लंबाई मिल रही हो। यदि दोनों टेप माप सही हैं, तो इसका मतलब है कि ब्रह्मांड के नियमों (भौतिकी) के बारे में हमारी समझ में कोई हिस्सा गायब है।

इस समस्या को हल करने के लिए, वैज्ञानिक उन छिपे हुए तत्वों की तलाश करते हैं जो ब्रह्मांड के विस्तार को बदलने में योगदान दे सकते हैं। दो बड़े संदिग्ध हैं "डार्क एनर्जी" (एक रहस्यमय बल जो ब्रह्मांड को दूर धकेलता है) और "न्यूट्रिनो" (सूक्ष्म, भूत जैसे कण जिनका थोड़ा सा द्रव्यमान होता है)। आमतौर पर, हम मानते हैं कि डार्क एनर्जी एक स्थिर, अपरिवर्तनीय बल है, लेकिन शायद यह एक 'गिरगिट' की तरह है जो समय के साथ अपनी शक्ति बदलता है। और शायद वे भूतिया न्यूट्रिनो हमारी सोच से अधिक भारी हैं, जो ब्रह्मांड के विस्तार पर एक सूक्ष्म ब्रेक की तरह काम करते हैं। प्रश्न यह है कि यदि हम इन तत्वों को बदलने और हिलने-डुलने की अनुमति दें, तो क्या हम दो अलग-अलग टेप मापों को एक साथ ला सकते हैं?

इस शोध पत्र में, मुहम्मद यारहमादी नामक एक शोधकर्ता इस ब्रह्मांडीय असहमति को एक बहुत ही आधुनिक उपकरण का उपयोग करके सुलझाते हैं: एक "स्मार्ट" कंप्यूटर प्रोग्राम जिसे "बायेसियन फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क" (PINN) कहा जाता है। इस प्रोग्राम को केवल एक कैलकुलेटर के रूप में नहीं, बल्कि एक ऐसे छात्र के रूप में सोचें जिसे भौतिकी के नियमों (जैसे ब्रह्मांड के विस्तार के नियम) को सीखने के लिए मजबूर किया जाता है और साथ ही साथ टेलीस्कोपों से प्राप्त वास्तविक डेटा का अध्ययन भी कराया जाता है। केवल नंबरों का अनुमान लगाने के बजाय, यह प्रोग्राम ब्रह्मांड के नियमकोश द्वारा "सूचित" (informed) होता है, जिससे यह सुनिश्चित होता है कि इसके द्वारा दिया गया प्रत्येक उत्तर भौतिक रूप से तर्कसंगत हो।

यह अध्ययन ब्रह्मांड के तीन अलग-अलग नियमकोशों का परीक्षण करता है। पहला मानक मॉडल है, जहाँ डार्क एनर्जी एक उबाऊ, अपरिवर्तनीय स्थिरांक है। दूसरा डार्क एनर्जी को एक "गिरगिट" (chameleon) के रूप में अनुमति देता है, जो समय के साथ अपना व्यवहार बदलता है (CPL मॉडल का उपयोग करके)। तीसरा एक नया मोड़ जोड़ता है: यह भूतिया न्यूट्रिनो को एक विशिष्ट, स्वतंत्र द्रव्यमान रखने की अनुमति देता है। शोधकर्ता इस स्मार्ट प्रोग्राम को तीन मुख्य स्रोतों से डेटा खिलाते हैं: ब्रह्मांड के "शिशु चित्र" (Planck 2018), "वयस्क" सुपरनोवा (Pantheon+), और प्रारंभिक ब्रह्मांड से ध्वनि तरंगों की "गूँज" (DESI DR2 BAO माप)।

इस स्मार्ट प्रोग्राम ने क्या पाया? जब वे उबाऊ, अपरिवर्तनीय डार्क एनर्जी मॉडल पर टिके रहे, तो प्रारंभिक और देर से ब्रह्मांड के मापों के बीच की असहमति बनी रही। जब उन्होंने डार्क एनर्जी को समय के साथ बदलने की अनुमति दी (CPL मॉडल), तो परिणाम बदल गए। प्रोग्राम ने सुझाव दिया कि डार्क एनर्जी आज अतीत की तुलना में थोड़ी अलग हो सकती है, जिसने गणना की गई विस्तार दर को उच्च स्तर पर धकेल दिया। इसने "देर के ब्रह्मांड" के मापों को पास के सितारों के मापों के साथ बेहतर ढंग से मेल खाने में मदद की, जिससे कुछ विशिष्ट मामलों में तनाव कम हो गया, लेकिन इसने अकेले इस मुद्दे को पूरी तरह से हल नहीं किया और अक्सर प्रारंभिक ब्रह्मांड के डेटा के साथ असहमति को और बढ़ा दिया।

असली जादू तब हुआ जब उन्होंने इसमें भारी न्यूट्रिनो को शामिल किया। न्यूट्रिनो को द्रव्यमान (विशेष रूप से, डेटा संयोजन के आधार पर लगभग 0.16 से 0.28 eV से कम का कुल द्रव्यमान) देने से मॉडल स्थिर हो गया। स्मार्ट प्रोग्राम ने एक "गोल्डिलॉक्स" ज़ोन (Goldilocks zone) पाया जहाँ विस्तार दर लगभग 69.7 से 71.6 किमी प्रति सेकंड प्रति मेगापार्सेक (km s⁻¹ Mpc⁻¹) की सीमा में स्थिर हो गई। इस विशिष्ट परिदृश्य (CPL के साथ भारी न्यूट्रिनो) में, स्थानीय मापों के साथ तनाव काफी कम हो गया, जो कई मामलों में 1σ स्तर से भी नीचे गिर गया, जबकि प्रारंभिक ब्रह्मांड के डेटा के साथ तनाव 1–2σ की अधिक प्रबंधनीय सीमा में आ गया। यह सुझाव देता है कि थोड़ा बदलते हुए डार्क एनर्जी और कुछ भारी न्यूट्रिनो वाला ब्रह्मांड, मानक उबाऊ मॉडल की तुलना में बेहतर फिट है।

पत्र ने यह सुनिश्चित करने के लिए एक महत्वपूर्ण जांच भी की कि उनका "स्मार्ट छात्र" केवल मनगढ़ंत बातें नहीं कर रहा है। उन्होंने PINN के उत्तरों की तुलना एक पारंपरिक, बहुत धीमी और बहुत सावधानीपूर्ण विधि MCMC (मार्कोव चेन मोंटे कार्लो) से की। परिणाम लगभग पूरी तरह से मेल खाते थे, जिसमें PINN ने वही उत्तर खोजे लेकिन इसे हजारों गुना तेजी से किया। यह साबित करता है कि यह नया तरीका इन जटिल ब्रह्मांडीय पहेलियों को हल करने का एक विश्वसनीय और तेज़ तरीका है।

अंततः, यह पत्र सुझाव देता है कि हबल टेंशन केवल एक माप त्रुटि नहीं है; यह एक संकेत हो सकता है कि हमारा ब्रह्मांड हमारी सोच से कहीं अधिक गतिशील है। यह संकेत देता है कि डार्क एनर्जी विकसित हो रही हो सकती है और न्यूट्रिनो उस "द्रव्यमानहीन" भूत से अधिक भारी हो सकते हैं जिसकी हमने कल्पना की थी। हालाँकि यह इस रहस्य को पूरी तरह से हल नहीं करता (एक छोटी असहमति बनी रहती है), लेकिन यह एक अधिक जटिल और दिलचस्प ब्रह्मांड की ओर इशारा करता है, और यह दिखाता है कि डेटा से सीधे भौतिकी सीखने के लिए AI का उपयोग करना ब्रह्मांड की खोज करने का एक शक्तिशाली नया तरीका है।

तकनीकी सारांश: बेयसियन PINNs के माध्यम से हबल तनाव का विलंबित-समय निवारण

समस्या विवरण
यह शोध पत्र निरंतर बने रहने वाले "हबल तनाव" (Hubble tension) को संबोधित करता है, जो प्रारंभिक ब्रह्मांड के अन्वेषणों (मुख्य रूप से $\Lambda$ CDM मॉडल के तहत Planck 2018 CMB डेटा, जो $H_0 \approx 67\text{--}68$ km s $^{-1}$ Mpc $^{-1}$ प्रदान करता है) और प्रत्यक्ष विलंबित-समय मापों (जैसे कि कॉस्मिक डिस्टेंस लैडर का उपयोग करने वाले SH0ES/R22, जो $H_0 \approx 73\text{--}74$ km s $^{-1}$ Mpc $^{-1}$ प्रदान करते हैं) के बीच एक सांख्यिकीय रूप से महत्वपूर्ण विसंगति है। जबकि मानक $\Lambda$ CDM मॉडल प्रेक्षणों की एक विस्तृत श्रृंखला में फिट बैठता है, इसकी सख्ती से स्थिर डार्क एनर्जी समीकरण अवस्था ( $w=-1$ ) की धारणा सैद्धांतिक रूप से मनमाना (ad hoc) है। लेखक यह जांचते हैं कि क्या गतिशील डार्क एनर्जी (Chevallier–Polarski–Linder या CPL पैरामीट्रेशन के माध्यम से) और भारी न्यूट्रिनो ( $\Sigma m_\nu$ ) को शामिल करके मॉडल का विस्तार करने से इस तनाव को कम किया जा सकता है। इसके अलावा, यह शोध पत्र ऐसे जटिल, उच्च-आयामी कॉस्मोलॉजिकल इन्फरेंस के लिए पारंपरिक मार्कोव चेन मोंटे कार्लो (MCMC) विधियों के एक कम्प्यूटेशनल रूप से कुशल विकल्प के रूप में बेयसियन फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) की प्रभावकारिता को प्रदर्शित करने का प्रयास करता है।

कार्यप्रणाली (Methodology)
यह अध्ययन संयुक्त पैरामीटर इन्फरेंस करने के लिए एक बेयसियन फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (BPINN) ढांचे का उपयोग करता है।

आर्किटेक्चर: हबल विस्तार इतिहास $H(z)$ को सॉफ्टप्लस एक्टिवेशन फंक्शन के साथ एक फुली कनेक्टेड फीड-फॉरवर्ड न्यूरल नेटवर्क द्वारा दर्शाया गया है। बेयसियन इन्फरेंस और अनिश्चितता परिमाणीकरण (uncertainty quantification) को सक्षम करने के लिए, बेयसियन मार्जिनलाइजेशन का अनुमान लगाने के लिए प्रशिक्षण के दौरान ड्रॉपआउट परतों को बनाए रखा गया है।
भौतिक बाधाएं (Physics Constraints): एक स्थानिक रूप से सपाट ब्रह्मांड के लिए फ्राइडमैन समीकरण को एक 'सॉफ्ट फिजिकल कंस्ट्रेंट' के रूप में सीधे लॉस फंक्शन में एम्बेड किया गया है। यह सुनिश्चित करता है कि पुनर्निर्मित विस्तार इतिहास CPL पैरामीट्रेशन और भारी न्यूट्रिनो द्वारा परिभाषित बैकग्राउंड कॉस्मोलॉजी के अनुरूप रहे।
पैरामीटर स्पेस: मॉडल कॉस्मोलॉजिकल पैरामीटर्स $\Theta = \{H_0, \Omega_m, w_0, w_a, \Sigma m_\nu\}$ के साथ-साथ न्यूरल नेटवर्क वेट्स का भी एक साथ अनुमान लगाता है। प्रायर (Priors) को भौतिक रूप से प्रेरित लेकिन व्यापक रूप से सेट किया गया है (जैसे, $H_0 \in [60, 80]$ , $w_0 \in [-2.5, -0.2]$ )।
डेटा: विश्लेषण निम्नलिखित विलंबित-समय प्रेक्षणों को जोड़ता है:
- DESI DR2 BAO: ट्रांसवर्स और रेडियल विस्तार दरों पर ज्यामितीय बाधाएं प्रदान करने वाले 13 डेटा पॉइंट्स।
- Pantheon+: दूरी मॉड्यूलस बाधाओं के लिए 1701 टाइप Ia सुपरनोवा।
- कॉस्मिक क्रोनोमीटर्स (CC): प्रत्यक्ष $H(z)$ मापों के 32 बिंदु।
- Planck 2018: संकुचित CMB डिस्टेंस प्रायर (शिफ्ट पैरामीटर $R$ , एकोस्टिक स्केल $l_A$ , और $\omega_b$ ) का उपयोग प्रारंभिक ब्रह्मांड की ज्यामिति को एंकर करने के लिए किया जाता है, बिना विलंबित-समय विश्लेषण के लिए पूर्ण बोल्ट्ज़मैन सॉल्वर की आवश्यकता के।
प्रशिक्षण (Training): कुल लॉस फंक्शन नेगेटिव लॉग-पोस्टीरियर को मिनिमाइज करता है, जिसमें डेटा लाइकलीहुड ( $\chi^2_{data}$ ), फिजिक्स-इन्फॉर्म्ड टर्म ( $L_{phys}$ ), और प्रायर टर्म्स ( $L_{prior}$ ) शामिल हैं।

प्रमुख योगदान

कार्यप्रणाली सत्यापन: यह शोध पत्र समान डेटा कॉन्फ़िगरेशन के तहत किए गए मानक MCMC विश्लेषणों (Cobaya का उपयोग करके) के विरुद्ध BPINN ढांचे को मान्य करता है। यह प्रदर्शित करता है कि BPINNs $1\text{--}2\sigma$ के भीतर MCMC पोस्टीरियर्स को पुनरुत्पादित करते हैं, जबकि इन्फरेंस समय को कई गुना कम कर देते हैं।
मॉडल तुलना: तीन मॉडलों के बीच एक व्यवस्थित तुलना की गई है:
- $\omega$ CDM (स्थिर $w$ )।
  क $\text{CPL}$ (गतिशील $w(z) = w_0 + w_a \frac{z}{1+z}$ )।
- CPL + $\Sigma m_\nu$ (गतिशील $w$ के साथ मुक्त संचित न्यूट्रिनो द्रव्यमान)।
तनाव का परिमाणीकरण: अध्ययन विभिन्न डेटासेट संयोजनों के लिए हबल तनाव ( $T_{Planck}$ और $T_{SH0ES}$ ) को कड़ाई से मात्रात्मक बनाता है, विशेष रूप से नए DESI DR2 BAO डेटा का लाभ उठाते हुए।

परिणाम

$\omega$ CDM बेसलाइन: मानक मॉडल में, BAO वाले डेटासेट संयोजन व्यवस्थित रूप से कम $H_0$ मानों की ओर झुकाव रखते हैं, जिससे Planck के साथ तनाव कम होता है लेकिन SH0ES के साथ तनाव बढ़ जाता है। पूर्ण संयोजन $H_0 \approx 69.03 \pm 1.35$ km s $^{-1}$ Mpc $^{-1}$ देता है, जिससे $\sim 1.2\sigma$ (Planck) और $\sim 2.1\sigma$ (SH0ES) का अवशिष्ट तनाव बना रहता है।
CPL डायनेमिक्स: गतिशील डार्क एनर्जी के लिए अनुमति देने से $H_0$ का पोस्टीरियर उच्च मानों ( $H_0 \gtrsim 70$ ) की ओर स्थानांतरित हो जाता है। डेटा वर्तमान समय की समीकरण अवस्था $w_0 \gtrsim -1$ (क्विंटेसेंस जैसा) के साथ नकारात्मक $w_a$ का समर्थन करता है। यह SH0ES के साथ तनाव को काफी कम कर देता (कुछ मामलों में $<1\sigma$ तक), लेकिन इसके अनुरूप Planck के साथ तनाव बढ़ जाता है।
CPL + $\Sigma m_\nu$ : भारी न्यूट्रिनो को शामिल करने से अनुमानित $H_0$ रेंज ( $69.7\text{--}71.6$ km s $^{-1}$ Mpc $^{-1}$ ) स्थिर हो जाती है। यह परिदृश्य एक अधिक संतुलित समाधान प्रदान करता है, जहाँ तनाव आमतौर पर दोनों (Planck और SH0ES) के लिए $1\text{--}2\sigma$ की सीमा के भीतर रहता है। न्यूट्रिनो द्रव्यमान सीमाएँ वर्तमान सीमाओं ( $\Sigma m_\nu \lesssim 0.16\text{--}0.28$ eV) के अनुरूप हैं।
मॉडल चयन: $\chi^2$ , AIC, और BIC सांख्यिकी का उपयोग करते हुए, विस्तारित मॉडल (CPL और CPL+ $\Sigma m_\nu$ ) अतिरिक्त स्वतंत्र पैरामीटर्स के लिए दंडित होने के बाद भी $\omega$ CDM की तुलना में सांख्यिकीय रूप से पसंदीदा हैं। फिट में सुधार की पुष्टि ओवरफिटिंग के आर्टिफैक्ट के रूप में नहीं की गई है।
BPINN बनाम MCMC: $H_0, w_0, w_a,$ और $\Sigma m_\nu$ के लिए BPINN परिणाम $1\text{--}2\sigma$ के भीतर MCMC परिणामों के साथ सहमत हैं। BPINN दृष्टिकोण उल्लेखनीय रूप से कम कम्प्यूटेशनल लागत के साथ तुलनीय सटीकता प्रदान करता है, विशेष रूप से पोस्टीरियर एक्सप्लोरेशन चरण के लिए।

महत्व और दावे
शोध पत्र का दावा है कि गतिशील डार्क एनर्जी और भारी न्यूट्रिनो के बीच की परस्पर क्रिया $\Lambda$ CDM के लिए एक व्यवहार्य फेनोमेनोलॉजिकल विस्तार प्रदान करती है जो पैथोलॉजिकल अस्थिरताओं को उत्पन्न किए बिना हबल तनाव को काफी हद तक कम कर सकती है। विशेष रूप से, CPL+ $\Sigma m_\nu$ मॉडल एक "संतुलित समाधान" प्रदान करता है जहाँ स्थानीय मापों के साथ तनाव को $2\sigma$ से नीचे कम कर दिया जाता है, जबकि CMB बाधाओं के साथ निरंतरता बनाए रखी जाती है।

कार्यप्रणाली के रूप में, यह कार्य बेयसियन PINNs को एक सटीक, कुशल और बहुमुखी उपकरण के रूप में स्थापित करता है। भौतिक नियमों को सीधे लर्निंग प्रक्रिया में शामिल करके, यह ढांचा पैरामीटर डिजेनेरेसी (जो गतिशील डार्क एनर्जी और न्यूट्रिनो द्रव्यमान विश्लेषणों में सामान्य है) को प्रभावी ढंग से संभालता है। लेखक निष्कर्ष निकालते हैं कि हालांकि केवल विलंबित-समय संशोधन ही हबल तनाव को पूरी तरह से हल नहीं कर सकते (क्योंकि अक्सर $\sim 2\sigma$ का अवशिष्ट विसंगति Planck के साथ बनी रहती है), विकसित डार्क एनर्जी और न्यूट्रिनो द्रव्यमान का संयोजन भविष्य के अनुसंधान के लिए एक सांख्यिकीय रूप से पसंदीदा दिशा का प्रतिनिधित्व करता है। अध्ययन इस बात पर जोर देता है कि BPINN ढांचा MCMC के लिए एक मजबूत विकल्प है, जो कई गुना तेज इन्फरेंस समय के साथ उच्च-परिशुद्धता बाधाएं देने में सक्षम है।

इसी तरह के और पेपर