🔭 astrophysics

Scalable Gaussian Processes for Integrated and Overlapping Measurements Via Augmented State Space Models

मूल लेखक: Ryan A. Rubenzahl, Soichiro Hattori, Simo Särkkä, Will M. Farr, Jacob K. Luhn, Megan Bedell, Daniel Foreman-Mackey

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ryan A. Rubenzahl, Soichiro Hattori, Simo Särkkä, Will M. Farr, Jacob K. Luhn, Megan Bedell, Daniel Foreman-Mackey

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 शोर भरे कमरे में एक धीमी, तेजी से बदलती फुसफुसाहट को सुनने की कोशिश कर रहे हैं। खगोल विज्ञान (astronomy) में, यह "फुसफुसाहट" किसी तारे या ग्रह से मिलने वाला संकेत है, और "शोर" स्वयं मापन प्रक्रिया (measurement process) है।

यह शोध पत्र इन ब्रह्मांडीय फुसफुसाहटों को सुनने का एक नया, सुपर-फास्ट तरीका पेश करता है, भले ही सुनने वाला उपकरण (टेलीस्कोप) प्रतिक्रिया देने में धीमा हो या एक ही समय में कई उपकरण सुन रहे हों।

यहाँ समस्या और समाधान का विवरण दिया गया है, जिसमें रोजमर्रा के उपमाओं (analogies) का उपयोग किया गया है।

समस्या: "धुंधली कैमरा" प्रभाव (The "Blurry Camera" Effect)

खगोल विज्ञान में, टेलीस्कोप ब्रह्मांड की एकदम सटीक, पलक झपकते ही ली गई तस्वीर नहीं लेते। इसके बजाय, वे एक निश्चित समय के दौरान प्रकाश को "इंटीग्रेट" (integrate) करते हैं—जैसे पर्याप्त प्रकाश इकट्ठा करने के लिए कुछ सेकंड के लिए कैमरे का शटर खुला रखना।

समस्या: यदि आप जिस चीज़ को देख रहे हैं वह तेज़ी से बदल रही है (जैसे कोई तारा कंपन कर रहा है या कोई ग्रह डगमगा रहा है), तो वह कुछ सेकंड का एक्सपोजर एक धुंधली फोटो की तरह काम करता है। आप तारे के एक विशिष्ट क्षण को नहीं देख रहे हैं; आप उस समय के दौरान उसकी गति के औसत (average) को देख रहे हैं।
जटिलता: अलग-अलग टेलीस्कोपों के अलग-अलग "शटर स्पीड" होते हैं। कुछ 12 सेकंड के त्वरित स्नैपशॉट लेते हैं, जबकि अन्य 300 सेकंड के लंबे एक्सपोजर लेते हैं। इससे भी बुरा यह है कि कभी-कभी दो टेलीस्कोप एक ही समय में एक ही तारे को देख रहे होते हैं, और उनके "धुंधले खिड़कियाँ" (blurry windows) एक-दूसरे के ऊपर ओवरलैप होती हैं।
पुराना तरीका: इन धुंधले, ओवरलैपिंग औसतों के पीछे की असली कहानी को समझने के लिए, वैज्ञानिक पहले एक विशाल स्प्रेडशीट (कोवेरिएंस मैट्रिक्स) बनाते थे जो हर एक माप की तुलना दूसरे हर एक माप से करता था।
- बाधा (Bottleneck): जैसे-जैसे मापों की संख्या ( $N$ ) बढ़ती थी, यह स्प्रेडशीट विशाल होती जाती थी। कंप्यूटर मेमोरी की आवश्यकता वर्ग ( $N^2$ ) की तरह बढ़ती थी, और इसे हल करने में लगने वाला समय घन ( $N^3$ ) की तरह बढ़ जाता था। यदि आपके पास 1,00,000 माप होते, तो कंप्यूटर की मेमोरी खत्म हो जाती या गणित को पूरा करने में वर्षों लग जाते।

समाधान: "स्टेट-स्पेस" शॉर्टकट (The "State-Space" Shortcut)

लेखकों ने, रयान रुबेंज़ल (Ryan Rubenzahl) के नेतृत्व में, एक चतुर गणितीय ट्रिक खोज निकाली। उन्होंने महसूस किया कि हर माप की दूसरे हर माप से तुलना करने के (यानी "बड़ी स्प्रेडशीट" वाले) तरीके के बजाय, वे इस समस्या को एक रिले रेस की तरह देख सकते हैं।

उन्होंने स्टेट-स्पेस मॉडल्स (SSMs) नामक एक फ्रेमवर्क का उपयोग किया। यहाँ बताया गया है कि उन्होंने इसे धुंधले, ओवरलैपिंग डेटा के लिए कैसे काम करने योग्य बनाया:

"धावक" (The Latent State): कल्पना कीजिए कि वास्तविक सिग्नल एक ट्रैक पर दौड़ने वाला धावक है। हम धावक को पूरी तरह से नहीं देख पाते; हम केवल उसके स्थान की धुंधली तस्वीरें देखते हैं।
"संचयक" (The Accumulator/Integral State): "धुंधली फोटो" (एक्सपोजर) को संभालने के लिए, लेखकों ने अपने मॉडल में एक विशेष "संचयक" जोड़ा। इसे एक बाल्टी की तरह समझें जो पानी (सिग्नल) से भरती है जब कैमरा शटर खुला होता है।
- जब एक्सपोजर शुरू होता है, तो बाल्टी को खाली (जीरो पर रीसेट) कर दिया जाता है।
- जब एक्सपोजर चलता है, तो बाल्टी सिग्नल से भरती जाती है।
- जब एक्सपोजर समाप्त होता है, तो टेलीस्कोप मापता है कि बाल्टी में कितना पानी भरा है और औसत प्राप्त करने के लिए उसे समय से विभाजित करता है।
"बैटन पास करना" (The Passing the Baton/Algorithm): पूरी रेस को एक साथ देखने के बजाय, मॉडल एक क्षण से दूसरे क्षण तक स्थिति (state) को पास करता है, जैसे कि एक रिले रेस में होता है।
- फॉरवर्ड पास (Forward Pass): मॉडल पिछले माप के आधार पर धावक के स्थान का अनुमान अपडेट करते हुए समय में आगे बढ़ता है।
- बैकवर्ड पास (Backward Pass): मॉडल भविष्य के डेटा का उपयोग करके उन अनुमानों को परिष्कृत (refine) करने के लिए पीछे की ओर चलता है।

यह क्यों एक गेम-चेंजर है

शोध पत्र दावा करता है कि इस नए तरीके (जिसे उन्होंने smolgp नामक टूल में संकलित किया है) के साथ तीन बड़ी जीतें मिली हैं:

गति (Speed): क्योंकि वे केवल एक लाइन में बैटन पास कर रहे हैं (एक रैखिक प्रक्रिया), न कि एक विशाल स्प्रेडशीट भर रहे हैं, इसलिए इसे हल करने में लगने वाला समय केवल रैखिक रूप से ( $N$ ) बढ़ता है। यदि आप डेटा को दोगुना करते हैं, तो इसमें आठ गुना नहीं, बल्कि केवल दोगुना समय लगेगा।
मेमोरी (Memory): उन्हें उस विशाल स्प्रेडशीट को स्टोर करने की आवश्यकता नहीं है। उन्हें केवल धावक की वर्तमान स्थिति और बाल्टी को याद रखने की आवश्यकता है। यह उन्हें विशाल डेटासेट (जैसे 1,00,000+ अवलोकन) को संभालने की अनुमति देता है जो पुराने कंप्यूटरों को क्रैश कर सकते थे।
ओवरलैप को संभालना (Handling Overlaps): "बाल्टी" प्रणाली कई टेलीस्कोपों को संभालने के लिए स्मार्ट है। यदि दो टेलीस्कोप एक ही समय में देख रहे हैं, तो मॉडल के पास दो बाल्टियाँ एक साथ भरने की व्यवस्था है। यह जानता है कि वे ठीक कैसे ओवरलैप होती हैं और बिना भ्रमित हुए डेटा को कैसे संयोजित करना है।

परिणाम

लेखकों ने अपने नए तरीके का परीक्षण पुराने, धीमे "बड़ी स्प्रेडशीट" वाले तरीके के विरुद्ध किया। उन्होंने पाया कि:

यह सटीक है: परिणाम पुराने तरीके के समान ही थे (कंप्यूटर गणित की सूक्ष्म त्रुटियों तक)।
यह तेज़ है: एक मानक कंप्यूटर पर, यह बहुत तेज़ था। एक उच्च-स्तरीय ग्राफिक्स कार्ड (GPU) पर, वे इसे और भी तेज़ बना सकते थे क्योंकि कई कार्यकर्ता डेटा को समानांतर (parallel) रूप से प्रोसेस कर सकते थे, जिससे समस्या को लॉगरिदमिक समय (अत्यधिक तेज़) में हल किया जा सका।

संक्षेप में: यह शोध पत्र खगोलविदों को भारी मात्रा में धुंधले, ओवरलैपिंग टेलीस्कोप डेटा का विश्लेषण करने के लिए एक नया, सुपर-कुशल इंजन प्रदान करता है, जिससे वे पहले की तुलना में बहुत तेज़ी से और कम कंप्यूटिंग शक्ति के साथ ब्रह्मांड के "वास्तविक" सिग्नल को देख सकते हैं।

तकनीकी सारांश: संवर्धित अवस्था-स्थान मॉडल (Augmented State-Space Models) के माध्यम से एकीकृत और ओवरलैपिंग मापों के लिए स्केलेबल गॉसियन प्रक्रियाएं

समस्या विवरण
खगोलीय माप अक्सर परिमित एक्सपोजर समय (जैसे, CCD में फोटोइलेक्ट्रॉन का संचय) के दौरान संकेतों को एकीकृत करके प्राप्त किए जाते हैं। जब अंतर्निहित खगोलीय परिवर्तनशीलता (astrophysical variability) का टाइमस्केल एक्सपोजर की लंबाई के तुल्य होता है, तो मानक तात्कालिक गॉसियन प्रोसेस (GP) मॉडल पक्षपाती अनुमानक (biased estimators) बन जाते हैं। इस एकीकरण को सही ढंग से संभालने के लिए, एक्सपोजर अंतराल के दौरान लेटेंट प्रोसेस (latent process) के औसत को मॉडल करना आवश्यक है।

यद्यपि GP रिग्रेशन स्टोकेस्टिक घटनाओं (जैसे, रेडियल वेलोसिटी डेटा में स्टेलर ऑसिलेशन) को मॉडल करने के लिए एक मानक उपकरण है, एकीकृत मापों को संभालना महत्वपूर्ण कम्प्यूटेशनल चुनौतियों को जन्म देता है। गैर-ओवरलैपिंग, निरंतर एक्सपोजर के लिए, विशेष कर्नेल (जैसे celerite में) अर्ध-पृथक्करणीयता (quasi-separability) बनाए रख सकते हैं, जिससे $O(N)$ समाधान संभव होते हैं। हालांकि, चर एक्सपोजर समय वाले सामान्य मामले में और विशेष रूप से ओवरलैपिंग एक्सपोजर (जो विभिन्न कैडेंस वाले कई उपकरणों के डेटा को संयोजित करते समय सामान्य है) में, कोवेरिएंस मैट्रिक्स अपनी अर्ध-पृथक्करणीय संरचना खो देता है। यह घने मैट्रिक्स संचालन (dense matrix operations) के उपयोग के लिए मजबूर करता है, जिसके परिणामस्वरूप $O(N^2)$ मेमोरी और $O(N^3)$ रनटाइम लागत आती है। मौजूदा एकीकृत कर्नेल विधियां (जैसे, लुहन एट अल. 2026) पूर्ण घने कोवेरिएंस मैट्रिक्स के निर्माण पर निर्भर करती हैं, जो आधुनिक मल्टी-इंस्ट्रूमेंट सर्वेक्षणों के लिए विशिष्ट बड़े डेटासेट ( $N \sim 10^5$ ) के लिए कम्प्यूटेशनल रूप से निषेधकारी हो जाता है।

कार्यप्रणाली (Methodology)
लेखक स्केलेबिलिटी को बनाए रखते हुए एकीकृत और ओवरलैपिंग अवलोकनों को संभालने के लिए गॉसियन प्रोसेस और लीनियर गॉसियन स्टेट-स्पेस मॉडल्स (SSMs) के बीच समानता को विस्तारित करने का प्रस्ताव करते हैं।

संवर्धित अवस्था-स्थान सूत्रीकरण (Augmented State-Space Formulation):
कोर नवाचार मानक SSM अवस्था वेक्टर का संवर्धन है। एक लेटेंट प्रोसेस $x(t)$ के लिए जो एक लीनियर स्टोकेस्टिक डिफरेंशियल इक्वेशन (SDE) द्वारा नियंत्रित है, लेखक एक इंटीग्रल स्टेट $z(t)$ पेश करते हैं जहाँ $dz/dt = x(t)$।
- संवर्धित अवस्था वेक्टर $\tilde{x} = [x, z]^T$ बनता है।
- सिस्टम डायनेमिक्स को लेटेंट स्टेट के एकीकरण को शामिल करने के लिए अपडेट किया जाता है।
- रीसेट तंत्र (Reset Mechanism): प्रत्येक एक्सपोजर $t_s$ के प्रारंभ में, इंटीग्रल स्टेट $z$ को शून्य पर रीसेट किया जाता है। एक्सपोजर $t_e$ के अंत में, प्रेक्षण $y$ को अंतराल के ऊपर स्टेट के सामान्यीकृत (normalized) इंटीग्रल के रूप में मॉडल किया जाता है: $y = z(t_e)/\delta + \epsilon$ , जहाँ $\delta$ एक्सपोजर अवधि है।
ओवरलैप्स को संभालना:
कई उपकरणों से ओवरलैपिंग एक्सपोजर को समायोजित करने के लिए, फ्रेमवर्क प्रत्येक उपकरण $i$ के लिए एक विशिष्ट इंटीग्रल स्टेट $z_i$ असाइन करता है। संवर्धित अवस्था वेक्टर सभी उपकरण-विशिष्ट इंटीग्रल्स को शामिल करने के लिए विस्तारित होता है। रीसेट मैट्रिसेस को चुनिंदा रूप से लागू किया जाता है: $z_i$ को केवल उपकरण $i$ से संबंधित एक्सपोजर के प्रारंभ में रीसेट किया जाता है: जिससे ओवरलैपिंग उपकरणों के लिए समानांतर एकीकरण की अनुमति मिलती है। यह निर्माण बिना घने मैट्रिक्स संचालन की आवश्यकता के, ओवरलैपिंग डेटा के लिए आवश्यक क्रॉस-कोरिलेशन को स्वाभाविक रूप से एनकोड करता है।
स्केलेबल इन्फरेंस (Scalable Inference):
लेखक इस संवर्धित सिस्टम के लिए संशोधित कलमन फ़िल्टर (Kalman Filter) और रौच-टुंग-स्ट्रिएबेल (RTS) स्मूदर एल्गोरिदम व्युत्पन्न करते हैं।
- अनुक्रमिक जटिलता (Sequential Complexity): फ़िल्टरिंग और स्मूथिंग चरण संवर्धित अवस्था आयाम ( $d + N_{inst}$ ) पर कार्य करते हैं, जो CPU पर $O(N)$ की कम्प्यूटेशनल जटिलता बनाए रखते हैं।
- समानांतर जटिलता (Parallel Complexity): फ़िल्टरिंग और स्मूथिंग वितरणों की साहचर्यता (associativity) का लाभ उठाते हुए, विधि को एक 'ऑल-प्रिफिक्स-सम्स' समस्या के रूप में पुनर्गठित किया गया है। यह GPU पर समानांतर कार्यान्वयन की अनुमति देता है, जिससे वॉल-क्लॉक समय $O(N/T + \log T)$ तक कम हो जाता है, जहाँ $T$ समानांतर वर्कर्स की संख्या है।
सॉफ्टवेयर कार्यान्वयन:
लेखक smolgp नामक एक ओपन-सोर्स पायथन/JAX पैकेज पेश करते हैं। यह मौजूदा tinygp लाइब्रेरी के साथ ड्रॉप-इन कम्पैटिबिलिटी प्रदान करता है, जो मानक और एक्सपोजर-अवेयर GP मॉडलिंग दोनों का समर्थन करता है। यह ऊपर वर्णित अनुक्रमिक और समानांतर सॉल्वर को लागू करता है।

प्रमुख परिणाम

संख्यात्मक समानता (Numerical Equivalence): लेखकों ने एकल-इंस्ट्रूमेंट और मल्टी-इंस्ट्रूमेंट (ओवरलैपिंग) परिदृश्यों के लिए पूर्ण घने GP कार्यान्वयन (लुहन एट अल. 2026) के विरुद्ध संवर्धित SSM दृष्टिकोण को मान्य किया है। कंडिश्न्ड मीन्स, वेरिएंस और लॉग-लाइक्लीहुड के लिए परिणाम मशीन प्रिसिजन (अंतर $\sim 10^{-14}$ से $10^{-15}$ ) के भीतर सहमत हैं, जो सैद्धांतिक समानता की पुष्टि करते हैं।
परफॉरमेंस बेंचमार्क:
- मेमोरी: SSM दृष्टिकोण घने GP विधि की तुलना में काफी अधिक मेमोरी-कुशल है। जबकि घने GPs को $O(N^2)$ मेमोरी की आवश्यकता होती है (जो $N \sim 10^5$ के लिए 100 GB से अधिक है), SSM विधि रैखिक रूप से स्केल करती है, जिससे मानक हार्डवेयर पर बड़े डेटासेट व्यवहार्य हो जाते हैं।
- रनटाइम: एकीकृत डेटा के लिए, जहाँ कोई अर्ध-पृथक्करणीय (QSM) विकल्प मौजूद नहीं है, SSM विधि एक परिवर्तनकारी गति प्रदान करती है। CPU पर, अनुक्रमिक SSM सॉल्वर भविष्यवाणी के लिए सबसे तेज़ है और लाइक्लीहुड गणना के लिए प्रतिस्पर्धी है। GPU पर, समानांतर SSM सॉल्वर सबसे तेज़ कंडिशनिंग समय प्राप्त करता है, जो लाइक्लीहुड के लिए QSM विधियों की बराबरी करता है।
- भविष्यवाणी (Prediction): यह विधि एक विशिष्ट एल्गोरिदम (एल्गोरिदम 1) का उपयोग करके मनमाने टेस्ट पॉइंट्स पर कुशल भविष्यवाणी का समर्थन करती है, जो घने मैट्रिक्स गुणन की तुलना में एम्बैरेसिंगली पैरेलल और मेमोरी-लाइट है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य विशाल मल्टी-इंस्ट्रूमेंट क्रॉस-तुलनाओं को सक्षम बनाता है जहाँ एक्सपोजर ओवरलैप सर्वव्यापी है, एक ऐसा परिदृश्य जो पहले कम्प्यूटेशनल लागत के कारण सीमित था। $O(N)$ (या GPU पर $O(\log N)$ ) जटिलता बनाए रखकर, यह विधि निम्नलिखित की क्षमता को अनलॉक करती है:

$N > 10^5$ अवलोकनों वाले डेटासेट्स का विश्लेषण करना (जैसे, KPF, NEID, EXPRES, और HARPS-N जैसे कई उपकरणों से दैनिक सौर निगरानी)।
अधिक जटिल मॉडल और उच्च-आयामी डेटासेट्स का उपयोग करना जो एकीकृत GPs के $O(N^3)$ बॉटलनेक के कारण पहले अगम्य थे।
उन कर्नेल्स के लिए स्केलेबल GP मॉडलिंग का विस्तार करना जिनमें अर्ध-पृथक्करणीयता का अभाव है (जैसे, क्वैसी-पीरियोडिक कर्नेल्स) जब एकीकृत माप शामिल हों।

लेखक इस बात पर जोर देते हैं कि यह फ्रेमवर्क केवल टाइम सीरीज़ तक सीमित नहीं है बल्कि किसी भी बिन किए गए डेटा (binned data) पर लागू होता है जिसमें एक सॉर्ट करने योग्य स्वतंत्र कोऑर्डिनेट हो, और यह डेरिवेटिव ऑब्जर्वेशन (जैसे, FF' मॉडल) को स्वाभाविक रूप से सपोर्ट करता है क्योंकि इसमें SSM फॉर्मुलेशन में स्टेट डेरिवेटिव्स शामिल हैं। यह कार्य smolgp को अगली पीढ़ी के खगोलीय टाइम-डोमेन विश्लेषण के लिए एक स्केलेबल और लचीले टूल के रूप में स्थापित करता है।

समस्या: "धुंधली कैमरा" प्रभाव (The "Blurry Camera" Effect)

समाधान: "स्टेट-स्पेस" शॉर्टकट (The "State-Space" Shortcut)

यह क्यों एक गेम-चेंजर है

परिणाम

इसी तरह के और पेपर