🔭 astrophysics

Towards an optimal extraction of cosmological parameters from galaxy cluster surveys using convolutional neural networks

यह शोध पत्र यह प्रदर्शित करता है कि बड़े पैमाने पर सिम्युलेटेड एक्स-रे क्लस्टर कैटलॉग पर फील्ड-लेवल विश्लेषण करने के लिए 3D कन्वोल्यूशनल न्यूरल नेटवर्क का उपयोग करना, ब्रह्मांडीय मापदंडों $\Omega_{\rm m}$ और $\sigma_8$ की भविष्यवाणी करने में पारंपरिक सारांश सांख्यिकी (summary statistics) की तुलना में काफी बेहतर प्रदर्शन करता है, जिसमें व्यक्तिगत क्लस्टर ल्यूमिनोसिटी को शामिल करने पर सटीकता में 50% से अधिक की वृद्धि देखी गई है।

मूल लेखक: Iñigo Sáez-Casares, Matteo Calabrese, Davide Bianchi, Marina S. Cagliari, Marco Chiarenza, Jean-Marc Christille, Luigi Guzzo

प्रकाशित 2026-02-11

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Iñigo Sáez-Casares, Matteo Calabrese, Davide Bianchi, Marina S. Cagliari, Marco Chiarenza, Jean-Marc Christille, Luigi Guzzo

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

ब्रह्मांडीय जासूस: ब्रह्मांड के गुप्त कोड को पढ़ने के लिए AI का उपयोग करना

कल्पना कीजिए कि आप एक जासूस हैं जो एक विशाल, प्राचीन रहस्य को सुलझाने की कोशिश कर रहे हैं: ब्रह्मांड का निर्माण कैसे हुआ था?

इसे सुलझाने के लिए, आपको "रेसिपी" (कॉस्मोलॉजिकल पैरामीटर्स) जानने की आवश्यकता है—शुरुआत में डार्क मैटर, डार्क एनर्जी और सामान्य पदार्थ का मिश्रण बिल्कुल कितना था। समस्या क्या है? आप रेसिपी की जांच करने के लिए समय में पीछे नहीं जा सकते। आप केवल उस "केक" को देख सकते हैं जो बनाया गया था—आकाश में बिखरी हुई आकाशगंगाओं और आकाशगंगा समूहों की विशाल, फैली हुई संरचना।

यह शोध पत्र आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करके जासूस खेलने का एक नया, हाई-टेक तरीका बताता है।

1. पुराना तरीका: "सारांश रिपोर्ट" विधि

पारंपरिक रूप से, खगोलशास्त्री ऐसे जासूसों की तरह रहे हैं जो केवल सारांशों को देखते हैं।

कल्पना कीजिए कि आप एक सैटेलाइट से एक विशाल, भीड़भाड़ वाले शहर को देख रहे हैं। हर एक सड़क, हर घर और हर कार को देखने के बजाय, आप केवल दो चीजों को देखते हैं:

जनगणना: शहर में कितने लोग रहते हैं? (खगोल विज्ञान में, यह "क्लस्टर एबंडेंस" है।)
ट्रैफिक पैटर्न: औसतन, गाड़ियाँ एक-दूसरे से कितनी दूर हैं? (खगोल विज्ञान में, यह "पावर स्पेक्ट्रम" है।)

यह काम तो करता है, लेकिन यह एक जटिल शहर को समझने के लिए केवल एक स्प्रेडशीट पढ़ने जैसा है। आप सड़कों के "वाइब", अजीब गलियों और अनूठे मोहल्लों को खो देते हैं। आप बहुत सारे कीमती सुरागों को फेंक रहे हैं।

2. नया तरीका: "सुपर-आई" (CNN) विधि

शोधकर्ताओं ने एक कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) का उपयोग करने का निर्णय लिया। एक CNN को एक "सुपर-आई" के रूप में सोचें जिसे केवल स्प्रेडशीट को ही नहीं, बल्कि एक साथ पूरे शहर के मानचित्र को देखने के लिए प्रशिक्षित किया गया है।

केवल क्लस्टरों की गिनती करने के बजाय, CNN "फील्ड-लेवल" को देखता है—यानी 3D स्पेस में ये क्लस्टर कैसे फैले हुए हैं, इसका वास्तविक, अव्यवस्थित और सुंदर पैटर्न। यह आकारों, गुच्छों और रिक्त स्थानों (voids) को देखता है। यह सामग्री की सूची पढ़ने और वास्तव में केक का स्वाद चखने के बीच के अंतर जैसा है। CNN ब्रह्मांडीय संरचना के उन सूक्ष्म अंतरों को "चख" सकता है जिन्हें एक साधारण सारांश मिस कर देता है।

3. प्रशिक्षण: "कॉस्मिक सिम्युलेटर"

आप एक असली ब्रह्मांड पर AI को प्रशिक्षित नहीं कर सकते क्योंकि हमारे पास केवल एक ही ब्रह्मांड है! आप यह देखने के लिए इसे "रीसेट" नहीं कर सकते कि अधिक डार्क मैटर जोड़ने से क्या होगा।

इसे ठीक करने के लिए, शोधकर्ताओं ने एक कॉस्मिक सिम्युलेटर बनाया (एक टूल का उपयोग करके जिसे Pinocchio कहा जाता है)। उन्होंने 32,768 "नकली" ब्रह्मांड बनाए। उन्होंने प्रत्येक के लिए रेसिपी में बदलाव किया—कुछ में अधिक डार्क मैटर डाला, कुछ में कम—और फिर उनके "फोटोग्राफ" लिए ताकि आकाशगंगा समूहों के नकली एक्स-रे मैप तैयार किए जा सकें।

उन्होंने इन नकली मैप्स को AI को दिखाया और कहा, "यह एक मैप है; अब बताओ कि रेसिपी क्या थी।" हजारों उदाहरण देखने के बाद, AI मैप से रेसिपी को रिवर्स-इंजीनियर करने में विशेषज्ञ बन गया।

4. बड़ी खोज: "ल्यूमिनोसिटी (चमक) ही गुप्त सॉस है"

शोधकर्ताओं ने AI को जानकारी देने के विभिन्न तरीकों का परीक्षण किया। उन्हें यह मिला:

अपग्रेड: जब उन्होंने "जनगणना" (क्लस्टरों की गिनती) को "सुपर-आई" (CNN) के साथ जोड़ा, तो AI पुराने जमाने के सारांश पद्धति की तुलना में रेसिपी का अनुमान लगाने में बहुत बेहतर हो गया। यह लगभग 10% से 30% अधिक सटीक था।
गेम चेंजर: उन्होंने महसूस किया कि सभी क्लस्टर समान नहीं होते। कुछ क्लस्टर दूसरों की तुलना में एक्स-रे में बहुत अधिक चमकते हैं। उन्होंने AI को बताया, "केवल यह मत देखो कि क्लस्टर कहाँ हैं; यह भी देखो कि वे कितने चमकीले हैं!"
परिणाम: जब उन्होंने AI को चमक (ल्यूमिनोसिटी) की जानकारी दी, तो सटीकता आसमान छू गई। यह ब्रह्मांडीय रेसिपी की भविष्यवाणी करने में 85% तक बेहतर हो गया।

यह क्यों मायने रखता है?

हम विशाल नए टेलिस्कोपों (जैसे Euclid और eROSITA) के साथ खगोल विज्ञान के स्वर्ण युग में प्रवेश कर रहे हैं, जो ब्रह्मांड की अब तक की सबसे विस्तृत "तस्वीरें" लेंगे।

यदि हम पुराने जमाने के "सारांश" तरीकों का उपयोग करना जारी रखते हैं, तो हम अधिकांश सुरागों को मेज पर ही छोड़ देंगे। यह शोध पत्र सिद्ध करता है कि AI "सुपर-आईज़" का उपयोग करके और उन्हें पूरी, विस्तृत तस्वीर देकर, हम पहले की तुलना में बहुत अधिक सटीकता के साथ ब्रह्मांड के रहस्यों को अनलॉक कर सकते हैं।

तकनीकी सारांश: कनवल्शनल न्यूरल नेटवर्क का उपयोग करके गैलेक्सी क्लस्टर सर्वेक्षणों से कॉस्मोलॉजिकल मापदंडों के इष्टतम निष्कर्षण की ओर

1. समस्या विवरण

मानक कॉस्मोलॉजिकल मॉडल ( $\Lambda$ CDM) मौलिक मापदंडों जैसे कि पदार्थ घनत्व ( $\Omega_m$ ) और उतार-चढ़ाव के आयाम ( $\sigma_8$ ) को सीमित करने के लिए बड़े पैमाने की संरचना सर्वेक्षणों (large-scale structure surveys) पर निर्भर करता है। पारंपरिक रूप से, यह सारांश सांख्यिकी (summary statistics) — विशेष रूप से क्लस्टर प्रचुरता (संख्या घनत्व) और टू-पॉइंट सहसंबंध फलन (पावर स्पेक्ट्रम $P(k)$ ) का उपयोग करके किया जाता है।

हालाँकि, सारांश सांख्यिकी डेटा का "लॉसी" (lossy) संपीड़न है; वे मुख्य रूप से गाऊसी सूचना (Gaussian information) को कैप्चर करते हैं और अक्सर उच्च-क्रम के सहसंबंधों (non-Gaussianity) को अनदेखा कर देते हैं जो पूर्ण घनत्व क्षेत्र (density field) में निहित होते हैं। जबकि फील्ड-लेवल विश्लेषण (पूरे घनत्व मानचित्र का उपयोग करना) सैद्धांतिक रूप से उपलब्ध सभी जानकारी को कैप्चर कर सकता है, यह गणनात्मक रूप से अत्यधिक महंगा है क्योंकि इसके लिए प्रारंभिक स्थितियों और कॉस्मोलॉजी के विशाल पैरामीटर स्पेस को खोजने के लिए महंगे 'फॉरवर्ड मॉडलिंग' की आवश्यकता होती है।

2. कार्यप्रणाली

लेखक एक अंतराल को पाटने के लिए एक मशीन लर्निंग फ्रेमवर्क का प्रस्ताव करते हैं, जिसमें X-रे द्वारा चयनित गैलेक्सी क्लस्टर कैटलॉग पर 3D कनवल्शनल न्यूरल नेटवर्क (CNNs) का उपयोग करके फील्ड-लेवल इन्फरेंस (inference) किया गया है।

प्रशिक्षण सेट जनरेशन (Training Set Generation): "वास्तविक" प्रशिक्षण डेटा की कमी को दूर करने के लिए, लेखकों ने Pinocchio कोड (जो 3rd-order Lagrangian Perturbation Theory पर आधारित है) का उपयोग करके 32,768 मॉक X-रे क्लस्टर कैटलॉग का एक विशाल समूह तैयार किया। यह दृष्टिकोण N-body या हाइड्रोडायनामिकल सिमुलेशन की तुलना में काफी तेज़ है।
पैरामीटर स्पेस: उन्होंने एक 9-आयामी स्थान का नमूना लिया: 5 कॉस्मोलॉजिकल पैरामीटर ( $\Omega_m, \sigma_8, h, n_s, \Omega_b$ ) और 4 पैरामीटर जो अनुभवजन्य $M-L_X$ (मास-ल्यूमिनोसिटी) स्केलिंग संबंध ( $a_X, b_X, c_X, \sigma_{tot}$ ) का वर्णन करते हैं।
डेटा प्रतिनिधित्व:
- सारांश सांख्यिकी: ल्यूमिनोसिटी बिन्स में क्लस्टर प्रचुरता (counts) और बिन्ड पावर स्पेक्ट्रम $P(k)$ ।
- फील्ड-लेवल: एक 3D ओवरडेंसिटी फील्ड $\delta(x)$ जिसे पीसवाइज क्यूबिक स्प्लाइन स्कीम का उपयोग करके क्लस्टर स्थितियों को $64^3$ कार्टेशियन ग्रिड पर इंटरपोलेट करके बनाया गया है।
न्यूरल नेटवर्क आर्किटेक्चर: एक मॉड्यूलर डिज़ाइन जहाँ फीचर एक्सट्रैक्शन नेटवर्क (सांख्यिकी के लिए डेंस लेयर्स; फील्ड के लिए 3D CNN ब्लॉक्स) एक अंतिम रिग्रेशन नेटवर्क में फीड होते हैं। उन्होंने कई संयोजनों का परीक्षण किया:
- CA+PS: प्रचुरता + पावर स्पेक्ट्रम (बेसलाइन)।
- CNN: केवल फील्ड-लेवल।
- CA+CNN: प्रचुरता + फील्ड-लेवल।
- CA+CNNwX: प्रचुरता + ल्यूमिनोसिटी-वेटेड फील्ड।
- CA+CNN2x: प्रचुरता + दो अलग-अलग ल्यूमिनोसिटी-कट फील्ड्स।

3. प्रमुख योगदान

कुशल सिमुलेशन पाइपलाइन: यह प्रदर्शित करता है कि तेज़, पर्सर्बेटिव सिमुलेशन (3LPT) उच्च-आयामी ML कॉस्मोलॉजिकल इन्फरेंस के लिए पर्याप्त यथार्थवादी प्रशिक्षण सेट बना सकते हैं।
हाइब्रिड इन्फरेंस मॉडल: यह प्रस्तावित करता है कि डिस्क्रीट काउंट्स (प्रचुरता) को निरंतर फील्ड सूचना (CNN) के साथ जोड़ना, अकेले किसी एक के उपयोग से बेहतर है।
ल्यूमिनोसिटी वेटिंग: यह पहचानना कि क्लस्टर की X-रे ल्यूमिनोसिटी द्वारा पिक्सेल को भारित (weighting) करके घनत्व क्षेत्र को "प्रकाशित" करने से नेटवर्क की कॉस्मोलॉजिकल जानकारी सीखने की क्षमता में उल्लेखनीय वृद्धि होती है।

4. परिणाम

प्रदर्शन का मूल्यांकन एक होल्ड-आउट टेस्ट सेट पर मीन एब्सोल्यूट रिलेटिव एरर ( $\epsilon$ ) का उपयोग करके किया गया:

पारंपरिक विधियों पर श्रेष्ठता: फील्ड-लेवल दृष्टिकोण (CA+CNN) ने पारंपरिक सारांश सांख्यिकी (CA+PS) की तुलना में $\Omega_m$ के लिए $\sim$ 10% और $\sigma_8$ के लिए $\sim$ 20% अधिक बेहतर प्रदर्शन किया।
ल्यूमिनोसिटी सूचना का प्रभाव: जब CNN को ल्यूमिनोसिटी-वेटेड फील्ड्स (CA+CNNwX) प्रदान किए गए, तो शुद्धता में वृद्धि 50% से अधिक हो गई (कुछ मापदंडों के लिए 85% तक सुधार के साथ)।
स्केलिंग रिलेशन मजबूती: जबकि CNN ने कॉस्मोलॉजिकल पैरामीटर निष्कर्षण में महत्वपूर्ण सुधार किया, इसने $M-L_X$ स्केलिंग रिलेशन मापदंडों के लिए स्वयं पारंपरिक विधियों की तुलना में कोई बड़ा लाभ नहीं दिखाया, जो यह सुझाव देता है कि अतिरिक्त जानकारी मुख्य रूप से स्थानिक वितरण (spatial distribution/clustering) में एनकोडेड है।
बायस (Bias): मॉडलों ने कोई महत्वपूर्ण व्यवस्थित बायस नहीं दिखाया, सामान्यीकृत मीन बायस मान आमतौर पर $10^{-2}$ से नीचे थे।

5. महत्व

यह कार्य "स्टेज IV" कॉस्मोलॉजी (जैसे Euclid, eROSITA) की ओर एक महत्वपूर्ण कदम है। यह सिद्ध करता है कि CNN क्लस्टर वितरण से ऐसी गैर-गाऊसी (non-Gaussian) जानकारी निकाल सकते हैं जिसे पावर स्पेक्ट्रम मिस कर देता है। यह प्रदर्शित करके कि तेज़, अनुमानित सिमुलेशन और परिष्कृत ML आर्किटेक्चर का संयोजन उच्च-परिशुद्धता वाले परिणाम दे सकता है, यह पेपर भविष्य के बड़े पैमाने के सर्वेक्षणों के लिए एक ब्लूप्रिंट प्रदान करता है ताकि वे लाखों पूर्ण N-body सिमुलेशन चलाने की असंभव कम्प्यूटेशनल लागत के बिना अपने वैज्ञानिक रिटर्न को अधिकतम कर सकें।