🔭 astrophysics

Reconstructing Gamma Ray Burst Energy Relations with Observational H(z) data in Neural Network Framework

यह शोध पत्र अवलोकनीय हबल पैरामीटर डेटा का उपयोग करके गामा-रे बर्स्ट ल्यूमिनोसिटी संबंधों के मॉडल-स्वतंत्र अंशांकन को निष्पादित करने के लिए आर्टिफिशियल न्यूरल नेटवर्क और बायेसियन न्यूरल नेटवर्क का उपयोग करता है, जो सफलतापूर्वक सर्कुलैरिटी समस्या को हल करता है और सुसंगत अमाटी संबंध ढाल (स्लोप्स) प्रदान करता है जो पिछले निम्न-रेडशिफ्ट अंशांकनों के अनुरूप हैं।

मूल लेखक: Nilanjana Bagchi Aurpa, Abha Dev Habib, Nisha Rani

प्रकाशित 2026-03-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Nilanjana Bagchi Aurpa, Abha Dev Habib, Nisha Rani

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

मुख्य चित्र: ब्रह्मांड के विकास का मानचित्रण

कल्पना कीजिए कि ब्रह्मांड एक विशाल, फैलता हुआ गुब्बारा है। खगोलशास्त्री यह जानना चाहते हैं कि इतिहास के विभिन्न समयों में यह गुब्बारा कितनी तेज़ी से फूल रहा है। ऐसा करने के लिए, उन्हें अंतरिक्ष में दूरियों को मापने के लिए एक "रूलर" (माप दंड) की आवश्यकता है।

लंबे समय तक, सबसे अच्छे रूलर टाइप Ia सुपरनोवा (विस्फोट होते तारे) थे। लेकिन ये रूलर केवल ब्रह्मांड के "हालिया" इतिहास (लगभग 2 अरब वर्ष पहले तक) के लिए काम करते हैं। और पीछे देखने के लिए, गहरे, प्राचीन अतीत में झांकने के लिए, खगोलशास्त्रियों को एक ऐसे रूलर की आवश्यकता है जो अत्यधिक दूरियों पर काम कर सके।

यहाँ गामा-रे बर्स्ट (GRBs) आते हैं। ये ब्रह्मांड के सबसे ऊर्जावान विस्फोट हैं, जो लगभग समय की शुरुआत से ही दिखाई देते हैं। ये अरबों मील दूर से चमकते ब्रह्मांडीय लाइटहाउस (प्रकाश स्तंभों) की तरह हैं। समस्या क्या है? हमें यह नहीं पता कि वे वास्तव में कितने चमकीले हैं। यदि हमें उनकी वास्तविक चमक का पता नहीं है, तो हम उन्हें विश्वसनीय रूलर के रूप में उपयोग नहीं कर सकते।

समस्या: "मुर्गी और अंडा" वाला जाल

यह जानने के लिए कि एक GRB कितना चमकीला है, आपको यह जानना होगा कि वह कितनी दूर है। लेकिन यह जानने के लिए कि वह कितनी दूर है, आपको यह जानना होगा कि ब्रह्मांड कैसे फैला है (वह "रूलर" वाला तर्क)।

यह एक चक्रवात जाल (circular trap) बनाता है:

GRB रूलर को कैलिब्रेट करने के लिए, आप ब्रह्मांड के एक विशिष्ट मॉडल को मान लेते हैं।
फिर, आप उसी मॉडल का परीक्षण करने के लिए उस कैलिब्रेटेड GRB रूलर का उपयोग करते हैं।
यह एक मेज की लंबाई को उस रूलर से मापने जैसा है जिसे आपने यह मानकर बनाया था कि मेज 1 मीटर लंबी है। आपको वही उत्तर मिलेगा जिसकी आपने अपेक्षा की थी, लेकिन वह सच नहीं भी हो सकता है।

समाधान: एक "मॉडल-मुक्त" दृष्टिकोण

इस शोध के लेखकों ने इस चक्र को तोड़ने का रास्ता खोजा। उन्हें GRB रूलर को कैलिब्रेट करने के लिए एक ऐसा तरीका चाहिए था जिसमें ब्रह्मांड के विस्तार के बारे में किसी विशिष्ट सिद्धांत को न माना जाए।

उन्होंने ऑब्जर्वेशनल हबल डेटा (OHD) नामक एक डेटासेट का उपयोग किया। इसे ब्रह्मांड के इतिहास में विभिन्न बिंदुओं पर लिए गए सीधे "स्पीडोमीटर रीडिंग" के संग्रह के रूप में समझें। यह एक सूची है कि "ब्रह्मांड कितनी तेज़ी से फैल रहा था" अलग-अलग समय पर, जिसे बिना किसी सैद्धांतिक मॉडल की आवश्यकता के सीधे मापा गया है।

उपकरण: दो प्रकार के "स्मार्ट ब्रेन"

इन स्पीडोमीटर रीडिंग को ब्रह्मांड के विस्तार के एक सुचारू मानचित्र में बदलने के लिए, लेखकों ने आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग किया। विशेष रूप से, उन्होंने दो अलग-अलग प्रकार के "न्यूरल नेटवर्क" (कंप्यूटर प्रोग्राम जो मानव मस्तिष्क की नकल करने के लिए डिज़ाइन किए गए हैं) का परीक्षण किया।

1. मानक न्यूरल नेटवर्क (ANN)

इसे एक बहुत तेज़, आत्मविश्वासी छात्र के रूप में सोचें।

यह कैसे काम करता है: यह डेटा बिंदुओं को देखता है और अन्य समयों पर विस्तार दर की भविष्यवाणी करने के लिए उनके माध्यम से एक सुचारू वक्र (curve) खींचता है।
दोष: यह बहुत आत्मविश्वासी है, भले ही यह केवल अनुमान लगा रहा हो। इसे वास्तव में यह नहीं पता होता कि यह अपने उत्तर के बारे में कितना "निश्चित" है। यह एक ऐसे छात्र की तरह है जो हर सवाल का जवाब पूरे आत्मविश्वास के साथ देता है, भले ही वह केवल अंदाज़ा लगा रहा हो।

2. बेयसियन न्यूरल नेटवर्क (BNN)

इसे एक सतर्क, विचारशील छात्र के रूप में सोचें।

यह कैसे काम करता है: यह भी डेटा को देखता है, लेकिन केवल एक उत्तर देने के बजाय, यह संभावनाओं की एक सीमा की गणना करता है। यह पूछता है, "मेरे पास सीमित डेटा है, तो मेरा उत्तर कितना भिन्न हो सकता है?"
लाभ: यह स्वाभाविक रूप से अनिश्चितता को संभालता है। यदि डेटा अव्यवस्थित या विरल (sparse) है, तो BNN कहता है, "मैं यहाँ 100% निश्चित नहीं हूँ; मेरा उत्तर X और Y के बीच कहीं भी हो सकता है।" विज्ञान में यह महत्वपूर्ण है क्योंकि आप कितना गलत हो सकते हैं, यह जानना उतना ही महत्वपूर्ण है जितना कि स्वयं उत्तर जानना।

प्रयोग: ब्रह्मांडीय रूलर का कैलिब्रेशन

टीम ने स्पीडोमीटर डेटा (OHD) का उपयोग करके ब्रह्मांड के विस्तार के इतिहास को पुनर्गठित करने के लिए दोनों "छात्रों" (ANN और BNN) का उपयोग किया।

पुनर्गठन (Reconstruction): दोनों AI मॉडल सफलतापूर्वक ब्रह्मांड के विस्तार का एक मानचित्र बनाने में सफल रहे।
कैलिब्रेशन: उन्होंने इस मानचित्र का उपयोग यह पता लगाने के लिए किया कि GRBs की वास्तविक चमक क्या है।
"अमाटी संबंध" (Amati Relation): यह एक विशिष्ट नियम है जो एक GRB की ऊर्जा को उसकी चरम चमक से जोड़ता है। टीम ने इस नए, मॉडल-मुक्त मानचित्र का उपयोग यह जांचने के लिए किया कि क्या यह नियम कायम रहता है।

परिणाम: कौन जीता?

संगति (Consistency): "आत्मविश्वासी छात्र" (ANN) और "सतर्क छात्र" (BNN) दोनों ही GRB रूलर के लिए लगभग एक ही उत्तर पर पहुँचे। यह एक अच्छी खबर है—इसका मतलब है कि परिणाम मजबूत है और किसी विशेष कंप्यूटर प्रोग्राम का महज संयोग नहीं है।
विजेता: हालांकि दोनों ने काम किया, लेकिन बेयसियन न्यूरल नेटवर्क (BNN) बेहतर उपकरण था। क्योंकि इसने अनिश्चितता को बहुत अच्छी तरह से संभाला, इसने अधिक विश्वसनीय और "ईमानदार" तस्वीर पेश की। इसने साबित कर दिया कि आप कैलिब्रेशन पर भरोसा कर सकते हैं भले ही डेटा कठिन हो।

यह क्यों मायने रखता है

यह शोध एक बड़ी सफलता है क्योंकि यह दिखाता है कि हम ब्रह्मांड के सबसे दूरस्थ विस्फोटों (GRBs) का उपयोग ब्रह्मांड का अध्ययन करने के लिए कर सकते हैं, बिना पहले खेल के नियम अनुमानित किए।

उपमा: कल्पना कीजिए कि आप एक जंगल के विकास को मापने की कोशिश कर रहे हैं। पहले, आपको अपना मापने वाला टेप बनाने के लिए एक विशिष्ट प्रकार के पेड़ को मानना पड़ता था। अब, यह शोध दिखाता है कि आप बिना किसी धारणा के, केवल उन पेड़ों के वास्तविक विकास चक्रों (growth rings) का उपयोग करके एक मापने वाला टेप बना सकते हैं।
भविष्य: बेयसियन न्यूरल नेटवर्क जैसे बेहतर उपकरणों के साथ, खगोलशास्त्री अब GRBs का उपयोग करके समय में और भी पीछे देख सकते हैं, जिससे संभावित रूप से डार्क एनर्जी और ब्रह्मांड की शुरुआत के उन रहस्यों को उजागर किया जा सकता है जो "चक्रीय जाल" (circular trap) के कारण पहले छिपे हुए थे।

संक्षेप में: लेखकों ने AI का उपयोग करके ब्रह्मांड के लिए एक नया, धारणा-मुक्त (assumption-free) रूलर बनाया। उन्होंने पाया कि एक "सतर्क" AI (बेयसियन) इस काम के लिए सबसे अच्छा उपकरण है क्योंकि यह ईमानदारी से स्वीकार करता है कि वह क्या नहीं जानता, जिससे अधिक भरोसेमंद विज्ञान प्राप्त होता है।

यहाँ शोध पत्र "Reconstructing Gamma-Ray Burst Energy Relations with Observational H(z) Data in a Neural Network Framework" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

गामा-रे बर्स्ट (GRBs) शक्तिशाली ब्रह्मांडीय प्रोब (cosmological probes) हैं जो $z \sim 9.4$ तक के रेडशिफ्ट (redshift) तक पहुँचने में सक्षम हैं, जो टाइप Ia सुपरनोवा ( $z \sim 2$ ) की सीमा से कहीं अधिक है। हालाँकि, कॉस्मोलॉजिकल मॉडलों को बाधित करने के लिए GRBs का उपयोग करने में सर्कुलैरिटी की समस्या (circularity problem) आती है:

GRB ल्यूमिनोसिटी संबंधों (जैसे कि अमाटी संबंध) को कैलिब्रेट करने के लिए, आमतौर पर ल्यूमिनोसिटी डिस्टेंस ( $d_L$ ) की आवश्यकता होती है।
$d_L$ की गणना करने के लिए एक विशिष्ट कॉस्मोलॉजिकल मॉडल (जैसे $\Lambda$ CDM) को मानना आवश्यक है।
फिर उसी कैलिब्रेटेड GRB का उपयोग उसी कॉस्मोलॉजिकल मॉडल को बाधित करने के लिए करना एक तार्किक चक्र (logical loop) बनाता है।

यद्यपि पहले से मौजूद मॉडल-स्वतंत्र विधियाँ (जैसे कि लो-रेडशिफ्ट सुपरनोवा से इंटरपोलेशन या गॉसियन प्रोसेस का उपयोग) मौजूद हैं, वे अक्सर विशिष्ट कर्नेल चयन पर निर्भर करती हैं या उनमें मजबूत अनिश्चितता प्रसार (uncertainty propagation) का अभाव होता है। यह अध्ययन आर्टिफिशियल न्यूरल नेटवर्क (ANN) और बायेसियन न्यूरल नेटवर्क (BNN) का उपयोग करके बिना किसी फिडुशियल कॉस्मोलॉजिकल मॉडल को माने, सीधे ऑब्जर्वेशनल डेटा से हबल पैरामीटर $H(z)$ के पुनर्निर्माण (reconstruction) के माध्यम से इन सीमाओं को दूर करने का लक्ष्य रखता है।

2. कार्यप्रणाली (Methodology)

2.1 डेटा स्रोत (Data Sources)

ऑब्जर्वेशनल हबल डेटा (OHD): अध्ययन कॉस्मिक क्रोनोमीटर (CC) पद्धति से प्राप्त 32 डेटा बिंदुओं का उपयोग करता है, जो $0.07 < z < 1.965$ की रेडशिफ्ट रेंज (Ratra et al. से) को कवर करता है।
GRB डेटासेट्स: मजबूती परीक्षण करने के लिए दो अलग-अलग लॉन्ग-GRB नमूनों का विश्लेषण किया गया:
- A220: 220 GRBs का एक मानक डेटासेट (A118 और A102 उपसमूहों का संयोजन)।
- J220: Jia et al. से 220 GRBs का एक डेटासेट, जिसमें हालिया Swift और Fermi कैटलॉग डेटा शामिल है।
चयन (Selection): अमाटी संबंध के मापदंडों के कैलिब्रेशन के लिए केवल $z < 1.965$ वाले GRBs का उपयोग किया गया।

2.2 $H(z)$ का पुनर्निर्माण (Reconstruction of $H(z)$ )

कार्यप्रणाली के मूल में विस्तार इतिहास (expansion history) $H(z)$ का पुनर्निर्माण करना शामिल है ताकि मॉडल-स्वतंत्र रूप से ल्यूमिनोसिटी डिस्टेंस $d_L(z)$ की गणना की जा सके।

A. आर्टिफिशियल न्यूरल नेटवर्क (ANN) दृष्टिकोण:

आर्किटेक्चर: एक सिंगल हिडन लेयर वाला फीडफॉरवर्ड नेटवर्क।
हाइपरपैरामीटर ऑप्टिमाइज़ेशन: अनुकूलतम न्यूरॉन्स की संख्या निर्धारित करने के लिए RISK फंक्शन (अपेक्षित स्क्वेयर्ड प्रेडिक्शन एरर) का उपयोग करके ग्रिड सर्च किया गया। अनुकूलतम कॉन्फ़िगरेशन 4096 न्यूरॉन्स (एक सिंगल हिडन लेयर में) पाया गया।
प्रशिक्षण (Training): अनिश्चितता अनुमान के लिए बूटस्ट्रैप रीसैंपलिंग (1000 इटरेशन) का उपयोग किया गया। अंतिम भविष्यवाणी इन वास्तविकताओं का माध्य (mean) है, जबकि विचरण (variance) अनिश्चितता अनुमान प्रदान करता है।
लॉस फंक्शन: अनिश्चितता अनुमान के साथ $\chi^2$ लॉस।
एक्टिवेशन/ऑप्टिमाइज़र: एक्सपोनेंशियल लीनियर यूनिट (ELU) और एडम (Adam) ऑप्टिमाइज़र।

B. बायेसियन न्यूरल नेटवर्क (BNN) दृष्टिकोण:

फ्रेमवर्क: मानक ANNs के विपरीत, BNN वेट्स (weights) और बायस (biases) को पॉइंट एस्टीमेट के बजाय प्रोबेबिलिटी डिस्ट्रीबशन के रूप में मानता है।
इन्फरेंस (Inference): मापदंडों के पोस्टीरियर डिस्ट्रीब्यूशन का अनुमान No-U-Turn Sampler (NUTS) के साथ मार्कोव चेन मोंटे कार्लो (MCMC) का उपयोग करके लगाया जाता है।
प्रायर्स (Priors): वेट्स और बायस पर स्वतंत्र ज़ीरो-मीन गॉसियन प्रायर्स लगाए गए।
मॉडल चयन: मॉडल की जटिलता और प्रेडिक्टिव सटीकता के बीच संतुलन बनाने के लिए Widely Applicable Information Criterion (WAIC) का उपयोग किया गया। अनुकूलतम मॉडल में प्रति लेयर 64 न्यूरॉन्स और 5.0 का प्रायर स्टैंडर्ड डेविएशन पाया गया।
लाभ: यह दृष्टिकोण स्वाभाविक रूप से एलेटोरिक (aleatoric - डेटा शोर) और एपिस्टेमिक (epistemic - मॉडल अनिश्चितता) दोनों प्रकार की अनिश्चितताओं को प्रसारित करता है।

2.3 अमाटी संबंध का कैलिब्रेशन (Calibration of the Amati Relation)

एक बार $H(z)$ पुनर्निर्मित हो जाने के बाद, इंटीग्रेशन के माध्यम से ल्यूमिनोसिटी डिस्टेंस $d_L(z)$ की गणना की गई। इसने GRBs के लिए आइसोट्रोपिक ऊर्जा ( $E_{iso}$ ) की गणना करने की अनुमति दी। इसके बाद पावर-लॉ फिट का उपयोग करके अमाटी संबंध ( $E_{peak}$ बनाम $E_{iso}$ ) को कैलिब्रेट किया गया:
$\log(E_{iso}) = a + b \log(E_{peak})$
मापदंडों $a$ , $b$ , और इंट्रिन्सिक स्कैटर $\sigma_{ext}$ को मार्कोव चेन मोंटे कार्लो (MCMC) सैंपलिंग (emcee सैंपलर) का उपयोग करके सीमित किया गया।

3. मुख्य योगदान (Key Contributions)

मॉडल-स्वतंत्र कैलिब्रेशन: बिना किसी बैकग्राउंड कॉस्मोलॉजी को माने, OHD का उपयोग करके GRB ल्यूमिनोसिटी संबंधों को सफलतापूर्वक कैलिब्रेट किया गया, जिससे सर्कुलैरिटी की समस्या प्रभावी रूप से हल हुई।
दोहरा-NN फ्रेमवर्क: दो अलग-अलग न्यूरल नेटवर्क दृष्टिकोणों को लागू किया गया और उनकी तुलना की गई:
- मानक ANN: पॉइंट एस्टीमेशन के लिए तेज़ और प्रभावी, अनिश्चितता अनुमान के लिए बूटस्ट्रैप का उपयोग करता है।
- बायेसियन NN: अनिश्चितता प्रसार के लिए एक अधिक कठोर संभाव्य ढांचा प्रदान करता है, जो मॉडल की जटिलता और ओवरफिटिंग पर बेहतर नियंत्रण प्रदान करता है।
मजबूती परीक्षण (Robustness Testing): यह सुनिश्चित करने के लिए कि परिणाम किसी विशिष्ट चयन पूर्वाग्रह या सिस्टमैटिक्स से प्रेरित नहीं हैं, दो अलग-अलग GRB कैटलॉग (A220 और J220) के माध्यम से कार्यप्रणाली को मान्य किया गया।
हाइपरपैरामीटर ऑप्टिमाइज़ेशन: ट्रायल-एंड-एरर के बजाय ऑब्जेक्टिव तरीके से नेटवर्क आर्किटेक्चर (न्यूरॉन काउंट और प्रायर वेरिएंस) चुनने के लिए RISK फंक्शन और WAIC के उपयोग को प्रदर्शित किया गया।

4. परिणाम (Results)

$H(z)$ पुनर्निर्माण: दोनों ANN और BNN ने हबल पैरामीटर के सुसंगत पुनर्निर्माण उत्पन्न किए जो एरर बार के भीतर $\Lambda$ CDM मॉडल के साथ अच्छी तरह से सहमत थे। डेटा की कमी वाले उच्च रेडशिफ्ट पर अनिश्चितता अंतराल चौड़े हो जाते हैं, जो मॉडलों की डेटा-संचालित प्रकृति की पुष्टि करते हैं।
अमाटी संबंध मापदंड (A220 डेटासेट):
- ANN: स्लोप $b = 1.231 \pm 0.093$
- BNN: स्लोप $b = 1.228 \pm 0.094$
- ये परिणाम पिछले मॉडल-स्वतंत्र कैलिब्रेशन (जैसे गॉसियन प्रोसेस, इंटरपोलेशन विधियाँ) के साथ सुसंगत हैं और स्लोप पर थोड़ा कड़ा नियंत्रण दिखाते हैं।
अमाटी संबंध मापदंड (J220 डेटासेट):
- ANN & BNN: दोनों ने $b \approx 1.381$ दिया।
- J220 डेटासेट ने A220 ( $\sigma_{ext} \approx 0.50$ ) की तुलना में छोटा इंट्रिन्सिक स्कैटर ( $\sigma_{ext} \approx 0.41$ ) दिखाया, जो एक अधिक सजातीय जनसंख्या या J220 नमूने में कम सिस्टमैटिक्स का सुझाव देता है।
कार्यप्रणालीगत निरंतरता: ANN और BNN परिणामों के बीच निकट सहमति मशीन लर्निंग आर्किटेक्चर के चुनाव के विरुद्ध न्यूरल नेटवर्क कैलिब्रेशन की मजबूती की पुष्टि करती है।

5. महत्व और निष्कर्ष (Significance and Conclusion)

अनिश्चितता परिमाणीकरण (Uncertainty Quantification): यह अध्ययन रेखांकित करता है कि जबकि मानक ANNs गणनात्मक रूप से कुशल हैं, बायेसियन न्यूरल नेटवर्क कॉस्मोलॉजिकल अनुप्रयोगों के लिए अधिक विश्वसनीय ढांचा प्रदान करते हैं। BNNs स्पष्ट रूप से एपिस्टेमिक अनिश्चितता को संभालते हैं और ओवरफिटिंग के जोखिम को कम करते हैं, जो OHD जैसे विरल (sparse) ऑब्जर्वेशनल डेटा के साथ काम करते समय महत्वपूर्ण है।
कॉस्मोलॉजिकल प्रोब्स: GRBs के विश्वसनीय, मॉडल-स्वतंत्र कैलिब्रेशन प्रदान करके, यह कार्य उच्च रेडशिफ्ट ( $z > 2$ ) पर ब्रह्मांड के विस्तार इतिहास की जांच के लिए GRBs की उपयोगिता को मजबूत करता है, जो वर्तमान सुपरनोवा सर्वेक्षणों के लिए अप्राप्य क्षेत्र है।
भविष्य की रूपरेखा: लेखक सुझाव देते हैं कि जैसे-जैसे भविष्य के मिशन बड़े और अधिक सजातीय GRB डेटासेट प्रदान करेंगे, सटीक एरर प्रोपेगेशन के लिए आवश्यक मल्टी-प्रोब कॉस्मोलॉजिकल विश्लेषणों में BNN फ्रेमवर्क और भी मूल्यवान होगा।

संक्षेप में, यह शोध पत्र प्रदर्शित करता है कि हबल पैरामीटर के पुनर्निर्माण के लिए न्यूरल नेटवर्क-आधारित विधि, GRB ऊर्जा संबंधों को कैलिब्रेट करने के लिए एक व्यवहार्य, मॉडल-स्वतंत्र उपकरण है, जिसमें बायेसियन दृष्टिकोण अनिश्चितता परिमाणीकरण के लिए बेहतर विश्वसनीयता प्रदान करता है।