🔭 astrophysics

16 new quasars at the end of the reionization unveiled by self-supervised learning

DESI लेगेसी सर्वे इमेजेस पर सेल्फ-सुपरवाइज्ड कॉन्ट्रास्टिव लर्निंग और स्पेक्ट्रल एनर्जी डिस्ट्रीब्यूशन फिटिंग को लागू करके, शोधकर्ताओं ने अग्रभूमि संदूषण (फॉरग्राउंड कंटैमिनेशन) की चुनौती को पार करते हुए 16 नए उच्च-रेडशिफ्ट क्वासरों ( $z=5.94$ –6.45) की पहचान और स्पेक्ट्रोस्कोपिक रूप से पुष्टि की, जिनमें पारंपरिक तरीकों द्वारा छूटे हुए तीन भी शामिल हैं, जिससे दुर्लभ प्रारंभिक-ब्रह्मांड स्रोतों को उजागर करने के लिए एक स्केलेबल ढांचे का प्रदर्शन हुआ।

मूल लेखक: L. N. Martínez-Ramírez, Julien Wolf, Silvia Belladitta, Eduardo Bañados, F. E. Bauer, Raphael E. Hviding, Daniel Stern, Chiara Mazzucchelli, Romain A. Meyer, Ezequiel Treister, Federica Loiacono

प्रकाशित 2026-03-11

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: L. N. Martínez-Ramírez, Julien Wolf, Silvia Belladitta, Eduardo Bañados, F. E. Bauer, Raphael E. Hviding, Daniel Stern, Chiara Mazzucchelli, Romain A. Meyer, Ezequiel Treister, Federica Loiacono

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

एक बड़ी तस्वीर: ब्रह्मांडीय घास के ढेर में सुई की तलाश

कल्पना कीजिए कि प्रारंभिक ब्रह्मांड (बिग बैंग के लगभग 1 अरब वर्ष बाद) एक विशाल, अंधेरे महासागर की तरह है। इस महासागर में जगह-जगह क्वासर्स (Quasars) बिखरे हुए हैं। ये ब्रह्मांड के "लाइटहाउस" (प्रकाश स्तंभों) की तरह हैं—ये ऐसे सुपरमैसिव ब्लैक होल्स हैं जो इतनी भूख से गैस को निगल रहे हैं कि वे पूरी आकाशगंगाओं से भी अधिक चमकते हैं।

खगोलशास्त्री इन लाइटहाउसों को इसलिए खोजना चाहते हैं ताकि वे समझ सकें कि ब्लैक होल्स इतनी तेज़ी से इतने बड़े कैसे हो गए। लेकिन एक बहुत बड़ी समस्या है: घास का ढेर (The Haystack)।

आकाश अरबों सितारों से भरा हुआ है। इनमें एक विशिष्ट प्रकार के ठंडे, धुंधले तारे होते हैं जिन्हें अल्ट्राकूल ड्वार्फ (Ultracool Dwarf - UCD) कहा जाता है। ये ड्वार्फ "ब्रह्मांडीय छद्मवेशी" (cosmic impostors) की तरह हैं। वे लाल, धुंधले हैं और लगभग बिल्कुल उन दूर स्थित, प्राचीन क्वसर्स जैसे दिखते हैं जिन्हें हम खोजने की कोशिश कर रहे हैं। वास्तव में, हर एक असली क्वसार के लिए, इन छद्मवेषी ड्वार्फ्स की संख्या 2,000 से 10,000 के बीच होती है।

पारंपरिक रूप से, खगोलशास्त्री क्वसर्स को खोजने के लिए "कलर फ़िल्टर" का उपयोग करते थे। वे उन वस्तुओं को देखते थे जो विशिष्ट तरीकों से बहुत लाल थीं। लेकिन यह फ़िल्टर बहुत सख्त था। यह वैसा ही था जैसे धूप का चश्मा पहनकर घास के ढेर में सुई ढूंढना, जो केवल पूरी तरह से लाल सुइयों को ही देखने की अनुमति देता है। यदि कोई सुई थोड़ी नारंगी थी या उसका आकार अजीब था, तो वे उसे चूक जाते थे।

नया दृष्टिकोण: कंप्यूटर को "देखना" सिखाना

इस शोध पत्र में, टीम (L.N. Martínez-Ramírez के नेतृत्व में) ने पुराने "कलर फ़िल्टर" नियमों का उपयोग करना बंद करने का निर्णय लिया। इसके बजाय, उन्होंने सेल्फ-सुपरवाइज्ड लर्निंग (Self-Supervised Learning) का उपयोग करके एक कंप्यूटर को प्रशिक्षित किया।

उपमा: "अंतर पहचानो" खेल (The "Spot the Difference" Game)
कल्पना कीजिए कि आपके पास तस्वीरों का एक बड़ा डिब्बा है। अधिकांश पेड़ों की हैं, लेकिन कुछ कारों की भी हैं।

पुराना तरीका (Supervised Learning): आप कंप्यूटर को कारों की 1,000 तस्वीरें दिखाते हैं और कहते हैं, "यह एक कार है।" फिर आप उसे पेड़ों की 1,000 तस्वीरें दिखाते हैं और कहते हैं, "यह एक पेड़ है।" कंप्यूटर केवल उसी आधार पर कारों को पहचानना सीखता है जो आपने उसे बताया है। यदि कोई कार अजीब दिखती है (जैसे एक लाल ट्रक), तो कंप्यूटर उसे मिस कर सकता है क्योंकि वह ट्रेनिंग तस्वीरों में नहीं थी।
नया तरीका (Self-Supervised Learning): आप कंप्यूटर को यह नहीं बताते कि कार क्या है। इसके बजाय, आप उसे लाखों तस्वीरें दिखाते हैं और कहते हैं, "यहाँ दो तस्वीरें हैं। क्या वे एक ही वस्तु हैं या अलग-अलग?" कंप्यूटर को खुद पैटर्न समझने होते हैं। वह सीख जाता है कि "कारों" के पहिए होते हैं और "पेड़ों" की शाखाएं होती हैं, भले ही उसने पहले कभी लाल ट्रक न देखा हो।

टीम ने इस पद्धति का उपयोग DESI लेगेसी सर्वे (आकाश का एक विशाल मानचित्र) के चित्रों पर किया। उन्होंने कंप्यूटर को "ड्रॉपआउट्स" (ऐसी वस्तुएं जो नीली रोशनी में गायब हो जाती हैं लेकिन लाल रोशनी में दिखाई देती हैं) के लाखों चित्र दिए। कंप्यूटर ने बिना यह बताए कि कौन से क्वसार हैं, समान दिखने वाली वस्तुओं को एक साथ समूह बनाना सीख लिया।

परिणाम: 16 नए लाइटहाउस

कंप्यूटर ने इन वस्तुओं का एक "मानचित्र" बनाया। इस मानचित्र पर, असली क्वसार स्वाभाविक रूप से एक विशिष्ट पड़ोस में एक साथ क्लस्टर (समूहबद्ध) हुए, जो छद्मवेषी तारों से अलग थे।

टीम ने फिर इस मानचित्र से शीर्ष उम्मीदवारों को चुना और उन पर एक "स्पेक्ट्रल फिंगरप्रिंट" (प्रकाश का विस्तृत इंद्रधनुष) लेने के लिए विशाल दूरबीनों का रुख किया।

सफलता दर: उन्होंने 40 उम्मीदवारों की जांच की। 16 वास्तव में क्वसार थे। यह 45% की सफलता दर है, जो इस प्रकार की खोज के लिए अविश्वसनीय रूप से उच्च है (आमतौर पर, आपको केवल 10-20% ही मिलते हैं)।
आश्चर्य: सभी 16 क्वसार अपेक्षाकृत चमकीले थे और उनमें कुछ अनोखी विशेषताएं थीं:
- कुछ की प्रकाश किरणें "संकीर्ण" (narrow) थीं (एक फ्लडलाइट के बजाय लेजर पॉइंटर की तरह)।
- कुछ में बहुत मजबूत रासायनिक संकेत थे जिन्हें आमतौर पर फ़िल्टर कर दिया जाता है।
- महत्वपूर्ण बात: इन 16 में से तीन क्वसार पुराने "कलर-फ़िल्टर" तरीकों द्वारा पूरी तरह से मिस कर दिए जाते। वे वे "लाल ट्रक" थे जिन्हें पुराने धूप के चश्मे अनदेखा कर देते।

यह क्यों महत्वपूर्ण है?

पूर्वाग्रह को तोड़ना (Breaking the Bias): पुराने तरीके "सामान्य" दिखने वाले क्वसर्स की ओर झुके हुए थे। इस नए तरीके ने "अजीब" क्वसर्स को खोज निकाला, जिससे हमें प्रारंभिक ब्रह्मांड की एक अधिक पूर्ण तस्वीर मिली।
स्केलेबिलिटी (Scalability): यह विधि एक सुपर-कुशल सर्च इंजन की तरह है। यह भविष्य की दूरबीनों (जैसे रुबिन ऑब्जर्वेटरी या यूक्लिड सैटेलाइट) से आने वाले डेटा के विशाल मात्रा को मानव-निर्मित नियमों की तुलना में बहुत बेहतर तरीके से संभाल सकती है।
ब्लैक होल का विकास: इन चमकीले, शुरुआती क्वसर्स को खोजने से वैज्ञानिकों को यह समझने में मदद मिलती है कि ब्लैक होल इतनी कम अवधि में हमारे सूर्य के द्रव्यमान से अरबों गुना बड़े कैसे हो गए।

मुख्य निष्कर्ष (The Takeaway)

खगोलशास्त्रियों ने केवल 16 नए क्वसार ही नहीं खोजे; उन्होंने देखने का एक बेहतर तरीका भी खोजा। कंप्यूटर को अपने आप ब्रह्मांड के पैटर्न सीखने देकर, बजाय इसके कि उसे कठोर मानवीय नियमों का पालन करने के लिए मजबूर किया जाए, उन्होंने पहले से अदृश्य रहे ब्रह्मांडीय लाइटहाउसों की एक छिपी हुई आबादी को उजागर किया। यह एक याद दिलाता है कि कभी-कभी, ब्रह्मांड की सबसे दुर्लभ चीजों को खोजने के लिए, आपको उस चीज़ को देखना छोड़ देना चाहिए जिसे आप अपेक्षा करते हैं, और उस चीज़ को देखना शुरू करना चाहिए जो डेटा वास्तव में दिखा रहा है।

यहाँ शोध पत्र "16 new quasars at the end of the reionization unveiled by self-supervised learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रेडशिफ्ट $z > 6$ पर चमकदार क्वासर (quasars) की खोज ब्रह्मांडीय पुनर्संयोजन (cosmic reionization) के दौरान सुपरमैसिव ब्लैक होल (SMBHs) के विकास और अंतरतारकीय माध्यम (IGM) की स्थिति को समझने के लिए महत्वपूर्ण है। हालाँकि, इन वस्तुओं की पहचान करना अत्यंत चुनौतीपूर्ण है क्योंकि:

अत्यधिक दुर्लभता (Extreme Scarcity): $z > 6$ पर क्वासर का संख्या घनत्व तेजी से गिरता है, जो $z \sim 6$ पर एक कोमिंग वॉल्यूम Gpc $^3$ से भी कम है।
भारी संदूषण (Overwhelming Contamination): अग्रभूमि के अल्ट्राकूल ड्वार्फ्स (UCDs; M, L, और T ड्वार्फ्स) की संख्या उच्च-रेडशिफ्ट वाले क्वासरों की तुलना में 2–4 परिमाण अधिक है। उनके लाल स्पेक्ट्रा उच्च- $z$ क्वासरों के लिए उपयोग किए जाने वाले "ड्रॉपआउट" सिग्नेचर (Lyman- $\alpha$ अवशोषण के कारण नीले फिल्टर में गैर-पता लगाने योग्य होना) की नकल करते हैं।
चयन पूर्वाग्रह (Selection Biases): पारंपरिक चयन विधियाँ संदूषण को कम करने के लिए रूढ़िवादी कलर-कलर कट्स (जैसे, $i-z$ और $z-J$ ) पर निर्भर करती हैं। यह दृष्टिकोण व्यवस्थित रूप से दुर्लभ आबादी, जैसे कि रेड क्वासर, ऑब्स्क्योर्ड AGN, और असामान्य उत्सर्जन रेखा गुणों वाली वस्तुओं को बाहर कर देता है, जिससे प्रारंभिक ब्रह्मांड का एक अधूरा विवरण प्राप्त होता है।
सुपरवाइज्ड ML की सीमाएँ (Limitations of Supervised ML): मौजूदा मशीन लर्निंग दृष्टिकोण अक्सर लेबल किए गए कैटलॉग के साथ सुपरवाइज्ड ट्रेनिंग पर निर्भर करते हैं, जो प्रशिक्षण डेटा के पूर्वाग्रहों को विरासत में लेते हैं और दुर्लभ, कम प्रतिनिधित्व वाली आबादी के साथ संघर्ष करते हैं।

2. कार्यप्रणाली (Methodology)

लेखकों ने इन सीमाओं को दूर करने के लिए कॉन्ट्रास्टिव लर्निंग (CL) और स्पेक्ट्रल एनर्जी डिस्ट्रीब्यूशन (SED) फिटिंग को संयोजित करने वाला एक नवीन, सेल्फ-सुपरवाइज्ड फ्रेमवर्क विकसित किया।

A. डेटा स्रोत और प्रीसेलेक्शन (Data Source and Preselection)

सर्वेक्षण: DESI लेगेसी सर्वे डेटा रिलीज़ 10 (LS DR10), जो $g, r, i, z$ डीप ऑप्टिकल इमेजिंग के साथ $>20,000$ deg $^2$ को कवर करता है।
प्रीसेलेक्शन: सख्त कलर कट्स के बजाय, उन्होंने $i$ $i$ -ड्रॉपआउट उम्मीदवारों ( $z > 5.5$ $z > 5.5$ ) को चुनने के लिए ढीले रूपात्मक (morphological) और फोटोमेट्रिक प्रतिबंध लागू किए।
- $z$ -बैंड में डिटेक्शन और $g/r$ बैंड में गैर-डिटेक्शन की आवश्यकता थी।
- SED फिटिंग को सक्षम करने के लिए निकट-इन्फ्रारेड (NIR) सर्वेक्षणों (VHS, UKIDSS, UHS) और WISE W1 के साथ क्रॉस-मैचिंग की आवश्यकता थी।
- विस्तारित गैलेक्सी और आर्टिफैक्ट्स को हटाने के लिए कॉम्पैक्टनेस मानदंडों को लागू किया गया, जिसके परिणामस्वरूप 165,253 उम्मीदवारों का प्रारंभिक नमूना प्राप्त हुआ।

B. सेल्फ-सुपरवाइज्ड कॉन्ट्रास्टिव लर्निंग (CL)

इनपुट: $g, r, i, z$ बैंड से $10'' \times 10''$ कटआउट (38 $\times$ 38 पिक्सेल)।
आर्किटेक्चर: एक संशोधित simCLR (विजुअल रिप्रेजेंटेशन सीखने का सरल ढांचा) मॉडल।
- एनकोडर (Encoder): चार कन्वेल्शनल न्यूरल नेटवर्क (CNN) परतें जो स्थानिक आयामों को 128-लंबाई वाले फीचर वेक्टर में कम करती हैं।
- प्रोजेक्शन हेड (Projection Head): एक मल्टी-लेयर पर्सपेप्ट्रॉन (MLP) जो वेक्टर्स को 10-आयामी लेटेंट स्पेस में मैप करता है।
- ट्रेनिंग: मॉडल बिना किसी लेबल के, एक ही स्रोत के संवर्धित दृश्यों (positive pairs) को अन्य स्रोतों (negative pairs) के विरुद्ध कंट्रास्ट करके सीखता है। संवर्द्धन (Augmentations) में फ्लिप और रोटेशन शामिल थे।
लेटेंट स्पेस विश्लेषण (Latent Space Analysis): 128-आयामी एम्बेडिंग्स को UMAP का उपयोग करके 2D में कम किया गया। इसने स्पष्ट क्लस्टर प्रकट किए:
- राइट आइलैंड (Right Island): सितारों और M/L ड्वार्फ्स द्वारा प्रधान।
- लेफ्ट आइलैंड (Left Island): T ड्वार्फ्स और उच्च-रेडशिफ्ट वाले क्वासरों द्वारा आबादी।
- मुख्य निष्कर्ष: CL मॉडल ने बिना किसी स्पष्ट NIR इनपुट के, ऑप्टिकल छवियों में मौजूद सूक्ष्म रूपात्मक और स्पेक्ट्रल विशेषताओं के आधार पर क्वासरों को संदूषकों से स्वाभाविक रूप से अलग कर दिया।

C. उम्मीदवार प्राथमिकता (Candidate Prioritization via SED Fitting)

टेलीस्कोप के समय को अनुकूलित करने के लिए, लेखकों ने SED फिटिंग (через eazy-py) के माध्यम से उम्मीदवारों को प्राथमिकता दी:

टेम्प्लेट्स: उम्मीदवारों की तुलना क्वासर/AGN टेम्प्लेट्स और संदूषक टेम्प्लेट्स (UCDs, तारे, गैलेक्सी) से की गई।
मेट्रिक: ब्राउन ड्वार्फ्स से क्वासरों को अलग करने के लिए $\chi^2$ मानों के अनुपात ( $\chi^2_{BD} / \chi^2_{QSO}$ ) का उपयोग किया गया।
चयन: उन उम्मीदवारों को चुना गया जिनमें उच्च क्वासर संभावना ( $\chi^2_{BD} / \chi^2_{QSO} > 1$ ), फोटोमेट्रिक रेडशिफ्ट $z_{ml} > 5.5$ , और संकीर्ण रेडशिफ्ट वितरण था।
अंतिम नमूना: स्पेक्ट्रोस्कोपिक फॉलो-अप के लिए 1,139 उच्च-प्राथमिकता वाले उम्मीदवारों की सूची को कम किया गया।

3. मुख्य योगदान (Key Contributions)

नवीन कार्यप्रणाली: उच्च-रेडशिफ्ट क्वासर की खोज के लिए ऑप्टिकल इमेजिंग में पहले सेल्फ-सुपरवाइज्ड कॉन्ट्रास्टिव लर्निंग का अनुप्रयोग, यह प्रदर्शित करता है कि यह बिना लेबल वाले प्रशिक्षण डेटा के बिना पारंपरिक कलर-आधारित चयन से बेहतर प्रतिनिधित्व सीख सकता है।
पूर्वाग्रह में कमी: विधि ने उन क्वासरों को सफलतापूर्वक रिकवर किया जो आमतौर पर रेड NIR स्लोप ( $z-J > 0.4$ ) और संकीर्ण Ly $\alpha$ उत्सर्जन रेखाओं जैसे गुणों के कारण पारंपरिक कट्स द्वारा बाहर कर दिए जाते हैं।
स्केलेबिलिटी: यह फ्रेमवर्क भविष्य के विशाल सर्वेक्षणों (Rubin/LSST, Euclid, Roman) के लिए स्केलेबल बनाया गया है।

4. परिणाम (Results)

स्पेक्ट्रोस्कोपिक पुष्टिकरण: टीम ने 40 उम्मीदवारों का अवलोकन किया और $z = 5.94 - 6.45$ $z = 5.94 - 6.45$ पर 16 नए क्वासर की पुष्टि की।
- सफलता दर: 45% (40 देखे गए में से 16 की पुष्टि हुई)।
- संदूषक (Contaminants): 22 को UCDs या अन्य संदूषकों के रूप में पहचाना गया।
- साहित्य ओवरलैप: 3 पुष्ट वस्तुओं को पहले से ज्ञात था लेकिन पुनः पहचाना गया; 1 की पुष्टि DESI DR1 द्वारा की गई; 12 पूरी तरह से नई खोजें थीं।
भौतिक गुण:
- चमक: सभी 16 अपेक्षाकृत चमकीले ( $M_{1450} < -25.5$ ) हैं।
- उत्सर्जन रेखाएं (Emission Lines):
  - नैरो Ly $\alpha$ : चार क्वासर संकीर्ण Ly $\alpha$ रेखाएं प्रदर्शित करते हैं (FWHM $\lesssim 2600$ km s $^{-1}$ ), जो एक ऐसी विशेषता है जिसे मानक चयन अक्सर मिस कर देते हैं।
  - उच्च तुल्यता चौड़ाई (High Equivalent Widths): $\sim 44\%$ नमूना बढ़ी हुई Ly $\alpha$ + N V + Si II उत्सर्जन दिखाता है (EW $> 100$ Å), जो ज्ञात क्वासरों के लॉग-नॉर्मल वितरण की तुलना में काफी अधिक है।
  - रेड कॉन्टिनम: कई वस्तुएं हल्का रेड NIR कॉन्टिनम ( $z-J > 0.4$ ) दिखाती हैं, जो संकेत देता है कि वे धूल से ढकी (dust-obscured) हैं या स्वाभाविक रूप से सॉफ्ट स्पेक्ट्रा रखती हैं।
- पारंपरिक विधियों द्वारा छूटे हुए: 16 में से तीन क्वासर विशिष्ट कलर लोकी (loci) या विशिष्ट बैंडों में कवरेज की कमी के कारण पारंपरिक कलर-कलर चयन (जैसे, DES, PS1, या SDSS मानदंड) द्वारा मिस कर दिए जाते।

5. महत्व (Significance)

छिपी हुई आबादी को उजागर करना: यह कार्य सिद्ध करता है कि सेल्फ-सुपरवाइज्ड लर्निंग दुर्लभ, असामान्य क्वासर आबादी को उजागर कर सकती है जिन्हें मानव-निर्मित चयन मानदंडों द्वारा व्यवस्थित रूप से छोड़ा जाता है।
दक्षता: CL और SED प्राथमिकता का संयोजन एक उच्च सफलता दर (45%) के साथ एक प्रबंधनीय उम्मीदवार सूची प्राप्त करता है, जो एक मजबूत पथ प्रदान करता है।
कॉस्मोलॉजिकल निहितार्थ: नैरो लाइन्स और रेड कॉन्टिनम वाले उच्च- $z$ क्वासरों के जनगणना को बढ़ाकर, यह विधि SMBH निर्माण परिदृश्यों के लिए बेहतर बाधाएं (constraints) प्रदान करती है, जो संभावित रूप से ब्रह्मांड के पहले अरब वर्षों में तेज़ विकास दर या विभिन्न सीड तंत्रों को प्रकट करती है।
भविष्य का दृष्टिकोण: यह दृष्टिकोण Rubin/LSST, Euclid, और Roman जैसे आगामी सर्वेक्षणों के लिए सीधे तौरable है, जो रेडशिफ्ट की सीमा को आगे बढ़ाने और पुनर्संयोजन के युग (Epoch of Reionization) की समझ को परिष्कृत करने का वादा करता है।