Closing the Observational Gap in Cosmic Dynamics: AI-Enabled Reconstruction of the Universe's Vorticity and Rotational Flow Morphology

यहाँ "कॉस्मिक डायनेमिक्स में ऑब्जर्वेशनल गैप को भरना: ब्रह्मांड की वोर्टिसिटी (Vorticity) और रोटेशनल फ्लो मॉर्फोलॉजी का AI-सक्षम पुनर्निर्माण" नामक शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

ब्रह्मांड की बड़ी संरचना (Large-scale structure - LSS) गुरुत्वाकर्षण विकास द्वारा नियंत्रित होती है, जहाँ विशेष वेग (peculiar velocities) महत्वपूर्ण गतिशील जानकारी प्रदान करते हैं जो गैलेक्सी संख्या घनत्व के पूरक होते हैं। हालाँकि, एक महत्वपूर्ण अवलोकनीय अंतराल (observational gap) मौजूद है:

• अनुप्रस्थ वेग की अप्राप्यता (Transverse Velocity Inaccessibility): जबकि रेडियल विशेष वेगों को मानक मोमबत्तियों (जैसे टाइप Ia सुपरनोवा) या संबंधों (टली-फिशर) के माध्यम से अनुमानित किया जा सकता है, वर्तमान तकनीक के साथ अनुप्रस्थ वेग प्रभावी रूप से अवलोकनीय नहीं हैं।
• वोर्टिसिटी गैप (The Vorticity Gap): रैखिक शासन (linear regime) में, वेग क्षेत्र अघूर्णी (curl-free) होते हैं। हालाँकि, गैर-रैखिक शासन (nonlinear regime) में (जहाँ शेल-क्रॉसिंग होती है), वोर्टिसिटी (घूर्णन प्रवाह) उभरती है। पारंपरिक विश्लेषणात्मक मॉडल (परटर्बेशन थ्योरी) और सांख्यिकीय अनुमान इस वोर्टिसिटी को पकड़ने या इन गैर-रैखिक क्षेत्रों में पूर्ण 3D वेग क्षेत्र के पुनर्निर्माण में विफल रहते हैं।
• मौजूदा विधियों की सीमाएँ: बड़े आयतनों के लिए 'कन्स्ट्रेंड सिमुलेशन' (constrained simulations) गणनात्मक रूप से अत्यधिक कठिन हैं, और मानक पुनर्निर्माण विधियाँ अवलोकन संबंधी डेटा से पूर्ण वोर्टिसिटी क्षेत्र को पुनर्निर्मित नहीं कर सकती हैं।

2. कार्यप्रणाली (Methodology)

लेखक गैलेक्सी घनत्व वितरण से 3D विशेष वेग और वोर्टिसिटी क्षेत्रों के पुनर्निर्माण के लिए डीप लर्निंग का उपयोग करते हुए एक डेटा-संचालित दृष्टिकोण प्रस्तावित करते हैं।

A. डेटा स्रोत (Data Sources)

• अवलोकनीय डेटा: कोरिया इंस्टीट्यूट फॉर एडवांस्ड स्टडीज वैल्यू-ऐडेड गैलेक्सी कैटलॉग (KIAS-VAGC), जो SDSS-I/II DR7 मुख्य गैलेक्सी नमूने का एक विस्तार है। यह अध्ययन लगभग $4000 \text{ deg}^2$ को कवर करने वाले एक उच्च-घनत्व उपक्षेत्र ($0.01 < z < 0.17$) पर केंद्रित है।
• प्रशिक्षण डेटा (Training Data): WMAP5 कॉस्मोलॉजिकल मापदंडों का उपयोग करके 'होरिजन रन 4' (HR4) N-body सिमुलेशन से उत्पन्न मॉक कैटलॉग। ये मॉक्स SDSS चयन फ़ंक्शन को दोहराने के लिए 'सबहेलो एबंडेंस मैचिंग' (SHAM) का उपयोग करते हैं, जिससे 108 स्वतंत्र वॉल्यूम-लिमिटेड वास्तविकियाँ (realizations) प्राप्त होती हैं।

B. प्री-प्रोसेसिंग (Pre-processing)

• ग्रिड निर्माण: गैलेक्सी स्थितियों को कोमूविंग कार्टेशियन निर्देशांकों (comoving Cartesian coordinates) में मैप किया जाता है। नियमित ग्रिड पर घनत्व और वेग क्षेत्र बनाने के लिए दो इंटरपोलेशन विधियों का उपयोग किया जाता है:
  1. क्लाउड-इन-सेल (CIC): मानक ग्रिड इंटरपोलेशन।
  2. डेलाउनी टेसेलेशन फील्ड एस्टीमेटर (DTFE): विरल नमूनाकरण (sparse sampling) के लिए बेहतर और सूक्ष्म संरचनाओं को संरक्षित करने में सक्षम।
• नॉर्मलाइजेशन और ऑग्मेंटेशन: क्षेत्रों को नॉर्मलाइज़ किया जाता है। प्रशिक्षण सेट के आकार को बढ़ाने और सुसंगत लाइन-ऑफ-साइट विन्यास लागू करने के लिए, सिमुलेशन वॉल्यूम को मिरर किए गए उप-आयतनों ($y>0$ और $y<0$) में विभाजित किया जाता है, जो प्रभावी रूप से डेटासेट को दोगुना कर देता है।
• पॉइंट-बेस्ड पुनर्निर्माण: ग्रिडिंग से होने वाली सूचना की हानि को कम करने के लिए, ग्रिड ओरिजिन को शिफ्ट करने और भारित नमूनों (weighted samples) को औसत निकालने के लिए एक विशिष्ट एल्गोरिदम (एल्गोरिदम 1) का उपयोग किया जाता है।

C. न्यूरल नेटवर्क आर्किटेक्चर (Neural Network Architecture)

• मॉडल: 3D वॉल्यूमेट्रिक डेटा के लिए डिज़ाइन किया गया एक संशोधित U-Net आर्किटेक्चर।
• इनपुट: रेडशिफ्ट-स्पेस गैलेक्सी संख्या घनत्व क्षेत्र ($51^3$ वॉक्सेल्स, जो $204 \text{ Mpc}/h$ भुजा लंबाई का प्रतिनिधित्व करता है)।
• आउटपुट: नेटवर्क एक डुअल-पाथ संरचना का उपयोग करता है ताकि निम्नलिखित की भविष्यवाणी की जा सके:
  1. वेग परिमाण ($|v|$)।
  2. तीन दिशात्मक घटक ($\hat{v}_x, \hat{v}_y, \hat{v}_z$)।
• प्रमुख विशेषताएँ: आर्किटेक्चर में डाउन/अप-सैंपलिंग के लिए स्ट्राइड-टू कनवल्शन, बड़े पैमाने की विशेषताओं को पकड़ने के लिए प्रारंभिक परतें और ओवरफिटिंग को रोकने के लिए ड्रॉपआउट परतें शामिल हैं। इसे किसी सहायक रैखिक वेग इनपुट की आवश्यकता नहीं है क्योंकि सिमुलेशन वॉल्यूम प्रासंगिक गतिकी को कैप्चर करता है।

D. लॉस फंक्शन (Loss Function)
मॉडल को एक मिश्रित लॉस फंक्शन ($L$) को कम करने के लिए प्रशिक्षित किया जाता है जिसमें तीन पद शामिल हैं:

1. परिमाण त्रुटि (Magnitude Error): वेग परिमाण पर मीन-स्क्वेर्ड एरर ($|v - v_{true}|^2$)।
2. दिशात्मक त्रुटि (Directional Error): वेक्टर संरेखण सुनिश्चित करने के लिए कोसाइन समानता दंड ($1 - \cos \phi$)।
3. ग्रेडिएंट पेनल्टी (Gradient Penalty): डाइवर्जेंस और वोर्टिसिटी ग्रेडिएंट के अंतर को दंडित करने वाला एक पद, ताकि घूर्णन प्रवाह के पुनर्निर्माण में सुधार हो सके।

3. प्रमुख योगदान (Key Contributions)

1. प्रथम अनुभवजन्य वोर्टिसिटी पुनर्निर्माण: यह पेपर वास्तविक SDSS डेटा का उपयोग करके कॉस्मिक वोर्टिसिटी क्षेत्र के पहले अवलोकनीय पुनर्निर्माण को प्रस्तुत करता है, जो कॉस्मिक डायनेमिक्स के लंबे समय से चले आ रहे अंतराल को भरता है।
2. AI-संचालित नॉनलीन रिकवरी: यह प्रदर्शित करता है कि डीप लर्निंग (विशेष रूप से U-Net) सफलतापूर्वक गैर-रैखिक वेग क्षेत्रों और वोर्टिसिटी हस्ताक्षरों को $k \sim 1 h^{-1}\text{Mpc}$ के पैमाने तक पुनर्निर्मित कर सकता है, जहाँ परटर्बेशन थ्योरी विफल हो जाती है।
3. मॉर्फोलॉजिकल वर्गीकरण: वेग-ग्रेडिएंट टेंसर के आधार पर स्थानीय प्रवाह रूपात्मकता (नोड्स, फिलामेंट्स, वॉल्स, वॉइड्स) को सफलतापूर्वक वर्गीकृत करता है, जो क्लस्टर्स और फिलामेंट्स में सुसंगत घूर्णन संरचनाओं (स्पाइरल फ्लो) को प्रकट करता है।
4. रेडशिफ्ट-स्पेस डिस्टॉर्शन (RSD) सुधार: यह दिखाता है कि पुनर्निर्मित वेग क्षेत्र प्रभावी रूप से RSDs (काइज़र कंप्रेशन और फिंगर-ऑफ-गॉड प्रभाव) को हटा सकता है, जिससे वास्तविक स्थान की विशेषता वाला लगभग समदैशिक (isotropic) क्लस्टरिंग सिग्नल प्राप्त होता है।

4. परिणाम (Results)

• दृश्य पुनर्निर्माण (Visual Reconstruction): पुनर्निर्मित 3D वेग और वोर्टिसिटी क्षेत्र सुसंगत संरचनाओं को प्रकट करते हैं, जिसमें "SDSS ग्रेट वॉल", क्लस्टर्स और वॉइड्स में स्पाइरल फ्लो शामिल हैं। वोर्टिसिटी क्षेत्र डेंसिटी सेगमेंटेशन से अनुमानित कॉस्मिक वेब के साथ निकटता से मेल खाता है।
• सांख्यिकीय निरंतरता (Power Spectra):
  • पुनर्निर्मित वेग ($P_{vv}$) और वोर्टिसिटी ($P_{\omega\omega}$) क्षेत्रों के पावर स्पेक्ट्रा $\Lambda$CDM भविष्यवाणियों और मॉक ट्रुथ डेटा के साथ सांख्यिकीय रूप से सहमत हैं।
  • DTFE-आधारित पुनर्निर्माण बहुत छोटे पैमाने ($k \gtrsim 2.5 h \text{ Mpc}^{-1}$) पर मामूली विचलन दिखाते हैं, जो संभवतः शोर के प्रति संवेदनशीलता के कारण है, लेकिन CIC-आधारित परिणाम सभी पैमानों पर उत्कृष्ट सहमति दिखाते हैं।
• पिक्सेल-वाइज सटीकता:
  • वेग परिमाण: पुनर्निर्मित परिमाण सत्य के भीतर 98% मेल खाते हैं ($286.74 \pm 283.02$ किमी/सेकंड बनाम $283.35 \pm 417.54$ किमी/सेकंड)।
  • दिशात्मक सटीकता: माध्य दिशात्मक विसंगति कम है ($1 - \cos \phi \approx 0.06$)।
  • वोर्टिसिटी: विरल ट्रेसर से वोर्टिसिटी का अनुमान लगाने की कठिनाई के बावजूद, अवशेष त्रुटि (residual error) छोटी है ($|\omega_{true} - \omega_{U-Net}| \approx 2.16 \pm 9.41 h \text{ km s}^{-1} \text{ Mpc}^{-1}$)।
• RSD निष्कासन: पुनर्निर्मित क्षेत्र से प्राप्त 2D सहसंबंध फलन $\xi(r_\perp, r_\parallel)$ लगभग समदैशिक हो जाता है, जो रेडशिफ्ट-स्पेस डिस्टॉर्शन के सफल निष्कासन की पुष्टि करता है।

5. महत्व (Significance)

• $\Lambda$CDM का सत्यापन: एक स्वतंत्र, AI-संचालित दृष्टिकोण से पावर स्पेक्ट्रा, सहसंबंध फलन और रूपात्मक निदान का अभिसरण (convergence), सामंजस्यपूर्ण कॉस्मोलॉजिकल मॉडल (concordance cosmological model) को सुदृढ़ करता है।
• नया अवलोकनीय झरोखा: यह कार्य सिद्ध करता है कि AI गैर-रैखिक शासन में डेंसिटी से वेलोसिटी के मैपिंग को सीखकर "अअवलोकनीय" मात्राओं (अनुप्रस्थ वेग और वोर्टिसिटी) तक पहुँच सकता है।
• भविष्य के अनुप्रयोग: यह कार्य निम्नलिखित के लिए एक मजबूत उपकरण प्रदान करता है:
  • बेरियन एकोस्टिक ऑसिलेशन (BAO) और अल्कोक-पज़ैक्यन टेस्ट में रेडशिफ्ट-स्पेस डिस्टॉर्शन को कम करना।
  • किनेमैटिक सन्यायेव-ज़ेल्डोविच (kSZ) प्रभाव का लक्षण वर्णन करना।
  • कॉस्मिक वेब का मानचित्रण करना और गैलेक्सी-पर्यावरण अंतःक्रियाओं का अध्ययन करना।
• स्केलेबिलिटी: इस पाइपलाइन को आगामी स्टेज-IV सर्वेक्षणों (DESI, Euclid, Roman, PFS, CSST) के लिए डेटा-प्रोसेसिंग पाइपलाइनों में एकीकृत करने के लिए डिज़ाइन किया गया है, जो ब्रह्मांडीय विकास और मौलिक भौतिकी के बारे में अभूतपूर्व अंतर्दृष्टि का वादा करती है।