🔭 astrophysics

Machine learning isotope shifts in molecular energy levels

यह शोध पत्र एक मशीन लर्निंग फ्रेमवर्क प्रस्तुत करता है जो CO $_2$ के लिए न्यूरल नेटवर्क और CO के लिए एक नवीन ट्रांसफर लर्निंग दृष्टिकोण का उपयोग करके आणविक ऊर्जा स्तरों में आइसोटोपोलॉग एक्सट्रपलेशन त्रुटियों को सुधारता है, जिससे एक्सोप्लैनेट वायुमंडलीय अध्ययनों के लिए आवश्यक स्पेक्ट्रोस्कोपिक लाइन सूचियों की सटीकता में महत्वपूर्ण सुधार होता है।

मूल लेखक: Marco G. Barnfield, Oleg L. Polyansky, Sergei N. Yurchenko, Jonathan Tennyson

प्रकाशित 2026-04-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Marco G. Barnfield, Oleg L. Polyansky, Sergei N. Yurchenko, Jonathan Tennyson

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: परग्रही आकाश में "भूतिया" अणुओं की खोज

कल्पना कीजिए कि खगोलशास्त्री एक दूर स्थित ग्रह पर हो रही बातचीत को सुनने की कोशिश कर रहे हैं। वे उस ग्रह के वायुमंडल में अणुओं की मंद "फुसफुसाहट" को पकड़ने के लिए शक्तिशाली दूरबीनों का उपयोग कर रहे हैं। वे जो सुन रहे हैं उसे समझने के लिए, उन्हें वहां मौजूद हर अणु के लिए ध्वनियों का एक सटीक शब्दकोश (स्पेक्ट्रल लाइन्स) चाहिए।

ज्यादातर समय, वे अणु के सबसे सामान्य संस्करण को देखते हैं, जैसे कि मानक कार्बन-12 और ऑक्सीजन-16 से बना कार्बन डाइऑक्साइड (CO₂)। यह कहानी का "मुख्य पात्र" है।

लेकिन कभी-कभी, कहानी थोड़ी बदल जाती है। इन अणुओं का एक बहुत छोटा हिस्सा हो सकता है जिसमें एक "अजीब" परमाणु होता—जैसे कि कार्बन-12 के बजाय कार्बन-13। इन्हें आइसोटोपोलॉग्स (isotopologues) कहा जाता है। इन्हें मुख्य अणु के "कजिन" (चचेरे भाई-बहन) के रूप में सोचें।

ये कजिन क्यों महत्वपूर्ण हैं? क्योंकि ये इस बात के रहस्य रखते हैं कि ग्रह का जन्म कैसे हुआ और वह अपने तारे के चारों ओर कैसे घूमता है। लेकिन समस्या यह है: ये कजिन दुर्लभ हैं, और हमारे पास पर्याप्त प्रयोगात्मक डेटा नहीं है जिससे यह पता चल सके कि उनकी "आवाज़" वास्तव में कैसी सुनाई देती है।

पुराना तरीका: "एक ही आकार का टोपी" (One-Size-Fits-All Hat)

पहले, वैज्ञानिक मुख्य अणु के डेटा को लेकर और उस पर एक सरल, स्थिर सुधार लागू करके यह अनुमान लगाने की कोशिश करते थे कि इन दुर्लभ कजिन्स की आवाज़ कैसी होगी।

उपमा: कल्पना कीजिए कि आपके पास आपके पैर के लिए जूतों की एक आदर्श जोड़ी है (मुख्य अणु)। आपको अपने उस दोस्त के लिए जूते चाहिए जिसके पैर थोड़े अलग हैं (दुर्लभ आइसोटोप)। पुराना तरीका आपके जूते लेने, उन्हें ठीक 1 मिलीमीटर खींचने और यह कहने जैसा था, "लो, यह तुम्हारे दोस्त को फिट आ जाना चाहिए।"

यह कुछ लोगों के लिए ठीक काम करता है, लेकिन दूसरों के लिए विफल हो जाता है क्योंकि पैर केवल "बड़े" या "छोटे" नहीं होते; उनके आकार, मेहराब (arches) और चौड़ाई भी अलग होती है। भौतिकी में, आइसोटोप के बीच का अंतर केवल आकार में बदलाव नहीं है; इसमें जटिल क्वांटम मैकेनिक्स (जिसे "बॉर्न-ओपेनहाइमर ब्रेकडाउन" कहा जाता है) शामिल है, जिसे सरल "खिंचाव" वाला तरीका नहीं पकड़ सका। इससे त्रुटियां हुईं, जिससे इन दुर्लभ अणुओं को परग्रही वायुमंडलों में पहचानना कठिन हो गया।

नया तरीका: "स्मार्ट ट्यूटर" (मशीन लर्निंग)

यह शोध पत्र मशीन लर्निंग (ML) का उपयोग करके एक नया, अधिक स्मार्ट दृष्टिकोण पेश करता है। एक साधारण फॉर्मूले से अनुमान लगाने के बजाय, वैज्ञानिकों ने गलतियों को सीखने के लिए एक "स्मार्ट ट्यूटर" (एक न्यूरल नेटवर्क) बनाया।

यह कैसे काम करता है:

शिक्षक: उन्होंने मुख्य अणु (CO₂) को लिया, जिसके पास सटीक, प्रयोगात्मक डेटा का एक विशाल पुस्तकालय है।
छात्र: उन्होंने उन "कजिन्स" (दुर्लभ आइसोटोप) को देखा जहाँ डेटा गायब या अव्यवस्थित था।
पाठ: कंप्यूटर ने "परफेक्ट" मुख्य अणु की तुलना कजिन्स के "रफ" गणनाओं से की। इसने एक पैटर्न देखा: "आह, जब भी अणु में एक भारी कार्बन-13 परमाणु होता है और वह तेजी से घूम रहा होता है, तो पुराना गणित ठीक इतना गलत होता है।"

AI ने इन सूक्ष्म, गैर-रेखीय (non-linear) पैटर्न को सीखा। इसने केवल एक सपाट खिंचाव नहीं लगाया; इसने त्रुटि के "आकार" को सीखा।

जादुई ट्रिक: एक पुरानी किताब के साथ नए छात्र को पढ़ाना

इस शोध पत्र का सबसे शानदार हिस्सा यह है कि उन्होंने कार्बन मोनोऑक्साइड (CO) को कैसे संभाला।

CO₂ एक ऐसे विश्वविद्यालय की तरह है जिसके पास किताबों का एक विशाल पुस्तकालय है (बहुत सारा डेटा)।
CO एक छोटे से गाँव की तरह है जहाँ बहुत कम किताबें हैं (बहुत कम डेटा)।

आमतौर पर, यदि आप गाँव के छात्रों को विश्वविद्यालय की किताबों से पढ़ाने की कोशिश करते हैं, तो वे भ्रमित हो जाते हैं क्योंकि दोनों विषय अलग-अलग हैं। लेकिन वैज्ञानिकों ने एक हाइब्रिड आर्किटेक्चर बनाया।

उपमा: कल्पना कीजिए कि एक मास्टर शेफ (AI) जिसने वर्षों तक उत्तम इतालवी भोजन बनाना सीखा है (CO₂ डेटा)। वह एक छात्र को फ्रेंच पेस्ट्री बनाना सिखाना चाहता है, लेकिन छात्र ने कभी रेसिपी नहीं देखी है।
शुरुआत से शुरू करने के बजाय, शेफ कहता है, "मैं इतालवी खाना पकाने से गर्मी, आटे और चीनी के सिद्धांतों को जानता हूँ। आइए उन सिद्धांतों का उपयोग करके फ्रेंच पेस्ट्री को समझने की कोशिश करें, लेकिन मैं इसमें फ्रेंच शैली के लिए एक विशेष 'अडैप्टर' जोड़ दूँगा।"

AI ने CO₂ के डेटा से सीखी गई गहरी जानकारी को CO में स्थानांतरित कर दिया। इसने सीखा कि आइसोटोप ऊर्जा को कैसे शिफ्ट करते हैं, इसका भौतिक विज्ञान विभिन्न अणुओं में समान है, भले ही अणु स्वयं अलग हों।

परिणाम: एक बड़ी सुधार

परिणाम आश्चर्यजनक थे:

CO₂ के लिए: उन्होंने दुर्लभ अणुओं के लिए 91% सटीकता में सुधार किया।
CO के लिए: उन्होंने दुर्लभ अणुओं के लिए 93% सटीकता में सुधार किया।

खगोल विज्ञान की दुनिया में, जहाँ एक छोटी सी त्रुटि आपको किसी ग्रह के वायुमंडल को पूरी तरह से पहचानने से रोक सकती है, यह एक गेम-चेंजर है। यह एक धुंधली, दानेदार फोटो से अपग्रेड होकर क्रिस्टल-क्लियर 4K इमेज प्राप्त करने जैसा है।

आपको इसकी परवाह क्यों करनी चाहिए?

यह केवल गणित के बारे में नहीं है; यह जीवन खोजने के बारे में है।
जब हम एक्सोप्लैनेट्स (सौर मंडल के बाहर के ग्रहों) को देखते हैं, तो हम जानना चाहते हैं:

क्या यह ग्रह अपने तारे के पास बना था या दूर?
क्या इसमें पानी है?
क्या यह एक गैस दानव है या एक चट्टानी दुनिया?

"कजिन" अणु (आइसोटोपोलॉग्स) वह फोरेंसिक साक्ष्य हैं जो हमें ये कहानियाँ बताते हैं। इस नए मशीन लर्निंग तरीके का उपयोग करके, खगोलशास्त्री अब इन दुर्लभ अणुओं की फुसफुसाहट को स्पष्ट रूप से सुन सकते हैं। अब हम केवल अनुमान नहीं लगा रहे हैं; हम अंततः ब्रह्मांड की पूरी बातचीत को सुन पा रहे हैं।

संक्षेप में: वैज्ञानिकों ने एक कंप्यूटर को "मानक" अणुओं और उनके "दुर्लभ" कजिन्स के बीच सूक्ष्म अंतर पहचानने के लिए प्रशिक्षित किया। अच्छी तरह से अध्ययन किए गए अणुओं से सीखकर, कंप्यूटर अब दुर्लभ अणुओं के व्यवहार की अविश्वसनीय सटीकता के साथ भविष्यवाणी कर सकता है, जिससे ग्रहों के निर्माण के रहस्यों को खोलने में मदद मिलती है।

यहाँ बार्नफील्ड और अन्य द्वारा लिखित शोध पत्र "Machine learning isotope shifts in molecular energy levels" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

उच्च-रिज़ॉल्यूशन क्रॉस-कोरिलेशन स्पेक्ट्रोस्कोपी (HRCCS) के माध्यम से एक्सोप्लैनेट (exoplanet) वायुमंडलों में आणविक प्रजातियों का पता लगाने के लिए अत्यंत सटीक संदर्भ स्पेक्ट्रोस्कोपिक लाइन सूचियों (line lists) की आवश्यकता होती है। जबकि "पैरेंट" आइसोटोपोलॉग्स (अणुओं के सबसे प्रचुर रूप) प्रायोगिक डेटा द्वारा अच्छी तरह से चरित्रित होते हैं, माइनर आइसोटोपोलॉग्स (जैसे कि $^{13}$ C $^{16}$ O बनाम $^{12}$ C $^{16}$ O) प्रायोगिक डेटा की कमी से जूझते हैं।

वर्तमान में, ExoMel परियोजना माइनर आइसोटोपोलॉग्स के लिए ऊर्जा स्तरों की भविष्यवाणी करने के लिए आइसोटोपोलॉग एक्सट्रपोलेशन (IE) विधि पर निर्भर करती है। यह विधि मानती है कि सैद्धांतिक गणनाओं और प्रायोगिक डेटा के बीच अवशिष्ट त्रुटि (residual error) सभी आइसोटोपोलॉग्स में स्थिर रहती है:
$E_{IE}^{iso} = E_{Ca}^{iso} + (E_{Ma}^{parent} - E_{Ca}^{parent})$
हालाँकि, यह "स्थिर-शिफ्ट" (constant-shift) धारणा बोर्न-ओपेनहाइमर (BO) सन्निकटन के टूटने (adiabatic और non-adiabatic सुधारों) से उत्पन्न सूक्ष्म, द्रव्य-निर्भर भौतिक प्रभावों को समझने में विफल रहती है। ये अवशिष्ट (residuals) संरचित और नियत (deterministic) होते हैं, लेकिन सरल रैखिक एक्सट्रपोलेशन द्वारा पकड़े नहीं जा सकते, जिससे होने वाली अशुद्धियाँ HRCCS डिटेक्शन क्षमताओं को कम कर देती हैं।

2. कार्यप्रणाली (Methodology)

लेखक एक डेटा-संचालित मशीन लर्निंग (ML) फ्रेमवर्क का प्रस्ताव करते हैं जो ऊर्जा स्तरों की सीधे भविष्यवाणी करने के बजाय IE विधि के अवशिष्ट त्रुटियों (residual errors) को मॉडल करता है। मुख्य परिकल्पना यह है कि अवशिष्ट ( $\Delta E$ ) में क्वांटम संख्याओं और आइसोटोपिक द्रव्य से संबंधित सीखने योग्य भौतिक पैटर्न होते हैं।

डेटा क्यूरेशन (Data Curation)

स्रोत: अनुभवजन्य ऊर्जा स्तरों को Marvel (Measured Active Rotational-Vibrational Energy Levels) एल्गोरिदम से प्राप्त किया गया था, जो प्रायोगिक ट्रांज़िशन को स्व-सुसंगत ऊर्जा सेट बनाने के लिए प्रोसेस करता है।
डेटासेट्स:
- CO $_2$ : 11 माइनर आइसोटोपोलॉग्स (जैसे $^{13}$ C $^{16}$ O $_2$ , $^{16}$ O $^{12}$ C $^{18}$ O) के साथ ~8,268 पैरेंट स्तर और हजारों माइनर स्तर।
- CO: 5 माइनर आइसोटोपोलॉग्स, जिनमें प्रायोगिक स्तर काफी कम हैं (~2,293 पैरेंट स्तर, लेकिन $^{13}$ C $^{17}$ O जैसे मिनर्स के लिए डेटा बहुत विरल है)।
लक्ष्य (Target): मॉडल सुधार पद $\Delta E$ की भविष्यवाणी करता है ताकि $E_{ML} = E_{IE} + \Delta E$ हो सके।

फीचर इंजीनियरिंग (Feature Engineering)

न्यूरल नेटवर्क के इनपुट फीचर्स में शामिल हैं:

क्वांटम संख्याएँ: रोटेशनल ( $J$ ), वाइब्रेशनल ( $v_1, v_2, v_3$ ), और सिमेट्री लेबल (Herzberg, AFGL, TROVE नोटेशन)।
एनर्जी टर्म्स: दोनों पैरेंट और माइनर आइसोटोपोलॉग्स के लिए गणना की गई ऊर्जाएँ ( $E_{Ca}$ ), और मूल IE भविष्यवाणी ( $E_{IE}$ )।
आइसोटोपिक गुण: परमाणु द्रव्यमान, रिड्यूस्ड मास ( $\mu$ ), और पैरेंट के सापेक्ष रिड्यूस्ड मास का अनुपात।
फ्लैग्स (Flags): विशिष्ट आइसोटोप के लिए बूलियन इंडिकेटर (जैसे $^{13}$ C की उपस्थिति) और पैरिटी/सिमेट्री।

नेटवर्क आर्किटेक्चर (Network Architectures)

CO $_2$ (डेटा-समृद्ध): 6 हिडन लेयर्स (1024 से 32 यूनिट्स) वाला एक मानक फीड-फॉरवर्ड न्यूरल नेटवर्क, जिसमें GELU एक्टिवेशन फंक्शन, रेगुलराइजेशन के लिए Dropout, और Huber Loss (आउटलेर्स के प्रति सुदृढ़) का उपयोग किया गया है।
CO (डेटा-दुर्लभ): एक हाइब्रिड ट्रांसफर लर्निंग आर्किटेक्चर।
- शेयर्ड ट्रंक (Shared Trunk): बड़े CO $_2$ डेटासेट से सामान्य सुधार पैटर्न सीखता है।
- अडेप्टर हेड्स (Adapter Heads): CO के अद्वितीय स्पेक्ट्रोस्कोपिक बारीकियों को पकड़ने के लिए आइसोटोप-विशिष्ट आउटपुट लेयर्स।
- ट्रेनिंग रणनीति: मॉडल को CO $_2$ डेटा द्वारा हावी होने से रोकने के लिए एडेप्टिव वेटिंग और स्ट्रैटिफाइड 5-फोल्ड क्रॉस-वैलिडेशन का उपयोग किया गया, जिससे यह सुनिश्चित हुआ कि अल्पसंख्यक CO क्लास प्रभावी ढंग से सीखी जा सके।

3. प्रमुख योगदान (Key Contributions)

रेसिड्यूअल लर्निंग पैराडाइम: भौतिक एक्सट्रपोलेशन से ML-आधारित रेसिड्यूअल करेक्शन की ओर बदलाव, जिसने सफलतापूर्वक गैर-रेखीय, द्रव्य-निर्भर BO ब्रेकडाउन प्रभावों को कैप्चर किया।
ट्रांसफर लर्निंग का अनुप्रयोग: प्रदर्शित किया कि एक डेटा-समृद्ध सिस्टम (CO $_2$ ) से सीखे गए सुधार पैटर्न को एक मॉलिक्यूल-अवेयर हाइब्रिड आर्किटेक्चर का उपयोग करके डेटा-दुर्लभ सिस्टम (CO) में सफलतापूर्वक स्थानांतरित किया जा सकता है।
स्केलेबल पाइपलाइन: उन माइनर आइसोटोपोलॉग्स के लिए लाइन लिस्ट को रिफाइन करने के लिए एक मजबूत वर्कफ़्लो स्थापित किया जहाँ प्रायोगिक डेटा कम है।
अपडेटेड लाइन लिस्ट: 36,795 CO $_2$ स्तरों (Dozen लाइन लिस्ट को अपडेट करना) और 3,348 CO स्तरों के लिए सुधारा गया ऊर्जा स्तर तैयार किए।

4. परिणाम (Results)

प्रदर्शन का मूल्यांकन एमपिरिकल Marvel ऊर्जाओं के विरुद्ध मीन एब्सोल्यूट एरर (MAE) का उपयोग करके किया गया।

अणु (Molecule)	विधि (Method)	MAE (cm $^{-1}$ )	सुधार (Improvement)	सुधरे हुए स्तरों का %
CO $_2$	Variational (Ca)	0.01395	-	-
	Original IE	0.01394	नगण्य	-
	ML-Corrected	0.00232	~83% कमी	>91%
CO	Variational (Ca)	0.03007	-	-
	Original IE	0.02896	नगण्य	-
	ML-Corrected	0.00524	~82% कमी	>93%

CO $_2$ प्रदर्शन: ML मॉडल ने मूल IE विधि की तुलना में MAE को एक क्रम (order of magnitude) तक कम कर दिया। विशेष रूप से, $^{13}$ C $^{16}$ O $_2$ (636) आइसोटोपोलॉग को प्रशिक्षण से बाहर रखा गया क्योंकि इसका IE एरर पहले से ही नगण्य था; इसे शामिल करने से लॉस फंक्शन बायस्ड हो सकता था, जिससे वैश्विक सटीकता कम हो जाती।
CO प्रदर्शन: ट्रांसफर लर्निंग दृष्टिकोण ने शानदार सुधार किया, CO के MAE को ~0.029 से घटाकर ~0.005 cm $^{-1}$ कर दिया। मॉडल मूल IE भविष्यवाणियों में मौजूद व्यवस्थित नकारात्मक पूर्वास (systematic negative bias) को सफलतापूर्वक हटा दिया।
फीचर इम्पोर्टेंस (Feature Importance): विश्लेषण से पता चला कि आइसोटोपिक द्रव्यमान और रोवोब्रेशनल क्वांटम संख्याएँ ( $J, v$ ) सबसे महत्वपूर्ण फीचर्स थे, जिससे पुष्टि हुई कि मॉडल ने सांख्यिकीय शोर के बजाय वास्तविक भौतिक निर्भरताओं को सीखा है।

5. महत्व (Significance)

यह कार्य माइनर आइसोटोपोलॉग्स के लिए सैद्धांतिक क्वांटम मैकेनिकल गणनाओं और प्रायोगिक सटीकता के बीच के अंतर को पाटता है।

एक्सोप्लैनेट विज्ञान: उच्च-विश्वसनीयता वाली लाइन सूचियों को प्रदान करके, यह विधि एक्सोप्लैनेट वायुमंडलों में आइसोटोपिक अनुपातों (जैसे $^{12}$ C/ $^{13}$ C) के सटीक पता लगाने को सक्षम बनाती है। ये अनुपात ग्रहों के निर्माण के स्थान और प्रवास के इतिहास को समझने के लिए महत्वपूर्ण "फॉसिल रिकॉर्ड" हैं।
HRCCS तत्परता: बेहतर सटीकता यह सुनिश्चित करती है कि टेम्पलेट मिसमैच के कारण क्रॉस-कोरिलेशन सिग्नल खराब न हों, जिससे अगली पीढ़ी के टेलीस्कोप (जैसे ELT) उच्च-रिज़ॉल्यूशन स्पेक्ट्रोस्कोपी का पूरा लाभ उठा सकें।
सामान्यीकरण (Generalizability): ट्रांसफर लर्निंग की सफलता यह सुझाव देती है कि इस दृष्टिकोण को अन्य आणविक परिवारों तक बढ़ाया जा सकता है, विशेष रूप से हाइड्रोजन वाले अणुओं के लिए (जहाँ non-BO प्रभाव और भी बड़े होते हैं), जो ExoMol परियोजना के व्यापक लक्ष्यों का समर्थन करता है।