Mujic{\Lambda}: Reconstructing Initial Conditions from Incomplete Redshift Surveys with Projected Optimization

यहाँ शोध पत्र "MujicΛ: Augmented Optimization के साथ Realistic Redshift Surveys पर Initial Condition Reconstruction" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यथार्थवादी गैलेक्सी रेडशिफ्ट सर्वेक्षणों (galaxy redshift surveys) से प्रारंभिक स्थितियों (initial conditions - ICs) और अंतर्निहित घनत्व क्षेत्र (density field) का पुनर्निर्माण करना ब्रह्मांड विज्ञान (cosmology) में एक महत्वपूर्ण चुनौती है। जबकि बेयसियन सैंपलिंग विधियाँ (जैसे BORG, ELUCID) मजबूत अनिश्चितता मात्रा निर्धारण (uncertainty quantification) प्रदान करती हैं, वे गणनात्मक रूप से अत्यधिक महंगी हैं। इसके विपरीत, अनुकूलन-आधारित विधियाँ (जैसे MAP estimation) तेज़ तो हैं, लेकिन वास्तविक डेटा पर लागू होने पर निम्नलिखित कारणों से महत्वपूर्ण अस्थिरता का सामना करती हैं:

• सर्वेक्षण अपूर्णता (Survey Incompleteness): वास्तविक सर्वेक्षणों में जटिल चयन कार्य (selection functions) और अपूर्ण आकाश कवरेज होता है, जो व्युत्क्रम समस्या (inverse problem) को अत्यधिक अल्प-निर्धारित (under-constrained) बना देता है।
• मॉडल मिसस्पेसिफिकेशन (Model Misspecification): फॉरवर्ड मॉडल में सरलीकृत धारणाएँ (जैसे गैलेक्सी बायस) ऑप्टिमाइज़र को "रिवॉर्ड हैकिंग" (reward hacking) की ओर ले जा सकती हैं, जहाँ समाधान वास्तविक भौतिकी से विचलित होकर (जैसे गैर-गॉसियन क्षेत्र बनाना) केवल लॉस फंक्शन को कम करने का प्रयास करता है, बजाय इसके कि वह वास्तविक रैखिक क्षेत्र (linear field) को पुनः प्राप्त करे।
• गॉसियनता उल्लंघन (Gaussianity Violation): मानक ऑप्टिमाइज़र अक्सर प्रारंभिक स्थितियों के गॉसियन प्रायर (Gaussian prior) को बनाए रखने में विफल रहते हैं, जिससे अनभौतिक पुनर्निर्माण होते हैं जो $\Lambda$CDM ब्रह्मांड विज्ञान से विचलित हो जाते हैं।

2. कार्यप्रणाली: MujicΛ ढांचा (Methodology: MujicΛ Framework)

लेखक MujicΛ (Jax-आधारित Initial Condition Reconstruction के साथ ब्रह्मांड का मानचित्रण) का परिचय देते हैं, जो एक अनुकूलन-आधारित ढांचा है जिसे गॉसियनता को सख्ती से लागू करते हुए और सर्वेक्षण ज्यामिति के प्रति सुदृढ़ रहते हुए ICs को पुनर्गठित करने के लिए डिज़ाइन किया गया है।

A. फॉरवर्ड मॉडल (Forward Model)

MujicΛ एक विभेदन योग्य (differentiable) फॉरवर्ड मॉडल ($M_\theta$) का उपयोग करता है जो प्रारंभिक स्थितियों को प्रेक्षित गैलेक्सी गणनाओं (galaxy counts) में मैप करता है:

1. प्रारंभिक स्थितियाँ (Initial Conditions): इन्हें कॉम्प्लेक्स गॉसियन वेरिएबल्स $\tilde{\delta}_{ic} \sim \mathcal{CN}(0, 1)$ के रूप में पुन: पैरामीटराइज़ किया गया है।
2. संरचना निर्माण (Structure Formation): यह $z=9$ से वर्तमान समय ($z=0$) तक क्षेत्र को विकसित करने के लिए 2LPT और FastPM चरणों का उपयोग करके एक विभेदन योग्य पार्टिकल-मेश N-बॉडी सॉल्वर, JaxPM का उपयोग करता है।
3. अवलोकन संबंधी प्रभाव (Observational Effects): यह लाइटकोन प्रभाव, रेडशिफ्ट-स्पेस डिस्टॉर्शन (RSD), और एक गैलेक्सी बायस मॉडल (सॉफ्ट कटऑफ के साथ पावर-लॉ बायस) को शामिल करता है।
4. सर्वेक्षण प्रतिक्रिया (Survey Response): यह एक रिस्पॉन्स फंक्शन $R$ के माध्यम से सर्वेक्षण अपूर्णता को स्पष्ट रूप से मॉडल करता है, जो अनुमानित गैलेक्सी घनत्व पर एक मास्क के रूप में कार्य करता है।
5. लाइकलीहुड (Likelihood): यह मेश सेल्स में गैलेक्सी गणनाओं के लिए पॉइसन वितरण (Poisson distribution) मानता है और लॉग-लाइकलीहुड $\mathcal{L}$ को अनुकूलित करता है।

B. संवर्धित अनुकूलन रणनीति (Augmented Optimization Strategy)

मानक मैक्सिमम ए पोस्टेरिओरी (MAP) दृष्टिकोणों के विपरीत, MujicΛ गॉसियन प्रायर को लागू करने वाले बाधाओं के अधीन लाइकलीहुड को अनुकूलित करता है। यह दो प्रमुख तंत्रों का उपयोग करता है:

1. प्रोजेक्टेड L-BFGS (PGD):

   • यह बड़े पैमाने के अनुकूलन के लिए कुशल L-BFGS एल्गोरिदम का उपयोग करता है।
   • प्रोजेक्शन ऑपरेटर (Projection Operator): प्रत्येक ग्रेडिएंट स्टेप के बाद, समाधान को गॉसियन प्रारंभिक स्थितियों के व्यवहार्य सेट पर वापस प्रोजेक्ट किया जाता है। इसमें शामिल है:
     • Z-score नॉर्मलाइजेशन: शून्य माध्य (zero mean) और इकाई मानक विचलन (unit standard deviation) को लागू करना।
     • क्लिपिंग/रीसेटिंग (Clipping/Resetting): $s_{th}=10$ की दहलीज से अधिक होने वाले चरम मानों (outliers) को रैंडम गॉसियन ड्रॉ के रूप में रीसेट करना, ताकि अनभौतिक विचलन को रोका जा सके।

2. रैंक-ऑर्डर मैचिंग (Rank-Order Matching):

   • इसे वास्तविक स्थान (real space) और फूरियर स्पेस (विशिष्ट $k$-bins के भीतर) दोनों में अनुकूलन के दौरान आवधिक रूप से लागू किया जाता है।
   • तंत्र: एल्गोरिदम वर्तमान क्षेत्र के मानों को सॉर्ट करता है और उन्हें लक्षित गॉसियन वितरण से प्राप्त मानों से बदल देता है, जिससे मूल रैंक क्रम सुरक्षित रहता है।
   • उद्देश्य: यह एक "सामान्यीकृत प्रोजेक्शन" के रूप में कार्य करता है जो प्रायर के पूर्ण संभाव्यता घनत्व फलन (PDF) को सख्ती से लागू करता है, जिससे उन विचलन को सुधारा जा सके जिन्हें प्रोजेक्शन ऑपरेटर छोड़ सकता है। यह ऑप्टिमाइज़र को लोकल मिनिमा से निकलने में भी मदद करता है।

C. प्रशिक्षण रणनीति (Training Strategy)

अभिसरण (convergence) को तेज करने के लिए, लेखक एक एनीलिंग रणनीति (annealing strategy) का उपयोग करते हैं:

• पहले, एक निम्न-रिज़ॉल्यूशन पुनर्निर्माण ($4 \text{ cMpc}/h$) किया जाता है।
• परिणामी क्षेत्र का उपयोग पूर्ण-रिज़ॉल्यूशन रन ($1.95 \text{ cMpc}/h$) के लिए प्रारंभिक अनुमान के रूप में किया जाता है।
• रैंक-ऑर्डर मैचिंग को हर 5 इटरेशन (लो-रेज़) और हर 20 इटरेशन (हाई-रेज़) में लागू किया जाता है।

3. मुख्य योगदान (Key Contributions)

• नवीन अनुकूलन ढांचा: MujicΛ उन कुछ अनुकूलन-आधारित कोडों में से एक है जो मेगापारसेक स्केल तक सर्वेक्षण प्रभावों (अपूर्णता, चयन कार्यों) को मॉडल करते हुए प्रारंभिक स्थितियों की गॉसियनता को स्पष्ट रूप से बनाए रखता है।
• अपूर्णता के प्रति सुदृढ़ता: प्रोजेक्शन ऑपरेटरों को रैंक-ऑर्डर मैचिंग के साथ जोड़कर, यह विधि सर्वेक्षण मास्क के बाहर के क्षेत्रों में डेटा कवरेज की कमी के कारण होने वाले विचलन को रोकती है।
• डिफरेंशिएबल पाइपलाइन: JaxPM का एकीकरण एंड-टू-एंड डिफरेंशिएबिलिटी की अनुमति देता है, जिससे जटिल फॉरवर्ड मॉडल के साथ कुशल ग्रेडिएंट-आधारित अनुकूलन संभव होता है।
• कॉस्मिक वेब रिकवरी: यह ढांचा ब्रह्मांडीय संरचना (रिक्त स्थान, शीट, फिलामेंट, नॉट) के टोपोलॉजी को सफलतापूर्वक पुनर्निर्मित करता है।

4. परिणाम (Results)

विधि को मिलेनियम सिमुलेशन (H15 सेमी-एनालिटिक मॉडल) से प्राप्त एक मॉक लाइटकोन कैटलॉग का उपयोग करके मान्य किया गया था, जिसकी ज्यामिति एक वाइड-फील्ड स्पेक्ट्रोस्कोपिक सर्वेक्षण ($0.07 < z < 0.22$, $20^\circ$ कोणीय कट) की नकल करती है।

• गॉसियनता संरक्षण: वास्तविक और फूरियर स्पेस दोनों में पुनर्निर्मित प्रारंभिक स्थितियों के हिस्टोग्राम गॉसियन वितरण के साथ पूरी तरह से मेल खाते हैं, जबकि साधारण L-BFGS गैर-गॉसियन आउटलेर्स उत्पन्न करता है।
• घनत्व क्षेत्र पुनर्निर्माण (Density Field Reconstruction):
  • दृश्य (Visual): पुनर्निर्मित घनत्व क्षेत्र सर्वेक्षण विंडो के भीतर विशाल प्रोटोक्लस्टर और फिलामेंटरी संरचनाओं को सटीक रूप से पुनर्प्राप्त करता है।
  • मात्रात्मक (Quantitative):
    • सत्य और पुनर्निर्माण के बीच सहसंबंध गुणांक ($r_c$) $2 \text{ cMpc}/h$ स्मूथिंग पर 0.54 और $8 \text{ cMpc}/h$ पर 0.78 है।
    • सर्वेक्षण विंडो के भीतर, $r_c$ $k \approx 0.1 \text{ h/cMpc}$ तक उच्च ($>0.8$) रहता है।
    • सर्वेक्षण विंडो के बाहर, क्षेत्र सत्य के साथ असंबद्ध रहता है (जैसा कि अपेक्षित है), जो दर्शाता है कि विधि अनदेखे क्षेत्रों में संरचनाओं की कल्पना (hallucinate) नहीं करती है।
• पावर स्पेक्ट्रा (Power Spectra): पुनर्निर्मित मैटर पावर स्पेक्ट्रम ($P_{mm}$) $k = 1 \text{ h/cMpc}$ तक 0.3 dex के भीतर सत्य से मेल खाता है।
• कॉस्मिक वेब वर्गीकरण (Cosmic Web Classification):
  • वॉयड/शीट रिकवरी: $\sim60\%$ वॉयड और शीट को सही ढंग से वर्गीकृत किया गया है।
  • फिलामेंट/नॉट रिकवरी: कम सटीकता; फिलामेंट्स को अक्सर उच्च-घनत्व शिखर की अपूर्ण रिकवरी के कारण शीट के रूप में गलत वर्गीकृत किया जाता है।
  • आइजनवेक्टर रिकवरी: विरूपण टेंसर (deformation tensor) के आइजनवेक्टर, जो आंतरिक संरेखण अध्ययनों के लिए महत्वपूर्ण हैं, उच्च रिकवरी दर दिखाते हैं, जहाँ $>70\%$ वॉक्सेल में सबसे बड़े आइजनवेक्टर के लिए $|\cos \theta| > 0.6$ है।

5. महत्व और भविष्य के अनुप्रयोग (Significance and Future Applications)

• अगली पीढ़ी के सर्वेक्षण: MujicΛ को विशेष रूप से Subaru PFS, DESI, Euclid, और Roman जैसे आगामी बड़े पैमाने के सर्वेक्षणों के लिए तैयार किया गया है, जिनमें जटिल ज्यामिति और अधूरा आकाश कवरेज होता है।
• प्रतिबंधित सिमुलेशन (Constrained Simulations): पुनर्निर्मित ICs बेयसियन सैंपलर (जैसे MaiGO) के लिए उच्च-गुणवत्ता वाले प्रारंभिक अनुमान के रूप में कार्य कर सकते हैं, जो फील्ड-लेवल इन्फरेंस के लिए अभिसरण को काफी तेज कर देते हैं।
• गैलेक्सी विकास अध्ययन: एक 3D घनत्व क्षेत्र और कॉस्मिक वेब वर्गीकरण प्रदान करके, MujicΛ गैलेक्सी विकास और अंतर-गैलेक्टिक माध्यम (IGM) के पर्यावरणीय अध्ययन को सक्षम बनाता है।
• स्केलेबिलिटी: यह ढांचा मॉड्यूलर है और भविष्य के संस्करणों में अधिक परिष्कृत फॉरवर्ड मॉडल (जैसे लैग्रेंजियन बायस, न्यूरल नेटवर्क ग्रेडिएंट्स) और मल्टी-ट्रेसर डेटा (जैसे लाइमन-$\alpha$ फॉरेस्ट, FRBs) को शामिल कर सकता है।

संक्षेप में, MujicΛ अनुकूलन-आधारित विधियों की गति और यथार्थवादी ब्रह्मांडीय विश्लेषण के लिए आवश्यक भौतिक निष्ठा के बीच के अंतर को पाटता है, जो अपूर्ण अवलोकन संबंधी डेटा से कॉस्मिक वेब को डिकोड करने के लिए एक सुदृढ़ उपकरण प्रदान करता है।