⚛️ general relativity

Testing General Relativity Through Gravitational Wave Classification: A Convolutional Neural Network Framework

यह शोध पत्र एक मशीन लर्निंग फ्रेमवर्क प्रस्तुत करता है जो सामान्य सापेक्षता के परीक्षण के लिए गुरुत्वाकर्षण तरंग संकेतों के वर्गीकरण को महत्वपूर्ण रूप से बढ़ाने के लिए रिस्पॉन्स फंक्शन ऑब्जर्वेबल्स पर प्रशिक्षित कनवल्शनल न्यूरल नेटवर्क का उपयोग करता है, जिससे मानक वेवफॉर्म इनपुट की तुलना में संवेदनशीलता में 33 गुना सुधार प्राप्त होता है और मैसिव ग्रेविटी सिद्धांतों में विचलन का सफलतापूर्वक पता लगाया जाता है।

मूल लेखक: Lavinia Heisenberg, Shayan Hemmatyar, Hector Villarrubia-Rojo

प्रकाशित 2026-05-05

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Lavinia Heisenberg, Shayan Hemmatyar, Hector Villarrubia-Rojo

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

यहाँ सरल भाषा और रोज़मर्रा के उदाहरणों का उपयोग करके शोध पत्र (paper) की व्याख्या दी गई है।

बड़ी तस्वीर: ब्रह्मांड में एक "गलत सुर" (Wrong Note) को सुनना

कल्पना कीजिए कि ब्रह्मांड एक विशाल ऑर्केस्ट्रा है। जब दो ब्लैक होल आपस में टकराते हैं, तो वे एक ध्वनि उत्पन्न करते हैं जिसे गुरुत्वाकर्षण तरंग (gravitational wave) कहा जाता है। आइंस्टीन के सामान्य सापेक्षता (General Relativity - GR) के सिद्धांत के अनुसार, यह ध्वनि एक बहुत ही विशिष्ट और सटीक धुन का पालन करनी चाहिए।

वैज्ञानिक LIGO जैसे डिटेक्टरों के साथ इन ध्वनियों को सुन रहे हैं। अब तक, संगीत बिल्कुल वैसा ही रहा है जैसा आइंस्टीन ने भविष्यवाणी की थी। लेकिन क्या होगा अगर आइंस्टीन थोड़ा गलत थे? क्या होगा अगर संगीत में कोई बहुत सूक्ष्म "गलत सुर" छिपा हो जो एक नए, अज्ञात भौतिक नियम की ओर संकेत करता हो?

यह शोध पत्र एक सुपर-स्मार्ट डिजिटल कान (एक मशीन लर्निंग सिस्टम) बनाने के बारे में है जो इन ब्रह्मांडीय ध्वनियों को सुन सके और तुरंत हमें बता सके: "क्या यह आइंस्टीन की सटीक धुन है, या इसमें कोई छिपा हुआ गलत सुर है?"

समस्या: गलत सुर बहुत धीमा है

शोधकर्ताओं ने पाया कि यदि वे केवल कच्चे साउंड वेव्स (raw sound waves) को एक मानक कंप्यूटर प्रोग्राम में डाल देते, तो उस प्रोग्राम को "गलत सुर" को पहचानने के लिए उसे बहुत तेज़ (एक बहुत बड़ा विरूपण/distortion) होना पड़ता, तभी वह कह पाता, "हाँ, यह अलग है!"

इसे एक तूफान में फुसफुसाहट सुनने की कोशिश करने जैसा समझें। यदि आप केवल हवा में चिल्लाकर पूछें "क्या वहाँ कोई फुसफुसाहट है?", तो आप उसे तब तक नहीं सुन पाएंगे जब तक कि वह फुसफुसाहट वास्तव में एक चीख न बन जाए। डेटा का विश्लेषण करने का मानक तरीका हवा में चिल्लाने जैसा था; इसने सूक्ष्म संकेतों को मिस कर दिया।

समाधान: "रिस्पॉन्स फंक्शन" (शोर कम करने वाले हेडफ़ोन)

लेखकों ने एक चतुर तकनीक का आविष्कार किया जिसे रिस्पॉन्स फंक्शन (Response Function) कहा जाता है।

कल्पना कीजिए कि आप रेडियो पर एक हल्की धुन सुनने की कोशिश कर रहे हैं, लेकिन वहां बहुत अधिक स्टैटिक (शोर/noise) है।

पुराना तरीका (Whitened Waveforms): आप पूरे रेडियो की आवाज़ बढ़ा देते हैं। आप संगीत और शोर दोनों को सुनते हैं। यह बताना कठिन हो जाता है कि कोई अजीब ध्वनि संगीत का हिस्सा है या केवल शोर है।
नया तरीका (Response Functions): आप उस संगीत की एक "परफेक्ट कॉपी" बनाते जो संगीत को कैसा सुनाई देना चाहिए (आइंस्टीन की धुन)। फिर, आप वास्तविक रेडियो सिग्नल से उस परफेक्ट कॉपी को घटा (subtract) देते हैं।
- यदि रेडियो पर एकदम सही आइंस्टीन वाला गाना बज रहा है, तो घटाने के बाद आपके पास केवल स्टैटिक (रैंडम शोर) बचेगा।
- यदि रेडियो पर एक "गलत सुर" वाला गाना बज रहा है (Beyond GR), तो घटाने के बाद आपके पास स्टैटिक PLUS उस गलत सुर का एक स्पष्ट, संरचित पैटर्न बचेगा।

इस "घटाए गए सिग्नल" (रिस्पॉन्स फंक्शन) को अपने कंप्यूटर मस्तिष्क में फीड करके, शोधकर्ताओं ने "गलत सुर" को बैकग्राउंड शोर के बीच स्पष्ट रूप से उभार दिया।

परिणाम: एक बड़ी सुधार

शोध पत्र ने दो प्रकार के "कानों" का परीक्षण किया:

कच्ची ध्वनि सुनने वाले कान: उन्हें यह सुनिश्चित करने के लिए कि उन्होंने इसे सुना है, विरूपण (distortion) को 33 गुना अधिक मजबूत होना पड़ा।
रिस्पॉन्स फंक्शन सुनने वाले कान: वे विरूपण को तब भी सुन सके जब वह 33 गुना अधिक शांत था।

यह तूफान में फुसफुसाहट सुनने से लेकर एक शांत पुस्तकालय में फुसफुसाहट सुनने के बीच अपग्रेड करने जैसा है। नया तरीका केवल थोड़ा बेहतर नहीं था; इसने कंप्यूटर को 33 गुना अधिक संवेदनशील बना दिया।

कंप्यूटर ने कैसे सीखा

शोधकर्ताओं ने केवल अनुमान नहीं लगाया; उन्होंने एक कन्वोल्यूशनल न्यूरल नेटवर्क (CNN) को प्रशिक्षित किया। इसे एक डिजिटल छात्र के रूप में सोचें।

उन्होंने छात्र को "परफेक्ट आइंस्टीन गानों" और "नकली गलत सुरों वाले गानों" के हजारों उदाहरण दिखाए।
छात्र ने उन सूक्ष्म पैटर्न को पहचानना सीखा जिन्हें इंसान (या सरल गणित) मिस कर सकते हैं।
शोधकर्ताओं ने साबित किया कि छात्र केवल गानों को रट नहीं रहा था। यहाँ तक कि जब उन्होंने "गलत सुर" को अविश्वसनीय रूप से छोटा कर दिया, तब भी छात्र उसे ढूंढ सका, जबकि एक इंसान जो केवल एक ग्राफ देख रहा हो, उसे केवल रैंडम शोर ही दिखाई देता।

वास्तविक भौतिकी का परीक्षण: "भारी" ग्रेविटॉन (Heavy Graviton)

अंत में, शोधकर्ताओं ने केवल नकली "गलत सुरों" का उपयोग नहीं किया। उन्होंने मैसिव ग्रेविटी (Massive Gravity) नामक एक वास्तविक सिद्धांत का परीक्षण किया।

मानक भौतिकी में, गुरुत्वाकर्षण को ले जाने वाला कण (ग्रेविटॉन) भारहीन होता है।
मैसिव ग्रेविटी में, ग्रेविटॉन का थोड़ा सा वजन होता है। यह ब्लैक होल के टकराव की ध्वनि को एक विशिष्ट तरीके से बदल देगा।

अपने सुपर-सेंसिटिव "रिस्पॉन्स फंक्शन" कान का उपयोग करते हुए, उन्होंने पाया कि उनका सिस्टम इस "भारी ग्रेविटॉन" का पता लगा सकता है यदि इसका द्रव्यमान लगभग $10^{-23}$ eV हो। यह ठीक उसी रेंज में है जिसे वर्तमान वास्तविक दुनिया के डिटेक्टर खोज रहे हैं।

सारांश जो उन्होंने दावा किया

विधि: उन्होंने आइंस्टीन की ग्रेविटी और "नई" ग्रेविटी के बीच अंतर करने के लिए एक मशीन लर्निंग सिस्टम बनाया।
ब्रेकथ्रू: उन्होंने खोजा कि कच्चे साउंड के बजाय "डिफरेंस सिग्नल" (रिस्पॉन्स फंक्शन) को कंप्यूटर को खिलाने से वह सूक्ष्म बदलावों को पकड़ने में 33 गुना बेहतर हो जाता है।
सीमा: उन्होंने दिखाया कि भले ही उनके पास यह अद्भुत उपकरण हो, यदि "गलत सुर" बहुत अधिक शांत (बहुत छोटा) है, तो सबसे अच्छा कंप्यूटर भी उसे नहीं सुन सकता। एक मौलिक सीमा है कि सिग्नल कितना छोटा हो सकता है इससे पहले कि वह शोर में गायब हो जाए।
अनुप्रयोग: उन्होंने सफलतापूर्वक इसे मैसिव ग्रेविटी पर लागू किया, यह दिखाते हुए कि यह वर्तमान वैज्ञानिक अपेक्षाओं से मेल खाने वाले विचलन का पता लगा सकता है।

उन्होंने क्या दावा नहीं किया:

उन्होंने अभी तक गुरुत्वाकर्षण का कोई नया सिद्धांत नहीं खोजा है।
उन्होंने यह दावा नहीं किया कि यह सभी अन्य वैज्ञानिक तरीकों की जगह ले लेगा (वे कहते हैं कि यह उनकी पूरक है)।
उन्होंने यह दावा नहीं किया कि यह चिकित्सा उपयोगों या अन्य क्षेत्रों के लिए काम करता है; यह पूरी तरह से ब्लैक होल को सुनने के लिए है।

संक्षेप में, शोध पत्र कहता है: "हमने ब्रह्मांड के लिए बेहतर कान बनाए हैं। वे उन सूक्ष्म फुसफुसाहटों को सुन सकते हैं जिन्हें हमारे पुराने कान मिस कर रहे थे।"

तकनीकी सारांश: ग्रेविटेशनल वेव वर्गीकरण के माध्यम से जनरल रिलेटिविटी का परीक्षण

समस्या विवरण
बाइनरी ब्लैक होल (BBH) विलय से प्राप्त गुरुत्वाकर्षण तरंगों (GWs) का पता लगाना जनरल रिलेटिविटी (GR) का स्ट्रॉन्ग-फील्ड क्षेत्र में सीधा परीक्षण प्रदान करता है। GR के परीक्षण के लिए मानक विधियाँ बेयसियन पैरामीटर एस्टीमेशन (Bayesian parameter estimation) पर निर्भर करती हैं, जो देखे गए सिग्नलों की तुलना बीयॉन्ड-जीआर (BGR) मापदंडों वाले टेम्पलेट वेवफॉर्म्स से करती हैं। यह शोध पत्र मशीन लर्निंग, विशेष रूप से कन्वोल्यूशनल न्यूरल नेटवर्क (CNNs) का उपयोग करके एक पूरक दृष्टिकोण प्रस्तावित करता है, जो GW सिग्नलों को GR के अनुरूप या BGR भौतिकी के सूचक के रूप में वर्गीकृत करता है। मुख्य चुनौती वर्गीकरण की संवेदनशीलता है, विशेष रूप से सूक्ष्म विचलन के मामले में, जहाँ BGR सिग्नल डिटेक्टर शोर और प्रमुख GR वेवफॉर्म के भीतर दबा हुआ एक सूक्ष्म चरण विरूपण (phase deformation) होता है।

कार्यप्रणाली (Methodology)
लेखक GWTC-1, GWTC-2, और GWTC-3 कैटलॉग के 173 मापदंडों पर आधारित सिम्युलेटेड BBH घटनाओं का उपयोग करके एक ढांचा विकसित करते हैं। इस कार्यप्रणाली में तीन मुख्य घटक शामिल हैं:

डेटा जनरेशन और ऑग्मेंटेशन (Data Generation and Augmentation):
- वेवफॉर्म्स: GR वेवफॉर्म्स को IMRPhenomXHM एप्रोक्सिमेंट का उपयोग करके बनाया गया है। BGR वेवफॉर्म्स को प्रमुख $(\ell, m) = (2, 2)$ मोड पर एक नियंत्रित चरण विरूपण, $\beta \delta\psi_{22}(f)$ , लागू करके निर्मित किया गया है। प्रारंभ में, 50 Hz पर केंद्रित एक गौसियन विरूपण को 'टॉय मॉडल' के रूप में उपयोग किया गया। बाद में, ढांचे को पैरामीट्राइज्ड पोस्ट-आइंस्टीनियन (ppE) फॉर्मलिज्म तक विस्तारित किया गया ताकि मैसिव ग्रेविटी (Massive Gravity) जैसे विशिष्ट सिद्धांतों को मॉडल किया जा सके।
- ऑग्मेंटेशन: किसी विशिष्ट कैटलॉग इवेंट के प्रति ओवरफिटिंग को रोकने के लिए, 173 स्रोत मापदंडों को विक्षेपित (perturb) किया गया (द्रव्यमान और स्पिन में 3–5% गौसियन शिफ्ट), जिससे प्रत्येक इवेंट के 10 वेरिएंट्स तैयार हुए, जिसके परिणामस्वरूप 1,903 अद्वितीय इवेंट्स का डेटासेट प्राप्त हुआ।
- शोर (Noise): एडवांस्ड लाइगो (Advanced LIGO) डिजाइन सेंसिटिविटी कर्व पर आधारित यथार्थवादी कलर्ड गौसियन शोर इंजेक्ट किया गया है। सिग्नल-टू-नॉइज़ रेशियो (SNR) वितरण यथार्थवादी अवलोकन संबंधी स्थितियों को दर्शाता है (औसत SNR $\approx$ 19.7)।
- स्प्लिटिंग (Splitting): एक सख्त इवेंट-लेवल स्प्लिट (70% ट्रेनिंग, 15% वैलिडेशन, 15% टेस्टिंग) यह सुनिश्चित करता है कि एक ही इवेंट की ऑग्मेंटेड प्रतियां कई सेटों में न आएं, जिससे डेटा लीकेज को रोका जा सके।
इनपुट रिप्रेजेंटेशन (Input Representations):
लेखक CNN के लिए दो अलग-अलग इनपुट रिप्रेजेंटेशन की तुलना करते हैं:
- व्हाइटनड वेवफॉर्म्स (Whitened Waveforms): कच्चा स्ट्रेन डेटा, जिसे शोर के पावर स्पेक्ट्रल डेंसिटी (PSD) द्वारा सामान्यीकृत (normalize) किया गया है।
- रिस्पॉन्स फंक्शन्स (Response Functions): एक अभिनव इनपुट जो उन फॉर्मलिज्म से प्राप्त होता है जो यह मात्रा निर्धारित करता है कि अवलोकन (observables) चरण विरूपण के प्रति कैसे प्रतिक्रिया करते हैं। विशेष रूप से, लेखक "मिसमैच रिस्पॉन्स फंक्शन", $R(f)$ का उपयोग करते हैं, जो चरण विचलनों के प्रभाव को मुख्य GR सिग्नल से अलग करता है। एक GR सिग्नल के लिए, $R(f)$ शोर-समान होता है; BGR सिग्नल के लिए, यह विरूपण को दर्शाने वाली एक सुसंगत संरचना प्रदर्शित करता है।
नेटवर्क आर्किटेक्चर (Network Architecture):
एक 1D CNN का उपयोग किया गया है, जिसे स्थानीय आवृत्ति पैटर्न (ट्रांसलेशन इनवेरिएंस) का पता लगाने की क्षमता के लिए चुना गया है। आर्किटेक्चर में तीन कन्वोल्यूशनल ब्लॉक्स शामिल हैं जिनमें बढ़ते फिल्टर काउंट (32, 64, 128) और घटते कर्नेल साइज (11, 7, 5) हैं, जिसके बाद एक डेंस क्लासिफिकेशन हेड है। नेटवर्क को बाइनरी क्लासिफिकेशन (GR बनाम BGR) आउटपुट करने के लिए प्रशिक्षित किया गया है।

प्रमुख योगदान (Key Contributions)

रिस्पॉन्स फंक्शन फॉर्मलिज्म: यह शोध पत्र कॉस्मोलॉजिकल संदर्भों से अनुकूलित एक व्यवस्थित रिस्पॉन्स फंक्शन फॉर्मलिज्म पेश करता है। वेवफॉर्म मिसमैच पर इसे लागू करके, लेखक एक ऐसा ऑब्जर्वेबल बनाते हैं जो प्रभावी रूप से मुख्य GR सिग्नल को "डिवाइड आउट" कर देता है, जिससे विचलन स्पष्ट हो जाते हैं।
इनपुट रिप्रेजेंटेशन की श्रेष्ठता: अध्ययन यह प्रदर्शित करता है कि इनपुट रिप्रेजेंटेशन का चुनाव क्लासिफायर आर्किटेक्चर जितना ही महत्वपूर्ण है। व्हाइटनड वेवफॉर्म्स के बजाय रिस्पॉन्स फंक्शन्स का उपयोग करना वर्गीकरण संवेदनशीलता में काफी बेहतर प्रदर्शन करता है।
मौलिक सीमा विश्लेषण (Fundamental Limits Analysis): लेखक वर्गीकरण की सीमाओं का विश्लेषण निम्नलिखित के माध्यम से करते हैं:
- बेयस ऑप्टिमल एरर (Bayes Optimal Error): वितरण ओवरलैप के कारण त्रुटि के सैद्धांतिक निचले स्तर को स्थापित करना।
- विजुअल डायग्नोस्टिक्स: यह दिखाना कि जबकि छोटे विरूपण पैमाने पर व्यक्तिगत BGR सिग्नल मानवीय आंखों के लिए अदृश्य हैं, कई इवेंट्स को औसत करने पर सुसंगत पैटर्न उभरते हैं।
- फीचर तुलना: CNN की तुलना एक इष्टतम सिंगल-फीचर क्लासिफायर (केवल विरूपण आवृत्ति के पास औसत आयाम का उपयोग करके) से करना, जो सिद्ध करता है कि CNN मल्टी-फ्रीक्वेंसी कोरिलेशन का उपयोग करता है।

परिणाम (Results)

संवेदनशीलता में सुधार: रिस्पॉन्स फंक्शन दृष्टिकोण व्हाइटनड वेवफॉर्म्स की तुलना में वर्गीकरण संवेदनशीलता में लगभग 33 गुना सुधार करता है।
- व्हाइटनड वेवफॉर्म्स: 95% सटीकता प्राप्त करने के लिए $\beta \approx 20$ के विरूपण सामर्थ्य की आवश्यकता होती है।
- रिस्पॉन्स फंक्शन्स: $\beta \approx 0.6$ पर 95% सटीकता प्राप्त करते हैं।
छोटे पैमानों पर प्रदर्शन: $\beta = 0.3$ पर, वेवफॉर्म क्लासिफायर विफल हो जाता है (50.1% सटीकता, जो रैंडम चांस के समान है), जबकि रिस्पॉन्स फंक्शन क्लासिफायर 85.6% सटीकता बनाए रखता है।
मैसिव ग्रेविटी एप्लीकेशन: जब ppE फ्रेमवर्क का उपयोग करके मैसिव ग्रेविटी पर लागू किया जाता है, तो क्लासिफायर $m_g \sim 10^{-23}$ eV/c $^2$ के क्रम के ग्रेविटॉन द्रव्यमान के लिए 95% सटीकता के साथ विचलन का पता लगाता है। यह थ्रेशोल्ड वर्तमान अवलोकनात्मक सीमाओं के तुलनीय है।
सिंगल फीचर बनाम CNN: CNN सभी विरूपण पैमानों पर सर्वश्रेष्ठ संभव सिंगल-फीडर क्लासिफायर से लगातार बेहतर प्रदर्शन करता है, जो पुष्टि करता है कि यह केवल एक स्थानीय स्पेक्ट्रल बम्प के बजाय पूर्ण फ्रीक्वेंसी स्पेक्ट्रम में से जानकारी निकालता है।

महत्व और दावे (Significance and Claims)
शोध पत्र का दावा है कि मशीन लर्निंग के साथ GR के परीक्षण के लिए इनपुट ऑब्जर्वेबल रिप्रेजेंटेशन का चुनाव एक निर्णायक कारक है। रिस्पॉन्स फंक्शन फॉर्मलिज्म के माध्यम से मुख्य सिग्नल से विचलन को अलग करके, CNN मानक वेवफॉर्म विश्लेषण की तुलना में बहुत छोटे विचलनों का पता लगा सकता है। लेखक इस दृष्टिकोण को बेयसियन पैरामीटर एस्टीमेशन के विकल्प के रूप में नहीं, बल्कि एक पूरक उपकरण के रूप में देखते हैं। वे एक विशिष्ट संरचनात्मक लाभ को रेखांकित करते हैं: मल्टी-क्लास थ्योरी आइडेंटिफिकेशन की क्षमता। जबकि बेयसियन विधियों के लिए प्रत्येक उम्मीदवार सिद्धांत (अलग-अलग ppE एक्सपोनेंट्स) के लिए अलग-अलग विश्लेषण की आवश्यकता होती है, एक मल्टी-क्लास CNN एकल फॉरवर्ड पास में विशिष्ट मॉडिफाइड ग्रेविटी सिद्धांत की पहचान कर सकता है और कपलिंग स्ट्रेंथ का अनुमान लगा सकता है। यह कार्य भविष्य के गुरुत्वाकर्षण तरंग अवलोकनों में जनरल रिलेटिविटी के सूक्ष्म संशोधनों का पता लगाने की क्षमता बढ़ाने के लिए रिस्पॉन्स फंक्शन्स के उपयोग के लिए एक आधार स्थापित करता है।