⚛️ general relativity

Constraining Black Hole Parameters in Non-Commutative Geometry using Machine Learning

यह शोध पत्र शैडो व्यवहारों और ऊर्जा उत्सर्जन दरों का विश्लेषण करके नॉन-कम्यूटेटिव ब्लैक होल मापदंडों को सीमित करने के लिए CUDA-त्वरित मशीन लर्निंग का उपयोग करता है, जो अंततः यह प्रदर्शित करता है कि प्रस्तावित मॉडल $SgrA^*$ ब्लैक होल के इवेंट होराइजन टेलिस्कोप अवलोकनों के अनुरूप है।

मूल लेखक: Maryem Jemri

प्रकाशित 2026-05-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC0 1.0

मूल लेखक: Maryem Jemri

मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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

कल्पना कीजिए कि ब्रह्मांड एक विशाल, जटिल वीडियो गेम है। इस खेल में, सबसे रहस्यमय पात्र ब्लैक होल (Black Holes) हैं। लंबे समय से, वैज्ञानिक यह समझने की कोशिश कर रहे हैं कि ये "बॉस" वास्तव में कैसे दिखते हैं और कैसे व्यवहार करते हैं, जिसका उपयोग वे मानक भौतिकी (जनरल रिलेटिविटी) के नियमों का उपयोग करके करते हैं। लेकिन हाल ही में, वैज्ञानिकों ने पूछना शुरू कर दिया है: "क्या होगा अगर गेम के कोड में कोई गड़बड़ी (glitch) हो? क्या होगा अगर स्थान (space) और समय पूरी तरह से चिकने (smooth) न होकर, वास्तव में छोटे, धुंधले पिक्सेल (pixels) से बने हों?"

यह नॉन-कम्यूटेटिव (NC) ज्योमेट्री की दुनिया है। यह एक ऐसा सिद्धांत है जो सुझाव देता है कि सूक्ष्म स्तरों पर, खेल के नियम थोड़े बदल जाते हैं।

यह शोध पत्र एक जासूसी कहानी की तरह है जहाँ लेखिका, मरयम जेमरी (Maryem Jemri), इस रहस्य को सुलझाने की कोशिश करती हैं: क्या ये "धुंधले पिक्सेल" वाले ब्लैक होल हमारे वास्तविक ब्रह्मांड में वास्तव में मौजूद हैं, या वे केवल गणित के खेल हैं?

यहाँ वह इस मामले को सुलझाती हैं, जिसे सरल चरणों में विभाजित किया गया है:

1. सेटअप: एक "धुंधला" ब्लैक होल बनाना

सबसे पहले, लेखिका एक सैद्धांतिक ब्लैक होल का मॉडल बनाती हैं। लेकिन यह सामान्य ब्लैक होल नहीं है। वह अपनी रेसिपी में तीन विशेष सामग्रियां जोड़ती हैं:

"स्ट्रिंग्स का बादल" (A "Cloud of Strings"): कल्पना कीजिए कि ब्लैक होल एक धुंधले कंबल से लिपटा हुआ है जो छोटे कंपन करने वाले स्ट्रिंग्स से बना है।
डार्क एनर्जी (Dark Energy): वह अदृश्य बल जो ब्रह्मांड को दूर धकेलता है, जो एक बैकग्राउंड दबाव के रूप में कार्य करता है।
"धुंधलापन" (The "Fuzziness" - Non-Commutativity): यह मुख्य पात्र है। यह एक पैरामीटर है (मान लीजिए कि इसे $b$ कहते हैं) जो यह नियंत्रित करता है कि ब्लैक होल के आसपास का स्थान कितना "पिक्सेलेटेड" या धुंधला है।

2. सुपर-कंप्यूटर: हाई-स्पीड कैमरा के रूप में CUDA का उपयोग करना

इन धुंधले ब्लैक होल को कैसा दिखना चाहिए, यह देखने के लिए, उन्हें लाखों गणनाएं चलानी होंगी। इसे एक सामान्य कंप्यूटर पर करने में वर्षों लग जाएंगे। इसलिए, वह CUDA का उपयोग करती हैं, जो कंप्यूटर को सुपर-फास्ट रेसिंग कारों (GPUs) के बेड़े जैसा देने जैसा है ताकि सारा काम एक साथ किया जा सके।

वह सिम्युलेट करती हैं कि ब्लैक होल के चारों ओर प्रकाश कैसे यात्रा करता है। चूंकि ब्लैक होल बहुत भारी होते हैं, वे प्रकाश को एक फनहाउस मिरर (funhouse mirror) की तरह मोड़ देते हैं। इससे बीच में एक गहरा घेरा बनता है जिसे शैडो (Shadow) कहा जाता है।

उपमा (Analogy): कल्पना कीजिए कि आप एक कोहरे वाले कमरे में एक बॉलिंग बॉल पर टॉर्च की रोशनी डाल रहे हैं। बॉल रोशनी को रोक देती है, जिससे एक छाया बनती है। उस छाया का आकार और आकार आपको बॉल के बारे में बताता है।
परिणाम: वह पाती हैं कि "धुंधलापन" पैरामीटर ( $b$ ) को बदलने से छाया का आकार और आकृति बदल जाती है। उच्च $b$ छाया को बड़ा और अधिक विकृत (distorted) बना देता है।

3. वास्तविक दुनिया की जांच: इवेंट होराइजन टेलिस्कोप (EHT)

अब, उनके पास सैद्धांतिक छायाओं का एक समूह है। लेकिन क्या वे वास्तविकता से मेल खाते हैं?
वह अपने कंप्यूटर द्वारा उत्पन्न छायाओं की तुलना इवेंट होराइजन टेलिस्कोप (EHT) द्वारा ली गई वास्तविक तस्वीरों से करती हैं। EHT एक विशाल टेलीस्कोप नेटवर्क है जिसने दो प्रसिद्ध ब्लैक होल की वास्तविक तस्वीरें ली थीं: M87* (एक दूर की गैलेक्सी में एक विशाल ब्लैक होल) और Sgr A* (जो हमारी अपनी मिल्की वे के केंद्र में है)।

वह पूछती हैं: "यदि मैं 'धुंधलेपन' ( $b$ ) और अन्य सामग्रियों को थोड़ा बदल दूँ, तो क्या मेरी कंप्यूटर शैडो वास्तविक फोटो की तरह दिखेगी?"

निष्कर्ष: वह पाती हैं कि हमारी आकाशगंगा के ब्लैक होल (Sgr A*) के लिए, विशेष रूप से केक (Keck) टेलीस्कोप द्वारा देखे गए संस्करण के लिए, "धुंधलेपन" की एक विशिष्ट सीमा है जो सैद्धांतिक छाया को वास्तविक फोटो से पूरी तरह से मिला देती है।

4. AI जासूस: मशीन लर्निंग

सामग्रियों के संयोजन (धुंधलापन, स्ट्रिंग क्लाउड, डार्क एनर्जी, स्पिन, चार्ज) इतने अधिक हैं कि उन्हें एक-एक करके जांचना अभी भी बहुत धीमा है। इसलिए, वह एक मशीन लर्निंग सहायक को लाती हैं।

उपमा (Analogy): कल्पना कीजिए कि आपके पास 20,000 अलग-अलग पहेली के टुकड़ों का एक बड़ा बॉक्स है। आप उन टुकड़ों को ढूंढना चाहते हैं जो वास्तविक ब्लैक होल की तस्वीर में फिट बैठते हैं। हर टुकड़े को आज़माने के बजाय, आप एक स्मार्ट रोबोट (न्यूरल नेटवर्क) को प्रशिक्षित करते हैं जो टुकड़ों को देखता है और कहता है, "हाँ, यह फिट बैठता है" या "नहीं, यह नहीं बैठता है।"
प्रशिक्षण (Training): वह रोबोट को उनके कंप्यूटर द्वारा बनाई गई हजारों छायाओं के उदाहरण खिलाती हैं, और उसे बताती हैं कि कौन सी EHT तस्वीरों से मेल खाती हैं और कौन सी नहीं।
"वोटिंग" प्रणाली: यह सुनिश्चित करने के लिए कि रोबोट केवल अनुमान नहीं लगा रहा है, वह एक चतुर चाल का उपयोग करती हैं। वह रोब-ट को एक ही पहेली का टुकड़ा 100 बार दिखाती हैं, जिसमें बहुत मामूली, लगभग अदृश्य बदलाव किए जाते हैं। यदि रोबोट 99 बार "हाँ" और एक बार "नहीं" कहता है, तो वह वोट लेती है और बहुमत के साथ चलती है। यह निर्णय को बहुत विश्वसनीय बनाता है।

5. फैसला (The Verdict)

AI जासूस ने अविश्वसनीय सटीकता (97% से अधिक सही!) के साथ अपना काम किया!

निष्कर्ष: अध्ययन से पता चलता है कि "धुंधला" ब्लैक होल मॉडल, केक टेलीस्कोप द्वारा देखे गए Sgr A* (हमारी आकाशगंगा के ब्लैक होल) के अवलोकनों से मेल खाता है।
सीमा (The Limit): हालांकि, "धुंधलापन" पैरामीटर ( $b$ ) कोई भी संख्या नहीं हो सकता। इसे तस्वीर में फिट होने के लिए छोटा (लगभग 0.44 से कम) होना चाहिए। यदि यह बहुत बड़ा होता, तो छाया गलत दिखती।

सारांश

संक्षेप में, लेखिका ने "धुंधले" ब्लैक होल को सिम्युलेट करने के लिए एक सुपर-फास्ट कंप्यूटर का उपयोग किया, फिर उन सिमुलेशन की तुलना हमारी आकाशगंगा के ब्लैक होल की वास्तविक तस्वीरों से करने के लिए एक स्मार्ट AI का उपयोग किया। परिणाम? "धुंधला" सिद्धांत काम करता है! यह वास्तविक डेटा के साथ फिट बैठता है, जो यह सुझाव देता है कि हमारा ब्रह्मांड वास्तव में सूक्ष्म स्तरों पर, कम से कम ब्लैक होल के आसपास, थोड़ा "पिक्सेलेटेड" संरचना वाला हो सकता है।

यह शोध पत्र क्या दावा नहीं करता है:

यह यह दावा नहीं करता कि यह साबित करता है कि स्ट्रिंग थ्योरी निश्चित रूप से सही है (यह केवल यह कहता है कि मॉडल डेटा के साथ संगत है)।
यह दावा नहीं करता कि इस तकनीक का उपयोग वर्तमान में ब्लैक होल के अध्ययन के अलावा किसी और चीज़ के लिए किया जा सकता है।
यह दावा नहीं करता कि हम इन "पिक्सेल" को अपनी आँखों से देख सकते हैं; यह छाया के आकार पर आधारित एक गणितीय प्रतिबंध है।

तकनीकी सारांश: मशीन लर्निंग का उपयोग करके नॉन-कम्यूटेटिव ज्योमेट्री में ब्लैक होल मापदंडों को सीमित करना

समस्या विवरण
यह शोध पत्र नॉन-कम्यूटेटिव (NC) ज्योमेट्री में घूमते हुए और आवेशित (charged) ब्लैक होल के मापदंडों को सीमित करने की चुनौती को संबोधित करता है, जो विशेष रूप से स्ट्रिंग्स के बादल (cloud of strings) और एक क्विंटेसेंस (डार्क एनर्जी) क्षेत्र वाले स्पेसटाइम में स्थित हैं। जबकि NC ज्योमेट्री में सैद्धांतिक मॉडल स्ट्रिंग थ्योरी द्वारा प्रेरित सामान्य सापेक्षता (General Relativity) के विस्तार प्रदान करते हैं, इन मॉडलों को मान्य करने के लिए उनके भविष्यवाणियों को अवलोकन संबंधी डेटा, विशेष रूप से इवेंट होराइजन टेलिस्कोप (EHT) सहयोग द्वारा प्रदान की गई ब्लैक होल शैडो छवियों के साथ प्रस्तुत करना आवश्यक है। लेखक यह निर्धारित करने का लक्ष्य रखते हैं कि NC मापदंड स्थान (parameter space) के कौन से क्षेत्र M87* और Sgr A* (VLTI और Keck डेटासेट) के देखे गए शैडो के साथ सुसंगत हैं, जिसके लिए वे जटिल, बहु-आयामी मापदंड स्थान में नेविगेट करने के लिए उच्च-प्रदर्शन कंप्यूटिंग और मशीन लर्निंग का उपयोग करते हैं।

कार्यप्रणाली (Methodology)
यह अध्ययन सैद्धांतिक मॉडलिंग, उच्च-प्रदर्शन संख्यात्मक सिमुलेशन और मशीन लर्निंग वर्गीकरण को संयोजित करने वाला एक तीन-आयामी दृष्टिकोण अपनाता है:

सैद्धांतिक ढांचा (Theoretical Framework): लेखक एक स्ट्रिंग क्लाउड (पैरामीटर $\alpha$ ) और क्विंटेसेंस (पैरामीटर $N$ और $w$ ) को शामिल करते हुए एक घूमते हुए, आवेशित NC ब्लैक होल के मेट्रिक स्पेसटाइम का मॉडल तैयार करते हैं। NC ज्योमेट्री को एक विरूपण पैरामीटर (deformation parameter) $\Theta$ द्वारा परिभाषित किया गया है, जिसे $b = 8\sqrt{\Theta}/\sqrt{\pi}$ में कम किया गया है। मेट्रिक फंक्शन में पर्टर्बेटिव NC सुधार और बाहरी क्षेत्र योगदान शामिल हैं।
CUDA-त्वरित संख्यात्मक सिमुलेशन (CUDA-Accelerated Numerical Simulations):
- होराइजन विश्लेषण: इवेंट होराइजन के अस्तित्व का निर्धारण मापदंडों ( $a, b, \alpha, N$ ) के एक ग्रिड पर होराइजन समीकरण ( $\Delta(r)=0$ ) को हल करके NVIDIA GPU-त्वरित CUDA कोड का उपयोग करके संख्यात्मक रूप से किया जाता है।
- शैडो और उत्सर्जन गणना: हैमिल्टन-जैकबी फॉर्मलिज्म और कार्टर विधि का उपयोग करते हुए, लेखक नुल जियोडेसिक्स (null geodesics) के गति के समीकरण प्राप्त करते हैं। ब्लैक होल शैडो को परिभाषित करने वाले खगोलीय निर्देशांक ( $X, Y$ ) और ऊर्जा उत्सर्जन दर की गणना करने के लिए CUDA-आधारित समानांतर कंप्यूटिंग का उपयोग किया जाता है। शैडो त्रिज्या ( $R_s$ ) की तुलना श्वास्र्वार्ध त्रिज्या (Schwarzschild radius) से की जाती है ताकि भिन्नात्मक विचलन ( $d$ ) की गणना की जा सके, जिसे फिर EHT अवलोकन संबंधी सीमाओं (1 $\sigma$ और 2 $\sigma$ विश्वास अंतराल) के विरुद्ध मिलान किया जाता है।
मशीन लर्निंग वर्गीकरण:
- डेटा जनरेशन: 20,000 नमूनों का एक डेटासेट बनाया गया है जिसमें मापदंडों $(b, N, \alpha)$ को परिवर्तित किया गया है। प्रत्येक नमूने को बाइनरी (1 या 0) लेबल किया गया है, इस आधार पर कि क्या गणना की गई शैडो त्रिज्या M87*, Sgr A* (VLTI), या Sgr A* (Keck) के लिए EHT अवलोकन संबंधी बाधाओं के भीतर आती है।
- मॉडल आर्किटेक्चर: एक फुली कनेक्टेड न्यूरल नेटवर्क (FCNN) को मापदंड सेट को वर्गीकृत करने के लिए प्रशिक्षित किया गया है। आर्किटेक्चर में एक इनपुट लेयर, ReLU एक्टिवेशन के साथ हिडन लेयर्स और एक सॉफ्टमैक्स आउटपुट लेयर शामिल है।
- वोटिंग रणनीति: छोटे संख्यात्मक परिवर्तनों के प्रति मजबूती (robustness) बढ़ाने के लिए, एक वोटिंग तंत्र का उपयोग किया जाता है जहाँ एक इनपुट टुपल के कई विरूपित संस्करणों को स्वतंत्र रूप से प्रोसेस किया जाता है, और अंतिम भविष्यवाणी बहुमत मत (majority vote) द्वारा निर्धारित की जाती है।

प्रमुख योगदान

उच्च-प्रदर्शन संख्यात्मक ढांचा: यह शोध पत्र एक CUDA-आधारित ढांचे को स्थापित करता है जो जटिल NC ज्योमेट्री में ब्लैक होल शैडो और ऊर्जा उत्सर्जन दरों की गणना को महत्वपूर्ण रूप से तेज करता है, जिससे सघन मापदंड स्थान स्कैन संभव होता है जो मानक CPU पर गणनात्मक रूप से निषेधों योग्य (prohibitive) होता।
मापदंड सीमाएं (Parameter Constraints): अध्ययन NC पैरामीटर $b$ और स्ट्रिंग क्लाउड पैरामीटर $\alpha$ , क्विंटेसेंस पैरामीटर $N$ , चार्ज $Q$ , और स्पिन $a$ के बीच परस्पर क्रिया पर विशिष्ट संख्यात्मक प्रतिबंध प्रदान करता है।
मशीन लर्निंग अनुप्रयोग: यह कार्य सैद्धांतिक ब्लैक होल कॉन्फ़िगरेशन को अवलोकन संबंधी डेटा के विरुद्ध वर्गीकृत करने में FCNN की प्रभावकारिता को प्रदर्शित करता है, जो सुसंगत और असंगत मापदंड सेटों के बीच अंतर करने में उच्च सटीकता प्राप्त करता है।

परिणाम

शैडो व्यवहार: पाया गया है कि NC पैरामीटर $b$ शैडो के आकार और वैश्विक आकार दोनों को नियंत्रित करता है। $b$ को बढ़ाने से बड़े, अधिक विस्तृत शैडो बनते हैं, जबकि रोटेशन पैरामीटर $a$ और चार्ज $Q$ क्रमशः D-आकार के विरूपण और आकार में कमी लाते हैं। स्ट्रिंग क्लाउड पैरामीटर $\alpha$ और क्विंटेसेंस पैरामीटर $N$ मुख्य रूप से विरूपण और समग्र आकार को प्रभावित करते हैं, जिसमें बड़े $N$ और छोटे $\alpha$ D-आकार के आकार उत्पन्न करते हैं।
ऊर्जा उत्सर्जन: ऊर्जा उत्सर्जन दर चार्ज $Q$ और स्पिन $a$ के संबंध में गैर-मोनोटोनिक व्यवहार प्रदर्शित करती है (एक महत्वपूर्ण मान तक बढ़ती है और फिर घटती है)। इसके विपरीत, $\alpha, N,$ या $b$ को बढ़ाने से आम तौर पर ऊर्जा उत्सर्जन दर कम हो जाती है।
अवलोकन संबंधी बाधाएं: संख्यात्मक विश्लेषण से पता चलता है कि हालांकि सैद्धांतिक मापदंड स्थान विशाल है, केवल सीमित क्षेत्र ही EHT डेटा के अनुकूल है। विशेष रूप से, NC पैरामीटर $b$ को M87* और Sgr A* के लिए 1 $\sigma$ और 2 $\sigma$ सीमाओं को संतुष्ट करने के लिए लगातार सकारात्मक और आम तौर पर लगभग 0.44 से नीचे प्रतिबंधित किया गया है।
मशीन लर्निंग प्रदर्शन: प्रशिक्षित FCNN उच्च वर्गीकरण सटीकता प्रदर्शित करता है। 1 $\sigma$ प्रतिबंध के लिए, विभिन्न ब्लैक होल डेटासेट के लिए टेस्ट सटीकता 0.9779 से 0.981 तक रहती है। वोटिंग रणनीति स्थिरता में सुधार करती है, जिसमें वोटिंग सटीकता 0.9815 तक पहुँच जाती है। मॉडल सख्त 1 $\sigma$ बाधाओं के तहत 2 $\sigma$ बाधाओं की तुलना में थोड़ा बेहतर प्रदर्शन करता है, विशेष रूप से Sgr A* Keck डेटासेट के लिए।

महत्व और दावे
शोध पत्र का दावा है कि प्रस्तावित नॉन-कम्यूटेटिव मॉडल Sgr A* Keck ब्लैक होल के अवलोकन संबंधी निष्कर्षों के साथ सुसंगत है। लेखक इस बात पर जोर देते हैं कि उनका कार्य GPU-त्वरित सिमुलेशन और मशीन लर्निंग के मजबूत संयोजन के माध्यम से NC ज्योमेट्री में सैद्धांतिक भविष्यवाणियों को अनुभवजन्य डेटा के साथ जोड़ता है। वे तर्क देते हैं कि यह दृष्टिकोण गैर-तुच्छ गुरुत्वाकर्षण सिद्धांतों (non-trivial gravity theories) में ब्लैक होल के मौलिक गुणों की जांच करने के लिए एक शक्तिशाली ढांचा प्रदान करता है। लेखक एक मध्यम रुख अपनाते हैं, यह नोट करते हुए कि हालांकि वर्गीकरण परिणाम मजबूत हैं, इस दृष्टिकोण को सावधानी से व्याख्या किया जाना चाहिए। वे सुझाव देते हैं कि भविष्य के कार्यों में अधिक उन्नत शिक्षण विधियों, ROC कर्व्स जैसे मानक मूल्यांकन उपकरणों, और अवलोकन संबंधी अनिश्चितताओं एवं मॉडलिंग धारणाओं के गहरे विश्लेषण को शामिल किया जाना चाहिए। अध्ययन निष्कर्ष निकालता है कि CUDA-त्वरित मशीन लर्निंग जटिल ज्यामिति में ब्लैक होल मापदंडों को सीमित करने के लिए एक व्यवहार्य और कुशल उपकरण है।