🔭 astrophysics

Neutron Star Equation of State via Physics Informed Neural Network

यह शोध पत्र न्यूट्रॉन स्टार समीकरण-अवस्था (इक्वेशन-ऑफ-स्टेट) के व्युत्क्रम समस्या (इनवर्स प्रॉब्लम) के लिए 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स' के प्रथम अनुप्रयोग को प्रस्तुत करता है, जो एक कारणपरक (कॉज़ल), कारणपरक रूप से सुसंगत समीकरण-अवस्था प्राप्त करने के लिए अवलोकन संबंधी डेटा के विरुद्ध टोलमैन-ओपेनहाइमर-वोल्फ समीकरणों को हल करने हेतु नेटवर्क्स को संयुक्त रूप से प्रशिक्षित करता है, जो लगभग 2.06 सौर द्रव्यमान का अधिकतम द्रव्यमान पूर्वानुमानित करता है और ध्वनि की गति में एक पुनरुत्पादनीय मृदुकरण (सॉफ्टनिंग) को प्रकट करता है जो कि क्वार्क-हैड्रोन क्रॉसओवर का सूचक है।

मूल लेखक: Gabriel Bezerra, Veronica Dexheimer, Rodrigo Negreiros

प्रकाशित 2026-06-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Gabriel Bezerra, Veronica Dexheimer, Rodrigo Negreiros

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

कल्पना कीजिए कि आप उस केक की रेसिपी का पता लगाने की कोशिश कर रहे हैं जो केवल एक मरते हुए तारे के केंद्र में मौजूद है, जहाँ सामग्री इतनी कसकर दबी हुई है कि एक चम्मच का वजन एक अरब टन है। वैज्ञानिक लंबे समय से इस "रेसिपी" (जिसे इक्वेशन ऑफ स्टेट कहा जाता है) का अनुमान लगाने की कोशिश कर रहे हैं, लेकिन यह केक के अंदर का स्वाद चखे बिना, केवल बाहर की फ्रॉस्टिंग को देखकर उसके अवयवों (ingredients) का अनुमान लगाने जैसा है।

यह शोध पत्र एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) नामक आर्टिफिशियल इंटेलिजेंस का उपयोग करके इस रहस्य को सुलझाने का एक नया, चतुर तरीका पेश करता है। उन्होंने इसे कैसे किया, यहाँ सरल भाषा में समझाया गया है:

समस्या: एक टूटा हुआ पहेली (A Broken Puzzle)

आमतौर पर, वैज्ञानिक रेसिपी का अनुमान लगाने की कोशिश करते हैं, फिर एक जटिल गणितीय सिमुलेशन (जिसे TOV समीकरण कहा जाता है) चलाते हैं ताकि वे देख सकें कि क्या वह रेसिपी वास्तव में एक ऐसे तारे का निर्माण करेगी जो उनके द्वारा देखे गए तारे से मेल खाता हो। यदि तारा मेल नहीं खाता है, तो वे एक नई रेसिपी का अनुमान लगाते हैं और फिर से प्रयास करते हैं। यह एक धीमी, बार-बार प्रयास करने वाली प्रक्रिया है जिसमें करीब पहुँचने के लिए लाखों अनुमान लगाने की आवश्यकता होती है।

समाधान: एक दो-सदस्यीय टीम

लेखकों ने एक डिजिटल "टीम" बनाई है जिसमें दो न्यूरल नेटवर्क (AI मॉडल) मिलकर काम करते हैं, जैसे एक शेफ और एक क्वालिटी इंस्पेक्टर:

शेफ (द EOS नेटवर्क): यह AI रेसिपी बनाने की कोशिश करता है। यह किसी निश्चित सामग्री की सूची का उपयोग नहीं करता है; इसके बजाय, यह एक सुचारू, निरंतर वक्र (curve) बनाना सीखता है जो यह बताता है कि घनत्व बढ़ने के साथ दबाव कैसे बदलता है। यह एक ऐसे शेफ की तरह है जो मौके पर ही कोई भी स्वाद संयोजन बना सकता है।
इंस्पेक्टर (द TOV नेटवर्क): यह AI भौतिकी के पुलिसकर्मी के रूप में कार्य करता है। इसका एकमात्र काम यह जांचना है कि क्या शेफ की रेसिपी गुरुत्वाकर्षण के नियमों के अनुसार वास्तव में काम करती है। यह पूछता है: "यदि हम इस रेसिपी के साथ एक तारा बनाते हैं, तो क्या यह एकजुट रहेगा? क्या इसका आकार और वजन सही है?"

उन्होंने टीम को कैसे प्रशिक्षित किया

इन्हें अलग-अलग अनुमान लगाने और जांचने के बजाय, लेखकों ने उन्हें एक विशेष चार-चरणीय नृत्य में एक साथ प्रशिक्षित किया:

चरण 1: इंस्पेक्टर गुरुत्वाकर्षण के नियमों को यादृच्छिक (random), मनगढ़ंत रेसिपी का उपयोग करके सीखता है ताकि वह जांच करने में कुशल हो सके।
चरण 2: शेफ खाना बनाना शुरू करता है, और इंस्पेक्टर काम की जांच करता है। वे अपने "वेट्स" (सीखने की प्रक्रिया) को एक साथ समायोजित करते हैं।
चरण 3 और 4: वे अपनी साझेदारी को परिष्कृत करते हैं। शेफ एक ऐसी रेसिपी बनाने में बेहतर होता है जो इंस्पेक्टर को संतुष्ट करे, और इंस्पेक्टर सूक्ष्म खामियों को पकड़ने में बेहतर होता है।

जादुई बात यह है कि "भौतिकी के नियम" (TOV समीकरण) सीधे इंस्पेक्टर के मस्तिष्क में बने हुए हैं। हर बार जब शेफ रेसिपी में थोड़ा सा बदलाव करता है, तो इंस्पेक्टर तुरंत जांचता है कि क्या वह भौतिकी के नियमों को तोड़ता है। यदि ऐसा होता है, तो शेफ को एक "पेनल्टी" मिलती है और वह तुरंत सुधार करना सीखता है। यह लाखों बार होता है, जो पुराने ट्रायल-एंड-एरर तरीकों की तुलना में बहुत तेज़ है।

उन्हें क्या मिला

इस सिमुलेशन को अलग-अलग शुरुआती बिंदुओं के साथ 15 बार चलाने के बाद (यह सुनिश्चित करने के लिए कि यह केवल एक भाग्यशाली अनुमान नहीं था), उन्हें कुछ बहुत विशिष्ट परिणाम मिले:

एक मानक तारे का आकार: एक विशिष्ट न्यूट्रॉन तारा (हमारे सूर्य के द्रव्यमान का 1.4 गुना) लगभग 12.85 किलोमीटर की त्रिज्या वाला होता है। यह वही है जो अन्य वैज्ञानिकों ने अलग, धीमी विधियों का उपयोग करके पाया है, जो साबित करता है कि उनका नया AI काम करता है।
सबसे भारी संभव तारा: सबसे भारी न्यूट्रॉन तारा जिसे वे ब्लैक होल में बदलने से पहले बना सकते हैं, वह हमारे सूर्य के द्रव्यमान का लगभग 2.06 गुना है।
"सॉफ्टनिंग" का आश्चर्य: सबसे दिलचस्प खोज यह है कि तारे का कोर कितना "कठोर" है। कल्पना कीजिए कि आप एक स्पंज को दबा रहे हैं। शुरू में, इसे दबाना कठिन होता है। लेकिन एक निश्चित बिंदु पर (परमाणु नाभिक के घनत्व के 2 से 4 गुना के बीच), सामग्री अचानक दबाने में आसान हो जाती है, जैसे कि एक "सॉफ्टनिंग" या प्लेटो (स्थिरता)।
- यह क्यों मायने रखता है: लेखक सुझाव देते हैं कि यह "सॉफ्टनिंग" इस बात का संकेत हो सकती है कि तारे के अंदर का पदार्थ सामान्य परमाणु कणों (हैड्रोन) से बदलकर मुक्त-तैरते क्वार्क के सूप में बदल रहा है। यह बिल्कुल वैसा ही है जैसे केक के अवयव अचानक बीच में एक तरल परत में पिघल जाएं।

"मैजिक" चेक

उनके परिणाम का सबसे प्रभावशाली हिस्सा यह है कि उन्होंने AI को कभी भी "काइरल एफेक्टिव फील्ड थ्योरी" (जो कम घनत्व पर पदार्थ के व्यवहार की भविष्यवाणी करती है) नामक एक विशिष्ट सिद्धांत के बारे में नहीं बताया। फिर भी, AI ने स्वाभाविक रूप से एक ऐसी रेसिपी खोज ली जो इस सिद्धांत से पूरी तरह मेल खाती है। यह ऐसा है जैसे शेफ ने एक ऐसा केक बनाया जिसका स्वाद एक प्रसिद्ध रेसिपी जैसा था जिसे उसने पहले कभी नहीं देखा था, केवल इसलिए क्योंकि उसने भौतिकी के नियमों और दिए गए डेटा का पालन किया।

सारांश

संक्षेप में, यह शोध पत्र दिखाता है कि प्रत्यक्ष रूप से AI को भौतिकी के नियम सिखाकर, हम तेजी से और सटीक रूप से पता लगा सकते हैं कि न्यूट्रॉन तारे किस चीज से बने हैं। उन्होंने पाया कि ये तारे लगभग 13 किमी चौड़े हैं, इनका वजन हमारे सूर्य से दोगुना हो सकता है, और इनके कोर में संभवतः एक रहस्यमय "सॉफ्ट" परत है जहाँ पदार्थ कुछ और भी विचित्र चीज़ में बदल जाता है।

तकनीकी सारांश: न्यूरल नेटवर्क के माध्यम से न्यूट्रॉन स्टार इक्वेशन ऑफ स्टेट (Equation of State)

समस्या विवरण
न्यूट्रॉन सितारों की आंतरिक संरचना और अत्यधिक घनत्व पर पदार्थ का 'इक्वेशन ऑफ स्टेट' (EOS) अभी भी अनसुलझा है। जबकि हालिया मल्टी-मेसेंजर खगोल विज्ञान ने अवलोकन संबंधी बाधाएं (जैसे NICER एक्स-रे टाइमिंग, ग्रेविटेशनल वेव टाइडल डिफॉर्मेबिलिटी, और पल्सर द्रव्यमान) प्रदान की हैं, EOS को अनुमानित करने के पारंपरिक तरीके संरचनात्मक सीमाओं का सामना करते हैं। मौजूदा दृष्टिकोण आमतौर पर MCMC सैंपलिंग के साथ बेयसियन इन्फरेंस (Bayesian inference) पर निर्भर करते हैं, जहाँ एक EOS प्रायर (पैरामीट्रिक या गॉसियन प्रोसेस जैसा गैर-पैरामीट्रिक) को टॉलमैन-ओपेनहाइमर-वोल्कॉफ (TOV) समीकरणों को इन्फरेंस लूप के बाहर हल करके प्राप्त किए गए लाइकलीहुड (likelihood) के साथ जोड़ा जाता है। यह पृथक्करण भौतिक बाधाओं को पोस्ट-हॉक (post-hoc) मूल्यांकित किए गए संभाव्य प्रायर के रूप में मानता है न कि निरंतर बाधाओं के रूप में, जिसके लिए अभिसरण (convergence) के लिए लाखों पोस्टीरियर सैंपल्स की आवश्यकता होती है और यह अनुकूलन के दौरान सीधे विभेदक नियमों (differential laws) को लागू करने में विफल रहता है।

कार्यप्रणाली: PINN-TOV ढांचा
यह कार्य न्यूट्रॉन स्टार EOS के 'इनवर्स प्रॉब्लम' के लिए फिजिक्स इंफॉर्म्ड न्यूरल नेटवर्क्स (PINNs) के पहले अनुप्रयोग को प्रस्तुत करता है। यह ढांचा एक ड्यूल-नेटवर्क आर्किटेक्चर का उपयोग करता है जिसे जॉइंटली ग्रेडिएंट डिसेंट के माध्यम से प्रशिक्षित किया जाता है, जो TOV समीकरणों को बाहरी समाधान के बजाय सीधे डिफरेंशिएबल बाधाओं के रूप में एम्बेड करता है।

ड्यूल-नेटवर्क आर्किटेक्चर:
- EOS नेटवर्क ( $N_{EOS}$ ): एक गैर-पैरामीट्रिक नेटवर्क जो नॉर्मलाइज्ड लॉग-डेंसिटी को लॉग-प्रेशर ( $P(\varepsilon)$ ) में मैप करता है। यह 64 न्यूरॉन्स के साथ चार हिडन लेयर्स और $tanh $एक्टिवेशन का उपयोग करता है।$ tanh$ का चयन महत्वपूर्ण है, क्योंकि यह अनंत विभेद्यता (infinite differentiability) की अनुमति देता है, जिससे ऑटोमैटिक डिफरेंशिएशन के माध्यम से थर्मोडायनामिक स्थिरता ( $dP/d\varepsilon > 0$ ) और ध्वनि की गति ( $c_s^2 = dP/d\varepsilon$ ) का विश्लेषणात्मक मूल्यांकन संभव हो पाता है।
- स्ट्रक्चर नेटवर्क ( $N_{TOV}$ ): एक नेटवर्क जो रेडियल कोऑर्डिनेट्स, सेंट्रल डेंसिटी और एक EOS फीचर वेक्टर ( $F_{EOS}$ ) को स्टेलर प्रोफाइल (द्रव्यमान $m(r)$ , दबाव $P(r)$ , ऊर्जा घनत्व $\varepsilon(r)$ ) में मैप करता है। यह इन्फरेंस के दौरान $N_{EOS}$ को कॉल किए बिना EOS जानकारी को एनकोड करने के लिए $F_{EOS}$ (विशिष्ट घनत्वों पर दबाव मान) पर आधारित है।
लॉस फंक्शन (Loss Function):
कुल लॉस $\mathcal{L}$ चार पदों को जोड़ता है:
- $\mathcal{L}_{data}$ : तीन पल्सर (J0030, J0437, J0740) के लिए NICER रेडियस मेजरमेंट्स को फिट करता है और रेडियो-टाइमिंग मास (J0348, J0952, J1614) को गॉसियन पेनल्टी के रूप में लागू करता है।
- $\mathcal{L}_{TOV}$ : ऑटोमैटिक डिफरेंशिएशन का उपयोग करके 64 कोलैक्शन पॉइंट्स पर TOV डिफरेंशियल इक्वेशंस को मीन-स्क्वायर रेसिड्यूल के रूप में लागू करता है। यह सुनिश्चित करता है कि प्रत्येक ग्रेडिएंट स्टेप पर भौतिक नियम लागू हो।
- $\mathcal{L}_{BC}$ : बाउंड्री कंडीशंस ( $m(0)=0$ , $P(R_\star)=0$ ) को लागू करता है।
- $\mathcal{L}_{phys}$ : न्यूक्लियर सैचुरेशन प्रॉपर्टीज ( $K_0$ , $L$ ), कौजालिटी (causality), थर्मोडायनामिक स्टेबिलिटी, कॉन्फॉर्मल लिमिट्स और पर्टर्बेटिव QCD (pQCD) बाउंड्स को एनकोड करता है। उल्लेखनीय रूप से, $1\text{--}2\rho_0$ पर $\chi$ EFT भविष्यवाणियों को लॉस में शामिल नहीं किया गया है, जो एक स्वतंत्र कंसिस्टेंसी चेक के रूप में कार्य करता है।
चार-चरणीय प्रशिक्षण योजना:
नेइव जॉइंट ऑप्टिमाइजेशन में अस्थिरता को दूर करने के लिए, लेखक एक एक्सपेक्टेशन-मैक्सिमाइजेशन (EM)-शैली के अल्टरनेटिंग स्कीम का उपयोग करते हैं:
- चरण 1: स्टेलर स्ट्रक्चर सीखने के लिए रैंडम पीसवाइज-पॉलीट्रोप EOS पर $N_{TOV}$ को प्री-ट्रेन करना।
- चरण 2: पहले गैर-पैरामीट्रिक EOS अनुमान के लिए पूर्ण लॉस पर $N_{EOS}$ को प्रशिक्षित करना और साथ ही $N_{TOV}$ को फाइन-ट्यून करना।
- चरण 3: $N_{EOS}$ को फ्रीज करना और $N_{TOV}$ को तब तक स्पेशलाइज करना जब तक कि बाहरी इंटीग्रेशन के विरुद्ध अधिकतम द्रव्यमान ( $M_{max}$ ) में फ्रैक्शनल एरर $3 \times 10^{-3}$ से कम न हो जाए।
- चरण 4: अंतिम परिणाम उत्पन्न करने के लिए रिफाइंड स्ट्रक्चर नेटवर्क के साथ $N_{EOS}$ को पुनः प्रशिक्षित करना।

मुख्य परिणाम
इस ढांचे का परीक्षण अलग-अलग रैंडम सीड्स के साथ $N=15$ स्वतंत्र ट्रेनिंग रन के माध्यम से किया गया। परिणाम उच्च पुनरुत्पादकता (reproducibility) और मौजूदा डेटा के साथ संगति प्रदर्शित करते हैं:

EOS रिकंस्ट्रक्शन: अनुमानित $P(\varepsilon)$ न्यूक्लियर सैचुरेशन, कौजालिटी और pQCD बाउंड्स को एक साथ संतुष्ट करता है। महत्वपूर्ण रूप से, मॉडल स्वाभाविक रूप से $1\text{--}2\rho_0$ पर $\chi$ EFT कंसिस्टेंसी को संतुष्ट करता है, जो उच्च घनत्वों तक न्यूक्लियर सैचुरेशन बाधाओं के प्रसार को प्रमाणित करता है।
मैक्रोस्कोपिक गुण:
- अधिकतम द्रव्यमान: $M_{max} = 2.06^{+0.07}_{-0.09} M_\odot$ (68% CI)।
- $1.4 M_\odot$ के तारे के लिए त्रिज्या: $R_{1.4} = 12.85^{+0.03}_{-0.06}$ किमी।
- टाइडल डिफॉर्मेबिलिटी: $\Lambda_{1.4} = 684$ ।
  ये मान हालिया बेयसियन विश्लेषणों के अनुरूप हैं और GW170817 टाइडल बाउंड्स ( $70 \lesssim \Lambda_{1.4} < 800$ ) को संतुष्ट करते हैं।
ध्वनि की गति (Speed of Sound): अनुमानित ध्वनि की गति $2\text{--}4\rho_0$ के घनत्व रेंज में एक पुनरुत्पादित सॉफ्टनिंग (एक प्लेटो और हल्का डिप) प्रदर्शित करती है। यह विशेषता एक क्वार्क-हैड्रोन क्रॉसओवर के अनुरूप है।
डेटा टेंशन: मॉडल पल्सर J0952 (द्रव्यमान $M_{max}$ से $1.8\sigma$ ऊपर) और J0437 (95% के भीतर लेकिन 68% विश्वसनीय क्षेत्र में नहीं) के साथ हल्का तनाव दिखाता है, जो उसी डेटासेट के अन्य बेयसियन विश्लेषणों में पाए गए तनावों को दर्शाता है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य EOS इन्फरेंस कार्यप्रणाली में एक मौलिक बदलाव का प्रतिनिधित्व करता है:

निरंतर भौतिक प्रवर्तन (Continuous Physical Enforcement): पिछले गैर-पैरामीट्रिक तरीकों के विपरीत जो बाहरी रूप से TOV समीकरणों को हल करते हैं, यह दृष्टिकोण डिफरेंशियल समीकरणों को एक लॉस टर्म के रूप में एम्बेड करता है, जिससे हर ऑप्टिमाइजेशन स्टेप पर भौतिक नियमों को लागू किया जाता है।
ग्रेडिएंट-आधारित अनुकूलन: MCMC सैंपलिंग को ग्रेडिएंट डिसेंट से बदलकर, यह तरीका $O(10^6)$ पोस्टीरियर सैंपल्स की आवश्यकता को समाप्त करता है और भौतिक ज्ञान को पूरे डेंसिटी ग्रिड पर सक्रिय डिफरेंशिएबल पेनल्टी के रूप में मानता है।
उभरती हुई आत्म-संगति (Emergent Self-Consistency): स्पष्ट प्रशिक्षण के बिना $\chi$ EFT कंसिस्टेंसी का स्वाभाविक उदय एक गैर-तुच्छ सत्यापन के रूप में कार्य करता है कि न्यूक्लियर सैचुरेशन बाधाएं ( $K_0, L$ ) उच्च घनत्वों तक सही ढंग से प्रसारित होती हैं।
भौतिक अंतर्दृष्टि: सभी सीड्स के बीच ध्वनि की गति की पुनरुत्पादित सॉफ्टनिंग ( $2\text{--}4\rho_0$ पर) यह सुझाव देती है कि यह एक मजबूत भौतिक विशेषता (संभावित रूप से एक क्वार्क-हैड्रॉन क्रॉसओवर) है, न कि केवल एक ट्रेनिंग आर्टिफैक्ट, जो सघन पदार्थ की प्रकृति पर नए प्रतिबंध लगाती है।

लेख का निष्कर्ष है कि यह PINN-आधारित ढांचा पैरामीट्राइज्ड बेयसियन विश्लेषणों के अनुरूप भौतिक निष्कर्षों को सफलतापूर्वक प्राप्त करता है, जबकि न्यूट्रॉन स्टार संरचना के इनवर्स प्रॉब्लम को हल करने के लिए अधिक सीधा, डिफरेंशिएबल और गणनात्मक रूप से कुशल मार्ग प्रदान करता है।