Joint reconstruction of $H(z)$ and $f\sigma_8(z)$ with physics informed neural networks

तकनीकी सारांश: भौतिकी-सूचित तंत्रिका नेटवर्क (Physics-Informed Neural Networks) के साथ $H(z)$ और $f\sigma_8(z)$ का संयुक्त पुनर्निर्माण

समस्या विवरण
वर्तमान ब्रह्मांडीय अवलोकन दो निरंतर तनाव प्रस्तुत करते हैं: $H_0$ तनाव (स्थानीय दूरी पैमाने के मापों $\approx 73$ किमी s$^{-1}$ Mpc$^{-1}$ और CMB-व्युत्पन्न मानों $\approx 67$ किमी s$^{-1}$ Mpc$^{-1}$ के बीच विसंगति) और $\sigma_8$ (या $S_8$) तनाव (गैलेक्सी वीक लेंसिंग सर्वेक्षण $\Lambda$CDM की तुलना में पदार्थ के उतार-चढ़ाव के विकास में कम वृद्धि दर्शाते हैं)। जबकि पिछले कार्यों ने गाऊसी प्रक्रियाओं (Gaussian processes) या मानक कृत्रिम तंत्रिका नेटवर्क (ANNs) का उपयोग करके $H(z)$ और $f\sigma_8(z)$ का स्वतंत्र रूप से पुनर्निर्माण किया है, ये विधियाँ दोनों अवलोकनीय राशियों को सांख्यिकीय रूप से स्वतंत्र मानती हैं। यह दृष्टिकोण विस्तार और विकास के बीच ज्ञात भौतिक जुड़ाव को त्याग देता है जो सामान्य सापेक्षता (GR) द्वारा निर्धारित होता है। विशेष रूप से, रैखिक विकास समीकरण $H(z)$ और $f\sigma_8(z)$ को जोड़ता है: इस जुड़ाव को पुनर्निर्माण के दौरान अनदेखा करना डेटा को विस्तार के इतिहास के माध्यम से विकास के इतिहास को बाधित करने से रोकता है और इसके विपरीत भी।

कार्यप्रणाली
लेखक एक प्रूफ़-ऑफ-कॉन्सेप्ट ढांचा प्रस्तावित करते हैं जिसका उपयोग किसी विशिष्ट डार्क एनर्जी समीकरण अवस्था (equation of state) को माने बिना $H(z)$ और $f\sigma_8(z)$ के संयुक्त पुनर्निर्माण के लिए किया जाता है।

• आर्किटेक्चर: मॉडल एक साझा बैकबोन के साथ एक डुअल-हेड नेटवर्क का उपयोग करता है। इनपुट रेडशिफ्ट $z$ (जिसे $[-1, 1]$ तक पुनर्गठित किया गया है) है, जिसे ELU सक्रियण फलनों (अनंत अवकलनीयता के कारण चुने गए) का उपयोग करते हुए 512 चौड़ाई वाले तीन हिडन लेयर्स के माध्यम से संसाधित किया जाता है। नेटवर्क दो स्वतंत्र आउटपुट हेड्स में विभाजित होता है: एक $H(z)$ के लिए और दूसरा $f\sigma_8(z)$ के लिए। आउटपुट सक्रियण भौतिक सीमाओं को लागू करते हैं ($H(z)$ के लिए सॉफ्टप्लस के माध्यम से धनात्मकता; $f\sigma_8(z)$ के लिए सिग्मॉइड के माध्यम से $(0.1, 0.9)$ की सीमा)।
• भौतिकी हानि (Physics Loss): मुख्य नवाचार GR के रैखिक विकास ODE से प्राप्त भौतिक हानि पद $\mathcal{L}_{physics}$ का समावेश है:
  $$\frac{df}{d \ln a} + f^2 + \left[ 2 + \frac{1}{2} \frac{d \ln H^2}{d \ln a} \right] f = \frac{3}{2} \Omega_m(a)$$
  जहाँ $f = f\sigma_8 / \sigma_{8,0}$ और $\Omega_m(a) = \Omega_{m,0}(1+z)^3 H_0^2 / H^2(z)$ है। आवश्यक डेरिवेटिव्स को नेटवर्क के कम्प्यूटेशन ग्राफ के माध्यम से ऑटोमैटिक डिफरेंशिएशन (automatic differentiation) का उपयोग करके सटीक रूप से परिकलित किया जाता है, जिससे संख्यात्मक विविक्तकरण (numerical discretization) त्रुटियों से बचा जा सकता है।
• कुल हानि (Total Loss): प्रशिक्षण उद्देश्य $\mathcal{L}_{total} = \mathcal{L}_{data,H} + \mathcal{L}_{data,f\sigma_8} + \lambda \mathcal{L}_{physics}$ को न्यूनतम करना है। अदिश $\lambda$ डेटा को फिट करने और भौतिक समीकरण को संतुष्ट करने के बीच के संतुलन को नियंत्रित करता है।
• डेटा और प्रशिक्षण: नेटवर्क को 50 $H(z)$ मापों (32 कॉस्मिक क्रोनोमैटर्स, 18 BAO) और 63 $f\sigma_8(z)$ मापों (रेडशिफ्ट स्पेस डिस्टॉर्शन) पर प्रशिक्षित किया जाता है। अनिश्चितता को मापने के लिए 100 स्वतंत्र रूप से सीड किए गए नेटवर्कों के एक एन्सेम्बल (ensemble) को प्रशिक्षित किया जाता है। यह अध्ययन चार $\lambda \in \{0, 0.01, 0.1, 1.0\}$ मानों का परीक्षण करता है और दो स्थानीय प्रायर्स (priors) का उपयोग करके $H_0$ नॉर्मलाइजेशन को एंकर करता है: SH0ES ($73.04 \pm 1.04$) और लोकल डिस्टेंस नेटवर्क ($73.50 \pm 0.81$)।

प्रमुख योगदान

1. प्रथम संयुक्त PINN पुनर्निर्माण: यह कार्य, लेखकों के ज्ञान के अनुसार, भौतिकी-सूचित मल्टी-हेड आर्किटेक्चर के पहले उपयोग का प्रतिनिधित्व करता है जो विस्तार के इतिहास और संरचना के रैखिक विकास को एक साझा भौतिक बाधा (GR ग्रोथ ODE) के तहत संयुक्त रूप से मॉडल करता है, न कि केवल एक पोस्ट-हॉक निरंतरता जांच के रूप में।
2. ब्रह्मांड विज्ञान के लिए ऑटोमैटिक डिफरेंशिएशन: यह विधि ब्रह्मांड संबंधी पुनर्निर्माण में ऑटोमैटिक डिफरेंशिएशन की उपयोगिता को प्रदर्शित करती है ताकि ODE रेसिडुअल के लिए नेटवर्क आउटपुट के सटीक डेरिवेटिव की गणना की जा सके, जिससे स्थानिक मेश या फाइनाइट डिफरेंस सन्निकटन की आवश्यकता समाप्त हो जाती है।
3. कपलिंग प्रभावकारिता: यह अध्ययन स्थापित करता है कि $H(z)$ और $f\sigma_8(z)$ को विकास समीकरण के माध्यम से जोड़ना संभव और फायदेमंद है, जिससे एन्सेम्बल स्प्रेड कम होता है और गतिशील निरंतरता सुनिश्चित होती है।

परिणाम

• इष्टतम कपलिंग: एक कपलिंग वेट $\lambda = 0.1$ को डेटा फिट और भौतिक निरंतरता के बीच इष्टतम संतुलन के रूप में पहचाना गया है। इस मान पर, भौतिक हानि और डेटा हानि तुलनीय परिमाणों पर अभिसरित होती हैं, जिससे किसी भी एकल पद को ग्रेडिएंट पर हावी होने से रोका जा सके।
• $H_0$ एंकरिंग: स्पष्ट $H_0$ प्रायर के बिना, नेटवर्क एक पक्षपाती निम्न $H_0$ ($46\text{--}52$ किमी s$^{-1}$ Mpc$^{-1}$) प्राप्त करता है। जब इसे SH0ES या लोकल डिस्टेंस नेटवर्क प्रायर से एंकर किया जाता है, तो नेटवर्क $H_0$ को ठीक से प्रायर मान पर प्राप्त करता है। दो अलग-अलग प्रायर अविभेद्य $f\sigma_8(z)$ पुनर्निर्माण प्रदान करते हैं, जो अपनाए गए विशिष्ट $H_0$ तनाव मान के प्रति मजबूती प्रदर्शित करते हैं।
• विकास तनाव (Growth Tension): पुनर्निर्मित $f\sigma_8(z)$ सभी रेडशिफ्ट पर $\Lambda$CDM+GR भविष्यवाणी से व्यवस्थित रूप से नीचे रहता है, जिसमें सबसे बड़ा विचलन $z \sim 0.4\text{--}1.0$ के आसपास है। यह $\sigma_8$ तनाव के अनुरूप है। कपलिंग इस सिग्नल को हटाती नहीं है; बल्कि, यह विकास हेड को तनाव को शोर (noise) के रूप में अवशोषित करने से रोकती है।
• नल टेस्ट (Null Tests):
  • **$Om(z)$:** नल टेस्ट फ्लैट$\Lambda$CDM अपेक्षा (एक गैर-फ्लैट प्रोफाइल) से स्पष्ट विचलन दिखाता है, जिसमें $z \lesssim 0.2$ पर एक नकारात्मक डिप (जो कॉस्मिक क्रोनोमैटर्स के विरल डेटा और पुनर्निर्माण आर्टिफैक्ट्स के कारण है) और मध्यवर्ती रेडशिफ्ट पर एक अतिरिक्त उभार शामिल है।
  • $Om_{f\sigma_8}(z)$: यह डायग्नोस्टिक $\Lambda$CDM की तुलना में कम विकसित विकास की पुष्टि करता है, जो पूर्व साहित्य (संदर्भ [9]) में पाए गए स्वतंत्र ANN पुनर्निर्माणओं के अनुरूप है।
• सिस्टमैटिक्स: लेखक नोट करते हैं कि फिड्यूशियल मान $\Omega_{m,0}=0.3$ और $\sigma_{8,0}=0.8$ हार्डकोडेड हैं। इन विकल्पों से उत्पन्न व्यवस्थित अनिश्चितता एन्सेम्बल स्प्रेड को प्रभावित करती है। इसके अतिरिक्त, 18 BAO डेटा बिंदु प्लैंक 2018 साउंड होराइजन को विरासत में लेते हैं, जो विस्तार क्षेत्र में एक मॉडल निर्भरता पेश करता है।

महत्व और दावे
यह शोध पत्र यह स्थापित करने का प्रमाण प्रस्तुत करने का दावा करता है कि प्रशिक्षण के दौरान GR विकास समीकरण के माध्यम से $H(z)$ और $f\sigma_8(z)$ को जोड़ना संभव और फायदेमंद दोनों है। प्राथमिक महत्व इस प्रदर्शन में निहित है कि:

1. पुनर्निर्माण दो प्रतिस्पर्धी स्थानीय $H_0$ निर्धारणों के बीच चयन के प्रति मजबूत है।
2. भौतिकी कपलिंग एक भौतिक रूप से प्रेरित रेगुलराइज़र के रूप में कार्य करती है, जो किसी विशिष्ट डार्क एनर्जी मॉडल को लागू किए बिना स्मूथ पुनर्निर्माण प्रदान करती है और एन्सेम्बल अनिश्चितता को कम करती है।
3. विधि $\sigma_8$ तनाव सिग्नल (कम विकसित विकास) को सफलतापूर्वक प्राप्त करती है, भले ही इसे स्थानीय $H_0$ मानों द्वारा बाधित किया गया हो, जो यह सुझाव देता है कि तनाव पुनर्निर्माण पद्धति के बजाय डेटा की एक सुदृढ़ विशेषता है।

लेखक अपने दावों के संबंध में विनम्रता व्यक्त करते हैं: वे नई भौतिकी की सांख्यिकीय रूप से महत्वपूर्ण पहचान का दावा नहीं करते हैं, क्योंकि एन्सेम्बल स्प्रेड डेटा शोर पुनर्सेंपलिंग के बजाय इनिशियलाइजेशन संवेदनशीलता द्वारा संचालित है, और पूर्ण पोस्टीरियर अनिश्चितताओं को प्रसारित नहीं किया गया है। वे भविष्य के कार्यों के लिए संबोधित किए जाने वाले फिक्स्ड फिड्यूशियल पैरामीटर्स ($\Omega_{m,0}, \sigma_{8,0}$) और व्यक्तिगत सर्वेक्षणों के लिए अलकोक-पज़ेंस्की (Alcock-Paczynski) सुधारों की कमी को सीमाओं के रूप में पहचानते हैं।