🔭 astrophysics

Data-Driven Discovery of a Simple Phantom-Crossing Dark Energy Parametrization

VCDM ढांचे के भीतर कॉस्मोलॉजिकल डेटा पर बेयसियन स्प्लाइन पुनर्निर्माण (Bayesian spline reconstruction) को व्यापक प्रतीकात्मक प्रतिगमन (exhaustive symbolic regression) के साथ संयोजित करके, लेखक एक सरल, एक-पैरामीटर फैंटम-क्रॉसिंग डार्क एनर्जी मॉडल ( $w(a)=w_0/\sqrt{a}$ ) की पहचान करते हैं जो मानक दो-पैरामीटर मॉडलों के समान ही अवलोकनों को फिट करता है, जबकि कॉस्मोलॉजिकल कांस्टेंट के एक अधिक भविष्य कहने योग्य, गतिशील रूप से विकृत विकल्प की पेशकश करता है।

मूल लेखक: Giulia Borghetto, Ameek Malhotra, Simran Arora, Antonio De Felice, Shinji Mukohyama, Gianmassimo Tasinato, Ivonne Zavala

प्रकाशित 2026-06-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Giulia Borghetto, Ameek Malhotra, Simran Arora, Antonio De Felice, Shinji Mukohyama, Gianmassimo Tasinato, Ivonne Zavala

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

एक बड़ा रहस्य: ब्रह्मांड को क्या चीज़ दूर धकेल रही है?

कल्पना कीजिए कि ब्रह्मांड एक विशाल, फैलता हुआ गुब्बारा है। लंबे समय तक वैज्ञानिकों को लगा कि इसके अंदर की हवा धीरे-धीरे बाहर निकल रही है, जिसका अर्थ था कि विस्तार अंततः धीमा हो जाएगा। लेकिन लगभग 25 साल पहले, हमने कुछ अजीब खोजा: गुब्बारा सिर्फ फैल ही नहीं रहा है; बल्कि इसकी गति तेज़ होती जा रही है।

कोई अदृश्य चीज़ गुब्बारे को बाहर की ओर धकेल रही है। हम इसे "डार्क एनर्जी" (Dark Energy) कहते हैं। बड़ा सवाल यह है: यह क्या है? क्या यह एक स्थिर बल है (जैसे एक ऐसी बैटरी जो कभी खत्म नहीं होती), या यह एक गतिशील बल है जो समय के साथ बदलता रहता है?

वर्तमान अनुमानों के साथ समस्या

वैज्ञानिक डार्क एनर्जी के "व्यक्तित्व" का अनुमान लगाने की कोशिश कर रहे हैं। सबसे लोकप्रिय अनुमान एक फॉर्मूला है जिसे CPL कहा जाता है। इसे एक गाने को दो नोट्स लिखकर वर्णित करने जैसा समझें: शुरुआती नोट और पिच में होने वाला बदलाव। यह थोड़ा लचीला तो है, लेकिन यह अभी भी सिर्फ एक अनुमान है।

समस्या यह है कि ये फॉर्मूले अक्सर बहुत जटिल होते हैं। इनमें बहुत अधिक "नॉब्स" (knobs/बटन) होते हैं जिन्हें घुमाया जा सकता है। यदि आपके पास बहुत अधिक नॉब्स हैं, तो आप उन्हें किसी भी डेटा के अनुरूप ढालने के लिए घुमा सकते हैं, भले ही वह फिट नकली हो। यह एक कुत्ते को इस तरह वर्णित करने जैसा है: "इसके पास एक पूंछ है, कान हैं, फर है, एक नाक है, एक मुंह है, और भूरे रंग की एक विशिष्ट छाया है।" बेशक, यह एक कुत्ते का वर्णन करता है, लेकिन केवल यह कहने के लिए कि "यह एक कुत्ता है," यह बहुत सारे विवरणों को याद रखने जैसा है।

नया दृष्टिकोण: डेटा को बोलने दें

इस शोध पत्र के लेखकों ने पहले से फॉर्मूला अनुमान लगाना बंद करने का निर्णय लिया। इसके बजाय, उन्होंने डेटा से पूछा कि वह फॉर्मूला कैसा दिखता है। उन्होंने दो-चरणीय प्रक्रिया का उपयोग किया, जैसे कोई जासूस अपराध सुलझाता है:

चरण 1: "स्पलाइन" स्केच (एक कच्चा मसौदा)
सबसे पहले, उन्होंने बेयसियन स्पलाइन रिकंस्ट्रक्शन (Bayesian Spline Reconstruction) नामक विधि का उपयोग किया। कल्पना कीजिए कि आप कागज के एक टुकड़े पर बिखरे हुए कुछ बिंदुओं के आधार पर एक वक्र (curve) बनाने की कोशिश कर रहे हैं। आकार का अनुमान लगाने के बजाय, आप बिंदुओं को एक लचीले, मुड़ने वाले रूलर (स्पलाइन) से जोड़ते हैं।

उन्होंने कॉस्मिक माइक्रोवेव बैकग्राउंड (ब्रह्मांड की "बेबी पिक्चर"), गैलेक्सी की दूरियों (BAO), और फटने वाले सितारों (सुपरनोवा) से प्राप्त डेटा का उपयोग किया।
परिणाम: रूलर एक बहुत ही विशिष्ट तरीके से मुड़ा। इसने दिखाया कि डार्क एनर्जी वर्तमान में एक स्थिर मान के करीब है, लेकिन अतीत में, यह थोड़ा अलग थी, और ऐसा लगता है कि यह एक "फैंटम डिवाइड" (एक अजीब दहलीज जहाँ भौतिकी बहुत विचित्र हो जाती है) को पार कर रही है। महत्वपूर्ण रूप से, डेटा एक टेढ़े-मेढ़े, जटिल रेखा को नहीं चाहता था। इसे एक सुचारू, सरल वक्र चाहिए था।

चरण 2: "सिम्बोलिक रिग्रेशन" जासूस (समीकरण की खोज)
अब जब उनके पास वह सुचारू वक्र था, तो उन्होंने कंप्यूटर से पूछा: "वह सबसे सरल गणितीय समीकरण क्या है जो ठीक इसी वक्र को बनाता है?"

उन्होंने एक्सहॉस्टिव सिम्बोलिक रिग्रेशन (Exhaustive Symbolic Regression) नामक तकनीक का उपयोग किया। इसे एक ऐसे कंप्यूटर के रूप में सोचें जो इस वक्र से पूरी तरह मेल खाने के लिए सरल गणितीय प्रतीकों (जोड़, घटाव, वर्गमूल, घातांक) के हर संभावित संयोजन को आज़माता है।
यह एक ऐसे शेफ की तरह है जिसके मन में एक विशिष्ट स्वाद है (वक्र) और वह हर संभव मसालों के संयोजन को आज़माता है ताकि उस सरल रेसिपी को खोज सके जो बिल्कुल वैसा ही स्वाद देती है।

खोज: एक आश्चर्यजनक रूप से सरल रेसिपी

कंप्यूटर ने विजेता चुन लिया। यह कई पदों वाला एक जटिल फॉर्मूला नहीं था। यह एक उल्लेखनीय रूप से सरल एक-पैरामीटर वाला समीकरण था:

$w(a) = \frac{w_0}{\sqrt{a}}$

साधारण शब्दों में: डार्क एनर्जी की "शक्ति" ब्रह्मांड के आकार के वर्गमूल के व्युत्क्रमानुपाती (inversely proportional) है।

यह क्यों शानदार है?

यह सरल है: इसमें केवल एक ही "नॉब" घुमाने के लिए है ( $w_0$ ), जबकि मानक CPL मॉडल में दो हैं। यह एक गाने को पांच नोट्स के बजाय दो नोट्स के साथ वर्णित करने जैसा है।
यह फिट बैठता है: यह जटिल दो-पैरामीटर वाले मॉडलों की तरह ही डेटा में सटीक बैठता है।
यह भविष्यवाणियां करने में सक्षम है: क्योंकि इसमें कम नॉब्स हैं, यह अधिक सटीक भविष्यवाणियां करता है। एक एक-नॉब वाले मॉडल के साथ "धोखा" करना कठिन होता है।

इस बात का ब्रह्मांड के लिए क्या अर्थ है?

लेखक VCDM (आइंस्टीन के गुरुत्वाकर्षण का एक थोड़ा संशोधित संस्करण) नामक एक विशिष्ट सैद्धांतिक ढांचे का उपयोग करते हैं ताकि यह सुनिश्चित हो सके कि यह गणित भौतिकी के नियमों को तोड़े बिना काम करता है। यह सरल फॉर्मूला क्या भविष्यवाणी करता है:

"फैंटम" क्रॉसिंग: मॉडल बताता है कि डार्क एनर्जी वर्तमान में एक ऐसी दहलीज को पार कर रही है जहाँ यह "फैंटम एनर्जी" की तरह व्यवहार करती है (सामान्य कॉस्मोलॉजिकल कांस्टेंट की तुलना में अधिक जोर से धकेलती है)।
कोई "बिग रिप" (Big Rip) नहीं: कुछ डरावने सिद्धांतों में, यदि डार्क एनर्जी बहुत शक्तिशाली हो जाती है, तो यह ब्रह्मांड को "बिग रिप" (जैसे गुब्बारे को फटने तक खींचना) में फाड़ देती है। यह मॉडल कहता है: नहीं। यह एक "ट्रांजिएंट" (अस्थायी) चरण की भविष्यवाणी करता है। डार्क एनर्जी कुछ समय के लिए मजबूत होती है, लेकिन फिर यह फीकी पड़ जाती है, और ब्रह्मांड एक अधिक सामान्य, धूल जैसी विस्तार की स्थिति में वापस आ जाता है।
शुरुआती अराजकता नहीं: यह शुरुआती ब्रह्मांड में डार्क एनर्जी को स्वाभाविक रूप से दबा देता है, जिसका अर्थ है कि इसने आकाशगंगाओं के निर्माण में गड़बड़ी नहीं की।

निचोड़

लेखकों ने बेयसियन सांख्यिकी (यह देखने के लिए कि डेटा वास्तव में क्या पसंद करता है) को मशीन लर्निंग (सबसे सरल गणित खोजने के लिए जो फिट बैठता है) के साथ जोड़ा।

उन्होंने पाया कि ब्रह्मांड डार्क एनर्जी के जटिल, दो-संख्या वाले अनुमानों के बजाय एक सरल, सुचारू, एक-संख्या वाले विवरण को प्राथमिकता देता है। यह हमें याद दिलाता है कि प्रकृति अक्सर सबसे सरल स्पष्टीकरण को पसंद करती है (Occam's Razor)।

संक्षेप में: ब्रह्मांड का विस्तार हो रहा है, और इसे धकेलने वाली शक्ति को एक बहुत ही सरल, सुंदर गणितीय सूत्र द्वारा वर्णित किया जा सकता है जिसे हमने डेटा को बोलने देकर खोजा है, न कि अपने जटिल अनुमानों को उस पर थोपकर।

तकनीकी सारांश: एक सरल फैंटम-क्रॉसिंग डार्क एनर्जी पैरामीट्राइजेशन की डेटा-संचालित खोज

समस्या विवरण
ब्रह्मांड के त्वरित विस्तार का भौतिक मूल अभी भी एक खुला प्रश्न बना हुआ है। जबकि मानक $\Lambda$ CDM मॉडल अधिकांश अवलोकनों के साथ फिट बैठता है, बेरियन एकोस्टिक ऑसिलेशन (BAO), टाइप-Ia सुपरनोवा (SN), और कॉस्मिक माइक्रोवेव बैकग्राउंड (CMB) से प्राप्त हालिया डेटा एक विकसित होते हुए डार्क एनर्जी (DE) समीकरण अवस्था, $w(z)$ , की ओर संकेत करता है, जो संभावित रूप से कम रेडशिफ्ट पर "फैंटम डिवाइड" ( $w < -1$ ) को पार करती है। हालांकि, मानक फेनोमेनोलॉजिकल पैरामीट्राइजेशन (जैसे CPL) महत्वपूर्ण सीमाओं का सामना करते हैं: वे अक्सर कॉस्मोलॉजिकल पर्टर्बेशन्स (विशेष रूप से $w=-1$ के पास) के लिए एक सुसंगत सैद्धांतिक ढांचे का अभाव रखते हैं, अत्यधिक लचीलेपन के कारण ओवरफिटिंग का जोखिम उठाते हैं, और रोगजनक कॉस्मोलॉजिकल इतिहास (जैसे बिग रिप सिंगुलैरिटी या अत्यधिक अर्ली डार्क एनर्जी) की भविष्यवाणी कर सकते हैं। लेखक एक डेटा-संचालित दृष्टिकोण का उपयोग करना चाहते हैं ताकि बिना किसी पूर्व निर्धारित कार्यात्मक रूप (functional form) को थोपे, सरल, भविष्य कहने योग्य और सैद्धांतिक रूप से सुसंगत गतिशील DE मॉडलों की पहचान की जा सके।

कार्यप्रणाली
लेखक VCDM (वैरिएशनल कॉस्मोलॉजिकल डार्क मैटर) ढांचे के भीतर एक दो-चरणीय, डेटा-संचालित पुनर्निर्माण कार्यक्रम का उपयोग करते हैं, जो एक न्यूनतम संशोधित गुरुत्वाकर्षण सिद्धांत है जो रोगजनक स्केलर डिग्री ऑफ फ्रीडम को पेश किए बिना फैंटम-क्रॉसिंग इतिहास की अनुमति देता है।

बायेसियन स्प्लाइन पुनर्निर्माण (Bayesian Spline Reconstruction):
- लक्ष्य: $w(a)$ के कार्यात्मक रूप को गैर-पैरामेट्रिक रूप से पुनर्निर्मित करना।
- कार्यान्वयन: स्प्लाइन पुनर्निर्माण के लिए संशोधित VCDM संस्करण वाले CLASS बोलत्ज़मैन सॉल्वर का उपयोग करते हुए, लेखक $n$ नोड्स (जहाँ $n=2, 3, 4$ ) के साथ लीनियर स्प्लाइन का उपयोग करके एक बायेसियन विश्लेषण करते हैं।
- डेटा: CMB (Planck 2018), BAO (DESI DR2), और SN (Pantheon+, Union3, DES-Dovekie)।
- मॉडल चयन: जटिलता को दंडित करने के लिए बायेसियन साक्ष्य ( $Z$ ) की गणना की जाती है (ओकैम का रेज़र/Occam's razor)। पुनर्निर्माण को विभिन्न नोड गणनाओं वाले स्प्लाइन मॉडलों पर मार्जिनलाइज किया जाता है।
व्यापक प्रतीकात्मक प्रतिगमन (Exhaustive Symbolic Regression - ESR):
- लक्ष्य: स्प्लाइन पुनर्निर्माण के गुणात्मक परिणामों को संक्षिप्त, विश्लेषणात्मक अभिव्यक्तियों में अनुवादित करना।
- उपकरण: SPIDER (डार्क एनर्जी पुनर्निर्माण के लिए सिम्बोलिक रिग्रेशन पाइपलाइन) पाइपलाइन।
- प्रक्रिया:
  - गुणात्मक पूर्वाग्रह (Qualitative Priors): स्प्लाइन विश्लेषण खोज क्षेत्र (search space) को सूचित करता है, जो सुचारू, एकदिशीय (monotonic), कम-जटिलता वाले विकास को प्राथमिकता देता है।
  - जेनरेशन: ESR का उपयोग करते हुए, पाइपलाइन एक विशिष्ट ऑपरेटर बेसिस $\{+, -, \times, /, \sqrt{}, \text{pow}, \text{exp}\}$ से निर्मित निश्चित जटिलता वर्ग ($cl=4$) के भीतर सभी विश्लेषणात्मक अभिव्यक्तियों को व्यवस्थित रूप से सूचीबद्ध करती है।
  - मूल्यांकन: उम्मीदवार फंक्शन सीधे पुनर्निर्मित $w(a)$ मानों पर फिट नहीं किए जाते हैं। इसके बजाय, उन्हें बैकग्राउंड और लीनियर पर्टर्बेशन्स को विकसित करने के लिए VCDM+CLASS पाइपलाइन में लागू किया जाता है।
  - रैंकिंग: उम्मीदवारों को पूर्ण कॉस्मोलॉजिकल डेटासेट के $\chi^2$ फिट के आधार पर रैंक किया जाता है और मानक पैरामीट्राइजेशन (CPL, BA, JBP, आदि) तथा $\Lambda$ CDM के विरुद्ध बायेसियन साक्ष्य के आधार पर उनकी तुलना की जाती है।

मुख्य योगदान और परिणाम

स्प्लाइन पुनर्निर्माण निष्कर्ष:
- वर्तमान डेटा $w(a)$ के लिए सुचारू, एकदिशीय प्रक्षेपवक्रों (trajectories) का समर्थन करता है जो आज $-1$ के करीब रहते हैं और कम रेडशिफ्ट पर फैंटम क्षेत्र में प्रवेश करते हैं।
- जटिलता दंड (Complexity Penalty): स्प्लाइन नोड्स की संख्या बढ़ाने (बढ़ती कार्यात्मक स्वतंत्रता) को बायेसियन साक्ष्य द्वारा अस्वीकार किया जाता है। डेटा अत्यधिक संरचित या दोलनशील (oscillatory) DE इतिहास का समर्थन नहीं करता है; एक या दो-नोड वाला स्प्लाइन मानक मॉडलों के मुकाबले प्रतिस्पर्धी प्रदर्शन करता है, जबकि चार-नोड वाले मॉडल लगातार अवांछित पाए जाते हैं।
प्रतीकात्मक प्रतिगमन खोज:
- ESR खोज ने सबसे अच्छा प्रदर्शन करने वाले उम्मीदवार के रूप में एक उल्लेखनीय सरल, एक-पैरामीटर पैरामीट्राइजेशन की पहचान की:
  $w(a) = \frac{w_0}{\sqrt{a}} = \frac{w_0}{\sqrt{1+z}}$
- यह "SR" मॉडल (जिसे F42 लेबल किया गया है) एक $\chi^2$ प्राप्त करता है जो मानक दो-पैरामीटर मॉडलों (जैसे CPL) के तुलनीय है, और $\Lambda$ CDM से काफी बेहतर है।
- बायेसियन मॉडल तुलना: SR मॉडल मानक दो-पैरामीटर गतिशील मॉडलों की तुलना में मध्यम साक्ष्य ( $\Delta \log Z \approx 1\text{--}3$ ) और $\Lambda$ CDM के विरुद्ध मजबूत साक्ष्य ( $\Delta \log Z \approx 4.6$ ) प्रदान करता है।
SR मॉडल के भौतिक गुण:
- फैंटम क्रॉसिंग: $w_0 < 0$ के लिए, यह मॉडल केवल $w_0$ द्वारा निर्धारित रेडशिफ्ट ( $z_{ph} = w_0^{-2} - 1$ ) पर फैंटम डिवाइड को स्वाभाविक रूप से पार करता है।
- प्रारंभिक ब्रह्मांड दमन (Early Universe Suppression): $a \to 0$ होने पर $w(a) \to -\infty$ होने के बावजूद, डार्क एनर्जी घनत्व प्रारंभिक समय में तेजी से कम (exponentially suppressed) हो जाता है, जिससे बड़े अर्ली डार्क एनर्जी अंशों से बचा जा सकता है।
- भविष्य की विषमता (Future Asymptotics): यह मॉडल एक क्षणिक फैंटम चरण की भविष्यवाणी करता है। जैसे-जैसे $a \to \infty$ , $w(a) \to 0^-$ होता है, और प्रभावी DE 'डस्ट' (dust) की तरह व्यवहार करता है। यह स्थिर फैंटम मॉडलों के विपरीत, भविष्य के 'बिग रिप' सिंगुलैरिटी को टालता है।
- भविष्यवाणी क्षमता: एक-पैरामीटर मॉडल होने के कारण, यह अत्यधिक भविष्य कहने योग्य है। यह किसी भी $w_0$ के मान के लिए $\Lambda$ CDM में नहीं बदलता है; बल्कि, यह कॉस्मोलॉजिकल कांस्टेंट के वास्तविक गतिशील विरूपण (dynamical deformation) का प्रतिनिधित्व करता है।
सैद्धांतिक पुनर्निर्माण:
- लेखक SR समीकरण अवस्था के अनुरूप अंतर्निहित VCDM पोटेंशियल $V(\phi)$ को पुनर्निर्मित करते हैं। पाया गया है कि पोटेंशियल मैटर-डोमिनेटेड युग के दौरान लगभग रैखिक (linear) है (जो GR को रिकवर करता है) और DE-डोमिनेटेड और भविष्य के युगों में विशिष्ट स्पर्शोन्मुखी (asymptotic) व्यवहार प्रदर्शित करता है।

महत्व और दावे
यह शोध पत्र यह प्रदर्शित करने का दावा करता है कि डेटा-संचालित मॉडल खोज के लिए एक सफल ढांचा कैसे बनाया जा सकता है। गैर-पैरामेट्रिक बायेसियन पुनर्निर्माण को व्याख्या योग्य मशीन लर्निंग (सिम्बोलिक रिग्रेशन) के साथ जोड़कर, लेखक दिखाते हैं कि वर्तमान अवलोकन आश्चर्यजनक रूप से सरल डार्क एनर्जी गतिकी का समर्थन करते हैं।

पद्धतिगत नवाचार: यह कार्य यह दर्शाता है कि पूर्व-निर्धारित सैद्धांतिक सिद्धांतों (ansatze) के परीक्षण से आगे कैसे बढ़ा जाए। इसके बजाय, यह डेटा से सीधे संक्षिप्त विश्लेषणात्मक संरचनाओं को इन्फर (infer) करता है, जिसमें स्प्लाइन पुनर्निर्माण का उपयोग सिम्बोलिक खोज की जटिलता को निर्देशित करने के लिए किया जाता है।
सैद्धांतिक निरंतरता: पहचाना गया मॉडल केवल एक फेनोमेनोलॉजिकल फिट नहीं है; इसे VCDM के भीतर समाहित किया गया है, जो यह सुनिश्चित करता है कि बैकग्राउंड विकास और लीनियर पर्टर्बेशन्स दोनों को फैंटम डिवाइड के पार सुसंगत रूप से परिभाषित किया गया है।
विनम्रता: लेखक नोट करते हैं कि गतिशील डार्क एनर्जी के लिए सांख्यिकीय प्राथमिकता मध्यम है। इस विशिष्ट सरल प्रक्षेपवक्र के पक्ष में प्राथमिकता चुने गए ऑपरेटर बेसिस, जटिलता सीमा और डेटासेट पर निर्भर करती है। यह कार्य इस विशिष्ट $w(a) = w_0/\sqrt{a}$ नियम के निर्णायक प्रमाण के बजाय एक सिद्धांतपूर्ण मॉडल-खोज ढांचे के रूप में एक 'प्रूफ-ऑफ-कॉन्सेप्ट' के रूप में प्रस्तुत किया गया है।