Physics-guided discovery of dynamical dark-energy equations of state through iterative AI reasoning

तकनीकी सारांश: डाइनैमिकल डार्क-एनर्जी इक्वेशन ऑफ स्टेट की भौतिकी-निर्देशित खोज

समस्या विवरण
ब्रह्मांडीय त्वरण (cosmic acceleration) की खोज डार्क एनर्जी के अस्तित्व को दर्शाती है, फिर भी मानक $\Lambda$CDM मॉडल इस घटक की भौतिक प्रकृति के संबंध में मौलिक सैद्धांतिक प्रश्नों को अनसुलझा छोड़ देता है। जबकि डाइनैमिकल डार्क-एनर्जी मॉडल (जहाँ समीकरण का अवस्था $w$ रेडशिफ्ट के साथ विकसित होता है) का व्यापक रूप से अन्वेषण किया गया है, वर्तमान निष्कर्ष मुख्य रूप से मानव-निर्मित, निम्न-आयामी पैरामीट्राइजेशन (जैसे CPL, JBP) पर निर्भर करते हैं। ये पारंपरिक दृष्टिकोण अपने निश्चित कार्यात्मक रूपों और अनंत व्यवहार (asymptotic behaviors) के कारण सीमित हैं, जो नई भौतिकी की खोज को पक्षपाती बना सकते हैं या वास्तविक अंतर्निहित घटनाक्रम को छिपा सकते हैं। इसके विपरीत, गैर-पैरामीट्रिक पुनर्निर्माण (non-parametric reconstructions) उन संक्षिप्त विश्लेषणात्मक रूपों की कमी रखते हैं जो भौतिक व्याख्या और सैद्धांतिक तुलना के लिए आवश्यक हैं। यह शोध पत्र एक ऐसे ढांचे की आवश्यकता को संबोधित करता है जो व्याख्यात्मकता, भौतिक प्रेरणा और सांख्यिकीय कठोरता को बनाए रखते हुए, प्रतीकात्मक समीकरण-अवस्था (EoS) उम्मीदवारों के एक व्यापक स्थान की खोज कर सके।

कार्यप्रणाली
लेखक एक पुनरावृत्ति, AI-निर्देशित तर्क ढांचे का प्रस्ताव करते हैं जो डार्क-एनर्जी EoS की खोज को पीढ़ी (generation), मूल्यांकन (evaluation) और परिशोधन (refinement) की एक क्लोज्ड-लूप प्रक्रिया के रूप में मानता है। कार्यप्रवाह के चार मुख्य घटक हैं:

1. परिकल्पना पीढ़ी (Hypothesis Generation): एक लार्ज लैंग्वेज मॉडल (LLM), विशेष रूप से Qwen3-30B-A3B, एक जनरेटर के रूप में कार्य करता है। यह $w(z)$ के लिए प्रतीकात्मक पैरामीट्राइजेशन को निष्पादन योग्य पायथन फंक्शन के रूप में प्रस्तावित करता है। महत्वपूर्ण रूप से, प्रत्येक प्रस्ताव के साथ एक प्राकृतिक-भाषा ब्रह्मांडीय तर्क (cosmological rationale) भी दिया जाता है।
2. रिट्रीवल-ऑगमेंटेड जनरेशन (RAG): पीढ़ी को मौजूदा भौतिकी में स्थापित करने के लिए, सिस्टम डार्क एनर्जी पर $\sim$7,000 arXiv पांडुलिपियों के संग्रह से प्रासंगिक अंश प्राप्त करता है। यह सुनिश्चित करता है कि प्रस्ताव साहित्य के प्रति संदर्भ-जागरूक हों, जबकि नए संयोजनों की अनुमति भी देते हैं।
3. ब्रह्मांडीय मूल्यांकन (Cosmological Evaluation): प्रत्येक उम्मीदवार को एक बैकग्राउंड कॉस्मोलॉजिकल मॉडल में एम्बेड किया जाता है। प्रेक्षण डेटा (Type Ia सुपरनोवा, बेरियन एकोस्टिक ऑसिलेशन और संकुचित CMB शिफ्ट पैरामीटर्स $R$ और $\ell_A$) के विरुद्ध मापदंडों को अनुकूलित किया जाता है।
   • पुनरावृत्ति खोज चरण (Iterative Search Stage): तीव्र स्क्रीनिंग के लिए एक कम डेटासेट (Pantheon+, 2D BAO, और संकुचित CMB शिफ्ट पैरामीटर $R$ और $\ell_A$) का उपयोग करता है।
   • सत्यापन चरण (Validation Stage): अंतिम मॉडल तुलना के लिए पूर्ण लाइकलीहुड्स (Planck 2018, DESI-DR2, Union3, DESY5) का उपयोग करता है।
4. स्वतंत्र आलोचक (Independent Critic): एक अलग LLM (GPT-5.1 mini) भौतिक संभाव्यता, नवीनता, तर्क की स्पष्टता, संख्यात्मक स्थिरता और कार्यान्वयन वैधता के आधार पर उम्मीदवारों का मूल्यांकन करता है। आलोचक स्कोर और संशोधन के लिए विशिष्ट सुझाव प्रदान करता है।
5. अनुभव बफर (Experience Buffer): सफल परिकल्पनाओं (उच्च सांख्यिकीय फिट और उच्च आलोचक स्कोर) को एक अनुभव बफर में संग्रहीत किया जाता है। आगामी पीढ़ियों को इस बफर के आधार पर निर्देशित किया जाता है, जिससे सिस्टम को समय के साथ गणितीय संरचना और भौतिक तर्क दोनों को विकसित करने की अनुमति मिलती है।

इस प्रणाली को पहले एक विलक्षण मॉक कॉस्मोलॉजी (exotic mock cosmology) पर एक "ब्लाइंड टेस्ट" के माध्यम से मान्य किया गया था, जिसमें एक गैर-मानक EoS ($w_{exotic}(z) = \alpha / (1+z)^\beta$) था, ताकि यह सुनिश्चित हो सके कि पाइपलाइन CPL जैसे परिचित टेम्पलेट्स की ओर पक्षपाती हुए बिना गैर-मानक गतिकी को पुनः प्राप्त कर सके।

प्रमुख योगदान

• AI-निर्देशित घटनाक्रम (Phenomenology) के लिए ढांचा: यह शोध पत्र एक पुनरुत्पादनीय लूप प्रस्तुत करता है जो प्रतीकात्मक समीकरण खोज को भौतिक तर्क के साथ एकीकृत करता है, जो केवल कर्व फिटिंग से आगे बढ़कर "भौतिकी-निर्देशित तर्क" की ओर ले जाता है।
• दो नवीन पैरामीट्राइजेशन: ढांचे ने दो नए, संक्षिप्त, दो-पैरामीटर वाले EoS रूपों की पहचान की जो स्थापित मॉडलों के प्रतिस्पर्धी हैं:
  • AI 1: एक बाउंडेड क्वाड्रेटिक पैरामीट्राइजेशन जिसमें फैंटम-क्रॉसिंग घटनाक्रम है:
    $$w(z) = -1 - w_0 \left(\frac{z^2}{1+z^2}\right) + w_a \left(\frac{z^2}{1+z^2}\right)^2 - w_0 w_a$$
    इस मॉडल में एक सुचारू, बाउंडेड ट्रांजिशन है और यह फैंटम-टू-नॉन-फैंटम प्रक्षेपवक्र (trajectories) की अनुमति देता है।
  • AI 2: एक डैम्प्ड इंटरमीडिएट-रेडशिफ्ट पैरामीट्राइजेशन:
    $$w(z) = w_0 + w_a \frac{z}{1+z} \exp\left[-\left(\frac{z}{1+z}\right)^2 (1+z)^{1/4}\right]$$
    यह मॉडल CPL के लो-रेडशिफ्ट व्यवहार को सुरक्षित रखता है लेकिन हाई-रेडशिफ्ट लिमिट को $w_0$ तक डैम्प (damp) कर देता है, जिससे लेट-टाइम फ्लेक्सिबिलिटी और अर्ली-टाइम एसिम्प्टोटिक्स के बीच अलगाव होता है।
• नॉन-टेम्पलेट रिकवरी का सत्यापन: ब्लाइंड मॉक टेस्ट ने प्रदर्शित किया कि सिस्टम एक विलक्षण मॉडल (जहाँ CPL अत्यधिक प्रतिकूल था) के अंतर्निहित कॉस्मोलॉजी को बिना किसी ज्ञात टेम्पलेट को दोहराए सफलतापूर्वक पुनः प्राप्त कर सकता है, जो यह सिद्ध करता है कि खोज का स्थान मानक एन्सैट्स (ansätze) तक सीमित नहीं है।

परिणाम

• ब्लाइंड वैलिडेशन: विलक्षण मॉक टेस्ट में, AI-जनरेटेड मॉडल्स (विशेष रूप से AI-sim1 और AI-sim2) ने इंजेक्टेड बैकग्राउंड कॉस्मोलॉजी ($\Omega_m, H_0$) को विश्वसनीय अंतराल के भीतर पुनः प्राप्त किया, जबकि मानक CPL मॉडल विफल रहा, जिससे टाइट बाधाओं के बावजूद पक्षपाती पैरामीटर प्राप्त हुए। सर्वश्रेष्ठ AI उम्मीदवारों ने वास्तविक मॉडल के सापेक्ष 1.55 का लॉग-बेयस फैक्टर ($\ln BE_i$) प्राप्त किया (जो CPL के लिए 6.97 था, जो इसे दृढ़ता से प्रतिकूल दर्शाता है)।
• वास्तविक डेटा विश्लेषण: Pantheon+, DESI-DR2, और Planck 2018 डेटा के संयोजन पर लागू किया गया:
  • दो AI-चयनित मॉडल (AI 1 और AI 2) शीर्ष प्रदर्शन करने वालों में शामिल थे, जो CPL मॉडल के लगभग एक लॉग-एविडेंस यूनिट के भीतर रहे।
  • DESI-DR2 BAO + Pantheon+ SNIa + Planck 2018 के संयोजन के लिए, AI 1 ने CPL की तुलना में बड़ा बेयसियन एविडेंस प्राप्त किया (एक यूनिट से अधिक), जो डायनामिकल मॉडल के पक्ष में है।
  • DESI-DR2 BAO + Union3 SNIa + Planck 2018 के लिए, AI 1 ने सभी परीक्षण किए गए मॉडलों में सबसे मजबूत साक्ष्य दिखाया।
  • दोनों AI मॉडल प्रारंभिक ब्रह्मांड के मापदंडों ($\omega_b, \omega_{cdm}, \theta_s$) को सुरक्षित रखते हैं जो Planck बाधाओं के अनुरूप हैं, जो यह दर्शाता है कि उनके सुधार रिकॉम्बिनेशन भौतिकी में संशोधन के बजाय लेट-टाइम बैकग्राउंड इवोल्यूशन से उत्पन्न होते हैं।
  • ये मॉडल CPL के साथ लगभग डिजेनरेट (degenerate) CMB टेम्परेचर स्पेक्ट्रा की भविष्यवाणी करते हैं, जिनमें अंतर मुख्य रूप से लो-मल्टीपोल पर दिखाई देते हैं।

महत्व और दावे
शोध पत्र दावा करता है कि AI-निर्देशित तर्क व्याख्यात्मक (interpretable) फेनोमेनोलॉजिकल पैरामीट्राइजेशन प्रस्तावित करके पारंपरिक मॉडल निर्माण का पूरक बन सकता है। लेखक इस बात पर जोर देते हैं कि यह ढांचा स्वायत्त वैज्ञानिक समझ का दावा नहीं करता है, बल्कि फेनोमेनोलॉजिकल तर्क की प्रक्रिया को स्पष्ट, ऑडिट योग्य और संशोधनीय बनाता है।

मुख्य दावों में शामिल हैं:

• पूर्व-चयनित एन्सैट्स (ansätze) तक सीमित होने के बजाय "फेनोमेनोलॉजिकल स्पेस" को खोजने की क्षमता।
• दो कॉम्पैक्ट, दो-पैरामीटर वाले समीकरणों की खोज जो स्थापित रूपों के प्रतिस्पर्धी हैं और विशिष्ट डेटासेट संयोजनों में, उनसे सांख्यिकीय रूप से पसंदीदा हैं।
• यह प्रदर्शन करना कि AI डेटा की मांग के अनुसार गैर-मानक विस्तार इतिहास (expansion histories) के अनुकूल हो सकता है, जिससे "टेम्पलेट बायस" से बचा जा सकता है जो मानव-निर्मित खोजों में निहित होता है।
• इन मॉडलों को प्रभावी फेनोमेनोलॉजिकल विवरण के रूप में व्याख्या किया जाना चाहिए न कि सूक्ष्म भौतिक सिद्धांतों (microphysical theories) के रूप में; इनका महत्व यह दिखाने में है कि कैसे साहित्य-आधारित प्रस्तावों और क्रिटिक-आधारित तर्क को प्रभावी मॉडलों की खोज के लिए एकीकृत किया जा सकता है।

लेखक विनम्र रहते हुए नोट करते हैं कि इन मॉडलों की सांख्यिकीय प्राथमिकता चयनात्मक (डेटासेट संयोजनों पर निर्भर) है, और अगला कदम खोज उद्देश्य (search objective) में सीधे विक्षोभ स्थिरता (perturbation stability) और विकास संबंधी अवलोकनों को शामिल करना है।