⚛️ general relativity

Neural-Spectral Discovery of Rotating Black Holes Beyond General Relativity

यह शोधपत्र {\sc Akribeia} को प्रस्तुत करता है, जो एक हाइब्रिड फ्रेमवर्क है और उच्च-वक्रता गुरुत्वाकर्षण सिद्धांतों (higher-curvature gravity theories) में सटीक, निरंतर घूमते हुए ब्लैक होल समाधानों को उत्पन्न करने और प्रमाणित करने के लिए भौतिकी-सूचित तंत्रिका नेटवर्क (physics-informed neural networks) को सूडो-स्पेक्ट्रल परिशोधन (pseudo-spectral refinement) के साथ जोड़ता है, जो गैर-परटर्बेटिव व्यवस्थाओं (non-perturbative regimes) में कई कोणीय संवेगों वाले ऐसे समाधानों के निर्माण को सक्षम बनाता है।

मूल लेखक: Felipe Agurto-Sepúlveda, Marcelo Oyarzo, Anxo Biasi, Devansh Agarwal, Ethan Tregidga, James F. Steiner, Jose D. Edelstein, Gaston Giribet, Cecilia Garraffo

प्रकाशित 2026-07-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Felipe Agurto-Sepúlveda, Marcelo Oyarzo, Anxo Biasi, Devansh Agarwal, Ethan Tregidga, James F. Steiner, Jose D. Edelstein, Gaston Giribet, Cecilia Garraffo

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 एक विशाल, धुंधले पर्वत श्रृंखला में एक विशिष्ट, सटीक आकार को खोजने का प्रयास कर रहे हैं। भौतिकी की दुनिया में, यह "पर्वत श्रृंखला" ब्रह्मांड है, और वह "आकार" एक घूमता हुआ ब्लैक होल (कृष्ण विवर) है। दशकों से, वैज्ञानिक सामान्य सापेक्षता (गुरुत्वाकर्षण का हमारा सबसे अच्छा वर्तमान सिद्धांत) के पहाड़ों का मानचित्र बनाने में सक्षम रहे हैं, जिससे प्रसिद्ध "केयर" (Kerr) ब्लैक होल का पता चला है। लेकिन जब वे सिद्धांत में नए, जटिल तत्वों को जोड़ने का प्रयास करते हैं—ऐसे तत्व जो यह समझा सकते हैं कि क्वांटम स्तर पर गुरुत्वाकर्षण कैसे काम करता है—तो मानचित्र एक उलझा हुआ, धुंधला जाल बन जाता है। समीकरण इतने घुमावदार और गैर-रेखीय (non-linear) हो जाते हैं कि पारंपरिक गणितीय उपकरण फंस जाते हैं, और समाधान खोजने में असमर्थ हो जाते हैं।

यह शोध पत्र इस समस्या को हल करने के लिए खोजकर्ताओं की एक नई टीम अब्रिकेया (Akribeia) को पेश करता है। यहाँ बताया गया है कि वे इसे कैसे करते हैं, जिसे सरल चरणों में विभाजित किया गया है:

1. समस्या: धुंध में खो जाना

इन नई, जटिल थ्योरीज़ में एक घूमते हुए ब्लैक होल को खोजना एक ऐसे भूलभुलैया में रास्ता खोजने जैसा है जहाँ दीवारें हिलती रहती हैं। पारंपरिक तरीके एक ऐसे हाइकर (हाइकर) की तरह हैं जिसे शुरू करने के लिए एक बहुत ही विशिष्ट शुरुआती बिंदु (एक "बीज" या "seed") की आवश्यकता होती है। यदि हाइकर को यह नहीं पता कि शुरुआत कहाँ से करनी है, तो वह निकास नहीं खोज सकता। लंबे समय से, वैज्ञानिकों के पास इन उन्नत सिद्धांतों में घूमते हुए ब्लैक होल के लिए ये शुरुआती बिंदु नहीं थे, इसलिए समाधान छिपे ही रहे।

2. समाधान: एक दो-चरणीय खोज टीम

लेखकों ने एक हाइब्रिड फ्रेमवर्क बनाया है जिसे अब्रिकेया (Akribeia) कहा जाता है, जो इस भूलभुलैया में नेविगेट करने के लिए दो अलग-अलग उपकरणों को जोड़ता है:

चरण 1: एआई स्काउट (फिजिक्स-इंफॉर्म्ड न्यूरल नेटवर्क्स)
कल्पना कीजिए कि एक स्मार्ट ड्रोन (एक AI) को भेज दिया गया है जिसे किसी मानचित्र की आवश्यकता नहीं है। इसके बजाय, यह बेतरतीब ढंग से उड़ता है, और जैसे-जैसे यह आगे बढ़ता है, यह "क्षेत्र के नियमों" (भौतिकी के नियमों) को सीखता जाता है। इसे एक आदर्श शुरुआती बिंदु की आवश्यकता नहीं है; यह बस अनुमान लगाना शुरू करता है और अपने उड़ान पथ को तब तक समायोजित करता है जब है जब तक कि इसे एक सामान्य आकार न मिल जाए जो नियमों के अनुकूल हो। यह "खोजबीन" (exploratory) चरण है। यह धुंध के बीच से एक मोटा, निरंतर पथ खोज लेता है।
चरण 2: मास्टर कार्टोग्राफर (स्यूडो-स्पेक्ट्रल रिफाइनमेंट)
एक बार जब ड्रोन एक मोटा रास्ता खोज लेता है, तो एक मास्टर कार्टोग्राफर (मानचित्रकार) कार्यभार संभाल लेता है। यह कार्टोग्राफर उच्च-परिशुद्धता वाले उपकरणों (जैसे एक अत्यंत सटीक रूलर और कैलकुलेटर) का उपयोग करके ड्रोन के पथ को ट्रेस करता है। वे हर उभार को चिकना करते हैं और सुनिश्चित करते हैं कि रेखाएं गणितीय रूप से पूर्ण हों। यह चरण "मोटे स्केच" को एक "प्रमाणित, हाई-डेफिनिशन मानचित्र" में बदल देता है।

3. खोज: नए घूमते हुए आकार

इस टीम का उपयोग करके, वैज्ञानिकों ने सफलतापूर्वक "क्वाड्रेटिक" (वर्ग) और "क्यूबिक" (घन) वक्रता पदों (curvature terms) वाले सिद्धांतों में घूमते हुए ब्लैक होल खोजे।

"क्वाड्रेटिक" परीक्षण: उन्होंने सबसे पहले एक ज्ञात 5-आयामी ब्रह्मांड पर अपनी विधि का परीक्षण किया। AI ने पथ खोज लिया, और कार्टोग्राफर ने उसे तराशा। परिणाम ने पिछले सभी ज्ञात समाधानों से पूरी तरह मेल खाया, जिससे सिद्ध हुआ कि यह टीम काम करती है।
"क्यूबिक" सफलता: फिर, वे अनछुए क्षेत्र में गए: एक 7-आयामी ब्रह्मांड जिसमें "क्यूबिक" गुरुत्वाकर्षण पद शामिल थे। इससे पहले कभी किसी ने यहाँ घूमने वाले ब्लैक होल के समाधान नहीं खोजे थे। अब्रेकेया टीम ने उन्हें खोज निकाला! उन्होंने ब्लैक होल के उन परिवारों की खोज की जो कई कोणीय संवेगों (angular momenta) के साथ घूमते हैं, और जिन्हें सुचारू, निरंतर फलनों (functions) द्वारा वर्णित किया गया है।

4. उन्होंने क्या पाया

नए ब्लैक होल थोड़े अलग दिखते हैं:

"कुचलने" का प्रभाव (The Squashing Effect): ब्लैक होल के क्षितिज (इवेंट होराइजन) का आकार बदल जाता है। कुछ मामलों में, यह इस तरह से "कुचला" या खींचा जाता है जो यह सुझाव देता है कि यह पहले की तुलना में अधिक स्थिर हो सकता है।
मजबूत "फ्रेम ड्रैगिंग" (Frame Dragging): कल्पना कीजिए कि आप शहद के एक कटोरे को घुमा रहे हैं; चम्मच के पास का शहद तेजी से घूमता है और आसपास के शहद को अपने साथ खींचता है। नए ब्लैक होल स्पेस-टाइम के ताने-बाने को मानक ब्लैक होल की तुलना में और भी अधिक तीव्रता से घुमाते हैं। यह "खींचने" का प्रभाव अधिक मजबूत है, जो पास की वस्तुओं की कक्षा (orbit) को बदल देगा।

5. यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

शोध पत्र का दावा है कि यह विधि एक गेम-चेंजर है क्योंकि:

"सीड्स" की आवश्यकता नहीं: समाधान खोजने के लिए आपको पहले से उत्तर जानने की आवश्यकता नहीं है। AI यादृच्छिक अनुमानों से शुरू कर सकता है।
निरंतर मानचित्र: एक समय में एक समाधान खोजने के बजाय, वे समाधानों का एक पूरा "परिवार" बना सकते हैं जो भौतिकी के मापदंडों को बदलने पर सुचारू रूप से बदलते हैं।
भविष्य के अवलोकन: हालांकि शोध पत्र अभी तक किसी विशिष्ट चिकित्सा या इंजीनियरिंग समस्या को हल करने का दावा नहीं करता है, लेकिन यह बताता है कि इन "प्रमाणित मानचित्रों" का होना भविष्य के टेलीस्कोपों (जैसे इवेंट होराइजन टेलीस्कोप) और गुरुत्वाकर्षण तरंग डिटेक्टरों के लिए अत्यंत महत्वपूर्ण है। जब ये उपकरण वास्तविक ब्लैक होल को देखते हैं, तो वैज्ञानिकों को यह बताने के लिए इन नए मानचित्रों की आवश्यकता होगी कि जो ब्लैक होल वे देख रहे हैं वे मानक प्रकार के हैं या किसी नए गुरुत्वाकर्षण सिद्धांत के विलक्षण (exotic) ब्लैक होल हैं।

संक्षेप में, शोध पत्र एक नया "AI + गणित" टूलकिट प्रस्तुत करता है जिसने सफलतापूर्वक एक पहले से असंभव मानी जाने वाली गणितीय भूलभुलैया को पार किया, जिससे जटिल, उच्च-आयामी गुरुत्वाकर्षण सिद्धांतों में घूमने वाले ब्लैक होल के पहले विस्तृत मानचित्रों का अनावरण हुआ।

तकनीकी सारांश: सामान्य सापेक्षता से परे घूमते हुए ब्लैक होल की न्यूरल-स्पेक्ट्रल खोज

समस्या विवरण
उच्च-वक्रता वाले गुरुत्वाकर्षण सिद्धांतों (सामान्य सापेक्षता से परे) में स्थिर घूमते हुए ब्लैक होल समाधान खोजना एक मौलिक चुनौती है। लगभग सभी दृष्टिकोण जो क्वांटम गुरुत्वाकर्षण की भविष्यवाणी करते हैं, आइंस्टीन-हिल्बर्ट एक्शन में सुधार (corrections) का संकेत देते हैं, लेकिन ऐसे सिद्धांतों के लिए स्थिर समाधान उत्पन्न करने के लिए कोई व्यवस्थित विधि मौजूद नहीं है। पारंपरिक संख्यात्मक दृष्टिकोण, जैसे कि न्यूटन-प्रकार के पुनरावृत्ति (iterative) स्कीमा, अत्यधिक सटीक प्रारंभिक बीजों (initial seeds) पर निर्भर करते हैं जो विचलित (perturbative) क्षेत्रों या विशिष्ट सीमाओं से प्राप्त होते हैं। इन बीजों की अनुपस्थिति में, अत्यधिक गैर-रैखिक, गैर-विचलित युग्मित साधारण अवकल समीकरणों (ODEs) के लिए प्रारंभिक सन्निकटन (approximations) उत्पन्न करना एक महत्वपूर्ण बाधा है। फलस्वरूप, उच्च-वक्रता वाले गुरुत्वाकर्षण सिद्धांतों में घूमते हुए ब्लैक होल समाधानों का एक व्यवस्थित, पैरामीट्रिक कैटलॉग उपलब्ध नहीं है, जो इवेंट होराइजन टेलिस्कोप (EHT) और LIGO-Virgo-KAGRA जैसी सुविधाओं से आगामी अवलोकन संबंधी डेटा के साथ इन सिद्धांतों के मिलान में बाधा डालता है।

कार्यप्रणाली: अक्रिबिया (Akribeia) फ्रेमवर्क
लेखक अक्रिबिया प्रस्तुत करते हैं, जो एक नवीन हाइब्रिड फ्रेमवर्क है जिसे इस अंतर को पाटने के लिए डिज़ाइन किया गया है। यह फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क्स (PINNs) को एक सूडो-स्पेक्ट्रल रिफाइनमेंट चरण के साथ जोड़ता है ताकि "सर्टिफाइड न्यूरल-फील्ड" समाधान तैयार किए जा सकें। कार्यप्रणाली दो अलग-अलग चरणों में आगे बढ़ती है:

PINN डिस्कवरी चरण:
- प्रतिनिधित्व: अज्ञात मेट्रिक फलनों (metric functions) को नेटवर्क वेट्स ( $W$ ) द्वारा पैरामीटराइज्ड निरंतर, अवकलनीय न्यूरल फील्ड्स के रूप में दर्शाया जाता है।
- प्रशिक्षण: नेटवर्क को कोलोकेशन पॉइंट्स के एक सेट पर फील्ड समीकरणों और सीमा स्थितियों (boundary conditions) के माध्य वर्ग अवशेषों (mean squared residuals) को न्यूनतम करने के लिए प्रशिक्षित किया जाता है। सटीक डेरिवेटिव ऑटोमैटिक डिफरेंशिएशन के माध्यम से कंप्यूट किए जाते हैं।
- आरंभीकरण (Initialization): महत्वपूर्ण रूप से, यह चरण रैंडम इनिशियलाइजेशन से संचालित होता है, जिससे विचलित बीजों या पैरामीटर निरंतरता प्रक्रियाओं की आवश्यकता समाप्त हो जाती है।
- अनुकूलन रणनीति (Optimization Strategy): प्रशिक्षण एक चार-चरणीय प्रोटोकॉल का पालन करता है: (i) लर्निंग रेट वार्म-अप के साथ Adam ऑप्टिमाइज़र; (ii) व्यापक लैंडस्केप अन्वेषण के लिए स्थिर लर्निंग रेट; (iii) परिशोधन के लिए एडेप्टिव लर्निंग रेट डिके; और (iv) अवशेषों को $\sim 10^{-3}$ तक कम करने के लिए L-BFGS क्वासी-न्यूटन अनुकूलन।
- आउटपुट: पैरामीटर स्पेस में सन्निकटन समाधानों का एक निरंतर परिवार।
सूडो-स्पेक्ट्रल रिफाइनमेंट चरण:
- प्रशिक्षित न्यूरल नेटवर्क आउटपुट एक क्लासिक सूडो-स्पेक्ट्रल चेबिशेव सॉल्वर के लिए प्रारंभिक बीज के रूप में कार्य करता है, जो विस्तारित-परिशुद्धता अंकगणित (extended-precision arithmetic) और एक गॉस-न्यूटन ऑप्टिमाइज़र से सुसज्जित है।
- यह चरण अवशेषों को मशीन डबल-प्रिसिजन से बहुत नीचे तक तेजी से कम करता है, जिससे चेबिशेव बहुपदों (polynomials) के रूप में व्यक्त उच्च-परिशुद्धता सन्निकटन प्राप्त होते हैं।
- यह हाइब्रिड दृष्टिकोण समाधान शाखाओं को खोजने के लिए मशीन लर्निंग की खोज क्षमता और उन्हें प्रमाणित करने के लिए स्पेक्ट्रल विधियों की परिशुद्धता का लाभ उठाता है।

प्रमुख योगदान

क्यूबिक लोवेलॉक ग्रेविटी में प्रथम घूमते हुए समाधान: यह पेपर क्यूबिक लोवेलॉक सिद्धांत (विशेष रूप से $D=7$ आयामों में) में произвоल (arbitrary) कपलिंग स्थिरांकों और समान कोणीय संवेगों के साथ पहले पूर्णतः गैर-रैखिक, स्थिर घूमते हुए ब्लैक होल समाधान प्रस्तुत करता है।
क्वाड्रेटिक लोवेलॉक (EGB) में पैरामीट्रिक परिवार: यह विधि बिना विचलित बीजों पर निर्भर रहे, कपलिंग स्थिरांक $\alpha$ द्वारा पैरामीटराइज्ड 5D आइंस्टीन-गॉस-बोनट (EGB) गुरुत्वाकर्षण में घूमते हुए समाधानों के निरंतर परिवारों का निर्माण करती है।
सर्टिफाइड न्यूरल फील्ड्स: लेखक निरंतर, वैश्विक रूप से परिभाषित फलन प्रदान करते हैं जो किसी भी क्रम तक अवकलनीय हैं, जिससे मनमाने बिंदुओं पर सटीक डेरिवेटिव और अवशेषों की गणना संभव होती है।
सत्यापन: फ्रेमवर्क ने 300-डिजिट विस्तारित-परिशुद्धता अंकगणित का उपयोग करके जनरल रिलेटिविटी सीमा में ज्ञात मायर्स-पेरी (Myers-Perry) घूमते हुए ब्लैक होल समाधान को $10^{-160}$ के सापेक्ष त्रुटि के साथ सफलतापूर्वक पुनः प्राप्त किया।

परिणाम

5D EGB थ्योरी: विधि ने कपलिंग स्थिरांक $\alpha \in [0, 3]$ $α \in [0, 3]$ के लिए समाधानों का एक निरंतर परिवार उत्पन्न किया। परिणाम $\alpha=3$ $α = 3$ के लिए मौजूदा संख्यात्मक समाधानों और $\alpha=0$ $α = 0$ के लिए सटीक मायर्स-पेरी समाधान से मेल खाते हैं।
- भौतिक अवलोकन: एक क्रिटिकल वैल्यू $\alpha^*$ के ऊपर कपलिंग के लिए घूर्णन के साथ द्विघात वक्रता पदों (quadratic curvature terms) का समावेश क्षितिज के "स्क्वैशिंग" (squashing) ( $h(r_H)/r_H^2 < 1$ ) की ओर ले जाता है। फ्रेम-ड्रैगिंग फंक्शन $w(r)$ $\alpha$ के साथ निरंतर बढ़ता है, जो उन्नत लेंस-थिरिंग प्रीसेशन दरों का सुझाव देता है।
7D क्यूबिक लोवेलॉक थ्योरी: लेखकों ने द्विघात कपलिंग को स्थिर रखते हुए, क्यूबिक वक्रता पदों के लिए अत्यधिक गैर-रैखिक ODE सिस्टम को हल किया, जिसमें क्यूबिक कपलिंग $\beta \in [0, 0.5]$ $β \in [0, 0.5]$ को बदला गया।
- भौतिक अवलोकन: मेट्रिक फलन द्विघात मामले के समान गुणात्मक व्यवहार प्रदर्शित करते हैं। समाधान उस सीमा में विश्लेतक मायर्स-पेरी समाधान के करीब पहुँचते हैं जहाँ उच्च-वक्रता वाले कपलिंग शून्य हो जाते हैं।
प्रदर्शन: हाइब्रिड विधि ने मनमाने कपलिंग मानों के लिए अभूतपूर्व परिशुद्धता प्राप्त की, जिससे उन आरंभिक संवेदनशीलताओं पर विजय प्राप्त हुई जो आमतौर पर इस शासन (regime) में स्पेक्ट्रल सॉल्वर को बाधित करती हैं।

महत्व और दावे
पेपर का दावा है कि अक्रिबिया उच्च-वक्रता वाले गुरुत्वाकर्षण में घूमते हुए ब्लैक होल समाधानों के निर्माण के लिए एक व्यवस्थित, पैरामीट्रिक दृष्टिकोण प्रदान करता है, जो पहले उपयुक्त प्रारंभिक बीजों की कमी के कारण सीमित था। प्रमाणित, निरंतर समाधानों का उत्पादन करके, यह विधि सैद्धांतिक टेम्पलेट्स के निर्माण को सक्षम बनाती है जो आगामी अवलोकन संबंधी परीक्षणों के लिए आवश्यक हैं।

लेखक इस बात पर जोर देते हैं कि उनके समाधान क्षितिज ज्यामिति में भौतिक विरूपण (physical deformations) और फ्रेम-ड्रैगिंग प्रभावों को प्रकट करते हैं जो सीधे उच्च-वक्रता कपलिंग के प्रति संवेदनशील हैं। ये वे सटीक अवलोकन योग्य (observables) हैं जिन्हें एक्स-रे स्पेक्ट्रोस्कोपी, पोलारिमेट्री और ग्रेविटेशनल वेव रिंगडाउन स्पेक्ट्रा द्वारा जांचा जाता है। पैरामीटर स्पेस में भौतिक अवलोकनों (जैसे क्षितिज त्रिज्या और कोणीय वेग) को निरंतर ट्रैक करने की क्षमता को भविष्य के डेटा विश्लेषण में ब्लैक होल स्पिन और उच्च-वक्रता सुधारों के बीच अस्पष्टता (degeneracy) को कम करने या तोड़ने के लिए एक महत्वपूर्ण कदम के रूप में प्रस्तुत किया गया है। यह उल्लेख किया गया है कि यह विधि युग्मित गैर-रैखिक आंशिक अंतर समीकरणों (PDEs) के अन्य सेटअपों के लिए अनुकूलनीय है, हालांकि वर्तमान कार्य को ODEs के को-होमोजेनिटी-1 रिडक्शन पर केंद्रित किया गया है।

1. समस्या: धुंध में खो जाना

2. समाधान: एक दो-चरणीय खोज टीम

3. खोज: नए घूमते हुए आकार

4. उन्होंने क्या पाया

5. यह क्यों महत्वपूर्ण है (शोध पत्र के अनुसार)

इसी तरह के और पेपर