🔭 astrophysics

Enabling Cosmic Web Analysis at Gigaparsec Scales: A Multi Block Approach for DisPerSE

यह शोध पत्र एक मल्टी-ब्लॉक "फ्रोजन-कोर" विधि प्रस्तुत करता है जो गिगापारसेक-स्केल कॉस्मिक वेब विश्लेषण को सक्षम करने के लिए DisPerSE की मेमोरी सीमाओं को दूर करती है, MDPL2 सिमुलेशन के वैश्विक फिलामेंट नेटवर्क को सफलतापूर्वक पुनर्निर्मित करती है और तीन दशकों के हेलो मास (halo mass) में सैद्धांतिक रूप से अनुमानित पावर-लॉ मास-कनेक्टिविटी संबंध की पुष्टि करती है।

मूल लेखक: Ankit Singh, Frazer Pearce, Meghan Gray, Gustavo Yepes

प्रकाशित 2026-07-17

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ankit Singh, Frazer Pearce, Meghan Gray, Gustavo Yepes

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

ब्रह्मांड का अदृश्य कंकाल

कल्पना कीजिए कि ब्रह्मांड सितारों का कोई यादृच्छिक बिखराव नहीं, बल्कि एक विशाल, त्रि-आयामी मकड़ी का जाल है। यह "कॉस्मिक वेब" (cosmic web) है, एक ऐसी संरचना जो इतनी विशाल है कि अरबों प्रकाश वर्ष तक फैली हुई है। इस कॉस्मिक वेब में, पदार्थ समान रूप से नहीं फैला है; यह विशाल गांठों (गैलेक्सी क्लस्टर्स), लंबी, पतली कड़ियों (फिलामेंट्स), चादरों के रूप में चपटा होने और पीछे विशाल खाली बुलबुलों (वॉइड्स) को छोड़ने के लिए एक साथ इकट्ठा होता है। इसे एक विशाल, अदृश्य शहर की तरह समझें जहाँ गगनचुंबी इमारतें गैलेक्सी क्लस्टर्स हैं, उन्हें जोड़ने वाली सड़कें फिलामेंट्स हैं, और खाली उपनगर 'वॉइड्स' हैं।

वैज्ञानिक दशकों से इस संरचना के बारे में जानते हैं, लेकिन उन्होंने इसे पूरी तरह से मैप करने में संघर्ष किया है, विशेष रूप से ब्रह्मांड के सबसे बड़े हिस्सों को देखते समय। इन अदृश्य सड़कों को खोजने के लिए वे जिस मुख्य उपकरण का उपयोग करते हैं, वह "टोपोलॉजी" नामक एक चतुर गणितीय तकनीक है, जो इस बात का अध्ययन करती है कि चीजें कैसे जुड़ी हुई हैं। हालाँकि, इस उपकरण के साथ एक बड़ी समस्या है: मानचित्र बनाने के लिए, इसे एक ही समय में हर एक डेटा पॉइंट को याद रखने की आवश्यकता होती है। यदि आप एक ही बार में पूरे ब्रह्मांड का मानचित्र बनाने की कोशिश करते हैं, तो कंप्यूटर की मेमोरी फट जाती है, जैसे कि एक अरब किताबों के पुस्तकालय को एक साथ अपने दिमाग में रखने की कोशिश करना। लंबे समय तक, इसका अर्थ यह था कि वैज्ञानिक केवल ब्रह्मांड के छोटे पड़ोस को ही मैप कर सकते थे, जिससे वे इस बात की बड़ी तस्वीर को देखने से चूक जाते थे कि संपूर्ण कॉस्मिक वेब कैसे बुना गया है।

बड़ी सफलता: कोर को फ्रीज करना (Freeing the Core)

इस शोध पत्र में, शोधकर्ताओं की एक टीम ने उस मेमोरी समस्या को हल कर लिया है। उन्होंने "फ्रोजन-कोर" (frozen-core) दृष्टिकोण नामक एक नई विधि विकसित की है, जो उन्हें अंतरिक्ष के इतने विशाल आयतन (volume) में कॉस्मिक वेब को मैप करने की अनुमति देती है जो पहले किसी भी कंप्यूटर को क्रैश कर देता।

उन्होंने इसे इस प्रकार किया: कल्पना कीजिए कि आप एक विशाल, धुंधले शहर का नक्शा बनाने की कोशिश कर रहे हैं, लेकिन आपकी स्केचबुक पूरे शहर को रखने के लिए बहुत छोटी है। हार मानने के बजाय, आप शहर को ओवरलैपिंग (एक दूसरे के ऊपर चढ़ते हुए) वर्गों में बनाने का निर्णय लेते हैं। चाल यह है कि जब आप एक वर्ग बनाते हैं, तो आप उसके आसपास के क्षेत्र का थोड़ा हिस्सा (पैडिंग) भी बनाते हैं ताकि आपको पता चल सके कि सड़कें अगले वर्ग से कैसे जुड़ती हैं। लेकिन यहाँ असली चतुराई है: एक बार जब आप अपने वर्ग के बिल्कुल केंद्र की सड़कों को बना लेते हैं, तो आप उन्हें "फ्रीज" (जमना/स्थिर) कर देते हैं। आप निश्चित रूप से जानते हैं कि वे केंद्रीय सड़कें सही हैं क्योंकि आपके पास उन्हें सही ढंग से बनाने के लिए आसपास के कोहरे से पर्याप्त संदर्भ (context) था। फिर आप अपने चित्र के उन अस्त-व्यस्त किनारों को फेंक देते हैं जहाँ कोहरा बहुत घना था और आप निश्चित नहीं थे।

शोधकर्ताओं ने इसे MDPL2 सिमुलेशन पर लागू किया, जो ब्रह्मांड का एक विशाल कंप्यूटर मॉडल है जिसमें 92 मिलियन गैलेक्सी हेलो (डार्क मैटर के "घर" जहाँ गैलेक्सियाँ रहती हैं) शामिल हैं, जो 1 h⁻¹ Gpc भुजा वाले एक घन (cube) में फैले हुए हैं। यह अंतरिक्ष का एक ऐसा घन है जो एक अरब प्रकाश वर्ष चौड़ा है।

उन्होंने क्या पाया:
इस "फ्रोजन-कोर" पद्धति का उपयोग करके, उन्होंने इस विशाल घन के संपूर्ण फिलामेंट नेटवर्क का सफलतापूर्वक पुनर्निर्माण किया। उन्होंने अपने नए, टाइल वाले मानचित्र की तुलना एक छोटे से हिस्से के पूर्ण (लेकिन चलाने के लिए असंभव) सिंगल-मैप संस्करण से की। परिणाम अविश्वसनीय रूप से सटीक थे:

उन्होंने सभी कॉस्मिक फिलामेंट्स की कुल लंबाई का 99.6% हिस्सा पुनः प्राप्त किया।
उन्होंने घनत्व के शिखरों (density peaks - वे "गांठें" जहाँ क्लस्टर बनते हैं) और घाटियों (voids) का 100% हिस्सा खोज निकाला।
उन्होंने व्यक्तिगत फिलामेंट्स के 94.7% हिस्से को पूरी तरह से मैच किया। जो थोड़े बहुत छूट गए, वे ज्यादातर बहुत छोटे और महत्वहीन उतार-चढ़ाव थे।

उन्होंने क्या खारिज किया:
यह शोध पत्र स्पष्ट रूप से दिखाता है कि एक "नेइव" (naive) दृष्टिकोण—यानी, बिना अतिरिक्त पैडिंग और फ़िल्टरिंग के ब्रह्मांड को छोटे टुकड़ों में काटकर अलग-अलग मैप करना—पूरी तरह विफल रहता है। यदि आप ऐसा करते हैं, तो आपको एक टूटा हुआ मानचित्र मिलता है जहाँ सड़कें आपके वर्गों के किनारों पर अचानक समाप्त हो जाती हैं, और आप वेब के विभिन्न हिस्सों को जोड़ने वाले लंबे पुलों को खो देते हैं। लेखकों ने सिद्ध किया कि उनके विशिष्ट "सर्कमस्फीयर" (circumsphere) फ़िल्टरिंग के बिना (यह जांचना कि क्या सड़क का एक खंड आसपास के स्थान की ज्यामिति के आधार पर वैध है), मानचित्र असंगत और गलत है।

वैज्ञानिक खोज:
इस नए, विशाल मानचित्र के साथ, टीम ने "कनेक्टिविटी" (जिसे κ द्वारा दर्शाया गया है) नामक कुछ मापा। यह सरल रूप से उन फिलामेंट सड़कों की संख्या है जो एक विशिष्ट गैलेक्सी क्लस्टर से जुड़ती हैं। इसे ऐसे समझें जैसे कि आप गिन रहे हों कि कितने राजमार्ग एक प्रमुख शहर में प्रवेश करते हैं।

उन्होंने इसे 22,900 अलग-अलग गैलेक्सी समूहों और क्लस्टरों के लिए मापा, जो सिमुलेशन में छोटे समूहों से लेकर सबसे विशाल क्लस्टरों तक विस्तृत हैं। उन्होंने एक स्पष्ट पैटर्न की खोज की: एक क्लस्टर जितना अधिक विशाल होगा, उतने ही अधिक फिलामेंट्स उससे जुड़ेंगे।

विशेष रूप से, उन्होंने एक "पावर-लॉ" (power-law) संबंध पाया। इसका अर्थ है कि जैसे-जैसे एक क्लस्टर का द्रव्यमान बढ़ता है, उससे जुड़ने वाले फिलामेंट्स की संख्या एक अनुमानित तरीके से बढ़ती है। उन्होंने पुष्टि की कि यह संबंध द्रव्यमान के तीन अलग-अलग ऑर्डर्स (10¹² से 10¹⁵.⁵ h⁻¹ M⊙ तक) में सत्य रहता है। यह पहली बार है जब इस स्केलिंग को डार्क मैटर हेलो का उपयोग करके एक सिमुलेशन में इस तरह से पुष्ट किया गया है, जो कि पहले केवल गैस-आधारित सिमुलेशन और सैद्धांतिक भविष्यवाणियों में देखा गया था।

वे कितने आश्वस्त हैं?
लेखक अपनी विधि को लेकर बहुत आश्वस्त हैं। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने कठोर परीक्षण किए। उन्होंने दिखाया कि उनका "फ्रोजन-कोर" मैप उन हिस्सों के लिए सांख्यिकीय रूप से एक आदर्श मानचित्र के समान है जो सबसे महत्वपूर्ण हैं (लंबी, महत्वपूर्ण सड़कें और केंद्रीय गांठें)। उन्होंने अपने परिणामों का परीक्षण विभिन्न स्तरों की "कठोरता" (जिसे पर्सिस्टेंस थ्रेशोल्ड, nσ = 6.0, 6.5, और 7.0 कहा जाता है) पर भी किया और पाया कि हालांकि सख्ती के आधार पर फिलामेंट्स की संख्या थोड़ी बदलती है, लेकिन द्रव्यमान और कनेक्टिविटी के बीच का संबंध वही रहता है। इस संबंध का ढलान (slope) लगभग 0.27 से 0.32 है, जो अन्य विधियों का उपयोग करने वाले अध्ययनों से मेल खाता है।

संक्षेप में, इस शोध पत्र ने न केवल ब्रह्मांड का एक नया नक्शा बनाने का तरीका नहीं खोजा; बल्कि इसने यह भी सिद्ध किया कि ब्रह्मांड के सबसे बड़े, भारी क्लस्टर सबसे व्यस्त चौराहे हैं, जो सबसे अधिक कॉस्मिक राजमार्गों से जुड़े हुए हैं, और उन्होंने यह सब एक चतुर गणितीय ट्रिक का उपयोग करके किया ताकि कंप्यूटर की मेमोरी खत्म हुए बिना गणना की जा सके।

तकनीकी सारांश: DisPerSE के लिए मल्टी-ब्लॉक फ्रोजन-कोर दृष्टिकोण के माध्यम से गिगापारसेक स्केल पर कॉस्मिक वेब विश्लेषण को सक्षम करना

समस्या विवरण
कॉस्मिक वेब, जो विशाल नोड्स (nodes) को जोड़ने वाले फिलामेंट्स (filaments) द्वारा अभिलक्षित है, ब्रह्मांड का एक प्रमुख संरचनात्मक तत्व है। गीगापारसेक आयतनों में इस नेटवर्क का सटीक पुनर्निर्माण कॉस्मोलॉजी और गैलेक्सी विकास अध्ययनों के लिए महत्वपूर्ण है। हालाँकि, टोपोलॉजिकल फिलामेंट फाइंडर DisPerSE (डिस्क्रीट पर्सिस्टेंट स्ट्रक्चर्स एक्सट्रैक्टर), जो अपने कठोर मॉर्स-थ्योरेटिक (Morse-theoretic) दृष्टिकोण के लिए व्यापक रूप से उपयोग किया जाता है, एक गंभीर मेमोरी बाधा (memory bottleneck) का सामना करता है। DisPerSE को मॉर्स-स्मेल कॉम्प्लेक्स (Morse-Smale complex) बनाने के लिए संपूर्ण इनपुट पॉइंट सेट के वैश्विक डेलाने (Delaunay) टेसेलेशन की आवश्यकता होती है। बड़े कॉस्मोलॉजिकल सिमुलेशन के लिए, जैसे कि $\sim 9.2 \times 10^7$ हेलोस (haloes) वाला MDPL2 सिमुलेशन, एक मोनोलिथिक डेलाने टेसेलेशन के लिए $\sim 460\text{--}920$ GB RAM की आवश्यकता होती है, जो मानक कंप्यूट नोड्स की क्षमता से अधिक है।

एक सरल समाधान—आयतन को स्वतंत्र उप-आयतनों में विभाजित करना और DisPerSE को अलग-अलग चलाना—विफल रहता है क्योंकि डेलाने टेसेलेशन और परिणामी पर्सिस्टेंस पेयर्स (जो फिलामेंट टोपोलॉजी को परिभाषित करते हैं) वैश्विक बिंदु वितरण पर निर्भर करते हैं। उप-आयतनों को स्वतंत्र रूप से संसाधित करने से असंगत टेसेलेशन और फिलामेंट नेटवर्क प्राप्त होते हैं, यहाँ तक कि ओवरलैपिंग क्षेत्रों में भी, जिससे साधारण संयोजन (concatenation) अमान्य हो जाता है।

कार्यप्रणाली: फ्रोजन-कोर दृष्टिकोण
लेखक एक "फ्रोजन-कोर" (frozen-core) विधि प्रस्तुत करते हैं जो वैश्विक टोपोलॉजिकल अखंडता को बनाए रखते हुए DisPerSE को गीगापारसेक-स्केल के हेलो कैटलॉग का विश्लेषण करने में सक्षम बनाती है। यह विधि तीन मुख्य चरणों में आगे बढ़ती है:

आयतन अपघटन और पैडिंग (Volume Decomposition and Padding): सिमुलेशन आयतन को ओवरलैपिंग स्थानिक ब्लॉकों (टाइल्स) में विभाजित किया जाता है। प्रत्येक टाइल में एक आंतरिक "कोर" क्षेत्र (जहाँ फिलामेंट्स निकाले जाते हैं) होता है जो $P$ चौड़ाई की एक "पैडिंग" परत से घिरा होता है। पैडिंग, डेलाने टेसेलेशन के लिए आवश्यक स्थानिक संदर्भ प्रदान करती है। $P$ की चौड़ाई टेट्राहेड्रा (tetrahedron) के सर्कमरेडियस (circumradii) के वितरण से अनुभवजन्य रूप से निर्धारित की जाती है; MDPL2 हेलो कैटलॉग के लिए, $P = 60 \text{ Mpc } h^{-1}$ की पैडिंग चुनी गई थी ताकि यह सुनिश्चित किया जा सके कि 99.33% टेट्राहेड्रा कैप्चर हो सकें, जिससे यह गारंटी मिलती है कि किसी भी कोर टेट्राहेड्रम का सर्कमस्फीयर (circumsphere) पैडेड क्षेत्र के भीतर ही रहे।
स्वतंत्र टेसेलेशन और सर्कमस्फीयर फ़िल्टरिंग: प्रत्येक पैडेड टाइल पर स्वतंत्र रूप से DisPerSE चलाया जाता है। इसके बाद एक सर्कमस्फीयर-आधारित फ़िल्टर लागू किया जाता है: कोई भी टेट्राहेड्रोन जिसका सर्कमस्फीयर पैडेड क्षेत्र से बाहर जाता है, उसे हटा दिया जाता है। शेष टेट्राहेड्रोन एक "फ्रोजन कोर" बनाते हैं, जो वैश्विक मोनोलिथिक टेसेलेशन के समान होने की गारंटी देते क्योंकि उन सभी बिंदुओं को शामिल किया गया है जो उन्हें प्रभावित कर सकते हैं।
पोस्ट-प्रोसेसिंग पाइपलाइन: टाइल किए गए आउटपुट को तीन-चरणीय पाइपलाइन के माध्यम से मर्ज किया जाता है:
- फ्रोजन कोर फ़िल्टरिंग: उन फिलामेंट सेगमेंट को बनाए रखता है जहाँ कम से कम एक एंडपॉइंट कोर क्षेत्र के भीतर स्थित हो, और पैडिंग के भीतर पूरी तरह से स्थित सेगमेंट को हटा देता है।
- स्थानिक डीडुप्लिकेशन (Spatial Deduplication): ओवरलैपिंग टाइल क्षेत्रों में पहचाने गए डुप्लिकेट फिलामेंट्स को पहचानने और हटाने के लिए KDTree का उपयोग करता है।
- बाउंड्री स्टिचिंग (Boundary Stitching): एक निकटता सहनशीलता ( $\delta = 0.5 \text{ Mpc } h^{-1}$ ) का उपयोग करके टाइल सीमाओं पर विभाजित फिलामेंट अंशों को पुन: जोड़ता है।

प्रमुख योगदान

एल्गोरिदमिक नवाचार: एक फ्रोजन-कोर विधि का विकास जो वैश्विक डेलाने टेसेलेशन की मेमोरी बाधा को बिना टोपोलॉजिकल सटीकता से समझौता किए दूर करती है।
वैलिडेशन: MDPL2 के $300 \text{ Mpc } h^{-1}$ $300 Mpc h^{- 1}$ उप-आयतन पर एक मोनोलिथिक रेफरेंस रन के विरुद्ध कठोर सत्यापन। यह विधि प्राप्त करती है:
- 99.6% कुल फिलामेंट लंबाई रिकवरी।
- घनत्व मैक्सिमा (peaks) और मिनिमा (void centers) की 100% रिकवरी।
- 94.7% व्यक्तिगत फिलामेंट मिलान।
- अनमैच्ड $\sim 5\%$ फिलामेंट्स मुख्य रूप से छोटे, कम महत्व के स्ट्रक्चर हैं, जो स्प्यूरियस (spurious) फीचर्स के बजाय एक रूढ़िवादी पूर्वाग्रह (conservative bias) का संकेत देते हैं।
स्केलेबिलिटी: यह विधि "एम्बैरेसिंगली पैरेलल" (embarrassingly parallel) है, जो टाइल्स की संख्या बढ़ाकर और प्रति-नोड मेमोरी उपयोग को स्थिर रखकर (उपयोग किए गए टाइल कॉन्फ़िगरेशन के लिए $\sim 10$ GB तक सीमित) मनमाने बड़े आयतनों को संसाधित करने की अनुमति देती है।

परिणाम
लेखकों ने इस विधि को पूर्ण $(1 \text{ Gpc } h^{-1})^3$ MDPL2 बॉक्स पर लागू किया, जिसमें 92 मिलियन हेलो शामिल हैं, जिससे टोपोलॉजिकल रूप से कठोर विधियों द्वारा प्राप्त पहला गीगापारसेक-स्केल फिलामेंट कैटलॉग तैयार हुआ।

फिलामेंट सांख्यिकी: एक फिड्यूशियल पर्सिस्टेंस थ्रेशोल्ड ( $n\sigma = 6.5$ ) पर, कैटलॉग में $\sim 1.16 \times 10^6$ फिलामेंट्स और $\sim 7.5 \times 10^6 \text{ Mpc } h^{-1}$ की कुल लंबाई है। विश्लेषण पुष्टि करता है कि पर्सिस्टेंस थ्रेशोल्ड बढ़ाने से विशेष रूप से छोटे फिलामेंट्स हट जाते हैं और छोटे आर्क (arcs) लंबे स्ट्रक्चर में विलीन हो जाते हैं, जो पर्सिस्टेंस थ्योरी के अनुरूप है।
मास-कनेक्टिविटी संबंध: एक प्राथमिक वैज्ञानिक अनुप्रयोग के रूप में, लेखकों ने $10^{12}$ $1 0^{12}$ से $10^{15.5} h^{-1} M_{\odot}$ $1 0^{15.5} h^{- 1} M_{⊙}$ द्रव्यमान के बीच फैले $\sim 22,900$ $\sim 22, 900$ हेलो के लिए कनेक्टिविटी ( $\kappa$ $κ$ , एक हेलो से जुड़े फिलामेंट्स की संख्या) को मापा।
- उन्होंने एक पावर-लॉ मास-कनेक्टिविटी संबंध पाया: $\log_{10} \kappa = A \log_{10} M_{200c} + B$ ।
- पाया गया कि ढलान (slope) $A$ पर्सिस्टेंस थ्रेशोल्ड केAcross स्थिर है, जिसका मान $1.5 R_{200}$ के एपर्चर के लिए $A \approx 0.27\text{--}0.32$ है।
- यह परिणाम तीन दशकों (decades) में हेलो मास के माध्यम से सैद्धांतिक रूप से अनुमानित स्केलिंग की पुष्टि करता है, जो गैलेक्सी समूहों से लेकर सबसे विशाल क्लस्टर्स तक विस्तृत है। ढलान गैस-आधारित मापों (जैसे, Santoni et al. 2024) और टोपोलॉजिकल विश्लेषणों (Bermejo et al. 2024) के अनुरूप है।

महत्व और दावे
यह शोध दावा करता है कि यह एन-बॉडी हेलो कैटलॉग में पहली बार पुष्टि करता है कि सैद्धांतिक रूप से अनुमानित मास-कनेक्टिविटी स्केलिंग एक विशाल रेंज में बनी रहती है। गीगापारसेक आयतनों में टोपोलॉजिकली कठोर फिलामेंट डिटेक्शन को सक्षम करके, यह विधि उन बड़े कॉस्मोलॉजिकल आयतनों तक पहुंच प्रदान करती है जो पहले अनुपलब्ध थे। लेखक इस बात पर जोर देते हैं कि यह विधि DisPerSE की डिटर्मिनिस्टिक प्रकृति को संरक्षित करती है, जिससे Bisous मॉडल जैसे अन्य तरीकों की स्टोकेस्टिक भिन्नता से बचा जा सकता है, और अगले चरण के सिमुलेशन (जैसे, Euclid Flagship, FLAMINGO) के विश्लेषण को व्यवहार्य बनाती है। यह कार्य सबसे बड़े पैमानों पर क्लस्टर्स के ज्यामिति और एक्रेशन इतिहास का अध्ययन करने के लिए एक मजबूत ढांचा स्थापित करता है।

ब्रह्मांड का अदृश्य कंकाल

बड़ी सफलता: कोर को फ्रीज करना (Freeing the Core)

इसी तरह के और पेपर