Ptolemy's Equant Equates to a Universal Dynamical Clock via Machine Learning

कल्पना कीजिए कि ब्रह्मांड उन चीजों से भरा है जो गोल-गोल घूमती हैं। कुछ स्पष्ट हैं, जैसे घड़ी की सुइयां या सूर्य के चारों ओर घूमते ग्रह। अन्य हमारे भीतर छिपी हुई हैं, जैसे आपके दिल की धड़कन, आपके मस्तिष्क में न्यूरॉन्स का सक्रिय होना, या बैक्टीरिया के एक-दूसरे से बात करने का तरीका यह तय करने के लिए कि उन्हें कब चमकना है। वैज्ञानिक इन्हें "ऑसिलेशन" (oscillations) कहते हैं। सदियों से, हमने उनकी गति और समय को मापकर उन्हें समझने की कोशिश की है। लेकिन पेचीदा हिस्सा यह है: वास्तविक जीवन की लय अव्यवस्थित होती है। वे पूर्ण वृत्त नहीं होते; वे आसपास क्या हो रहा है इसके आधार पर डगमगाते हैं, खिंचते हैं और अपना आकार बदलते हैं। एक साधारण "समय" संख्या के साथ एक जटिल, उच्च-आयामी डगमगाहट का वर्णन करना एक जटिल नृत्य को केवल स्टॉपवॉच का उपयोग करके वर्णित करने जैसा है। यह आपको बताता है कि नर्तक कब हिला, लेकिन यह नहीं कि वह कैसे हिला या क्यों। यह भौतिकी और जीव विज्ञान में एक बड़ी पहेली है: हम किसी जटिल, अनियमित प्रणाली के लिए एक सरल, सार्वभौमिक "फेज" (एक चक्र में प्रणाली कहाँ है, इसे मापने का एक तरीका) कैसे खोजें?

यहीं पर शोधकर्ताओं की एक टीम एक चतुर विचार के साथ सामने आती है जो प्राचीन इतिहास से प्रेरित है। वे टॉलेमी के समय की ओर देखते हैं, एक खगोलशास्त्री जिसने यह समझाने की कोशिश की थी कि ग्रह कभी-कभी आकाश में पीछे की ओर क्यों चलते हुए प्रतीत होते हैं। टॉलेमी ने "इक्वेंट" (equant) नामक एक युक्ति का आविष्कार किया था—एक काल्पनिक बिंदु जो केंद्र से हटकर स्थित है, जिससे ग्रह की गति एकदम सुचारू और समान दिखाई देती है, भले ही उसका वास्तविक पथ एक टेढ़ा-मेढ़ा लूप हो। इस नए शोध पत्र के लेखक पूछते हैं: क्या यह प्राचीन युक्ति आधुनिक विज्ञान के लिए काम कर सकती है? वे प्रस्ताव देते हैं कि लगभग किसी भी लयबद्ध प्रणाली के लिए, चाहे वह कितनी भी जटिल क्यों न हो, एक छिपा हुआ "स्वीट स्पॉट" (एक आधुनिक इक्वेंट) होता है: जहाँ से यदि आप उस प्रणाली को देखते हैं, तो वह अव्यवध्य गति अचानक एक पूर्ण, स्थिर टिक-टिक करती घड़ी की तरह दिखने लगती है। उन्होंने केवल अनुमान नहीं लगाया; उन्होंने इन स्वीट स्पॉट्स को वास्तविक डेटा में खोजने के लिए एक मशीन-लर्निंग "डिटेक्टिव" बनाया। उन्होंने पाया कि यह "यूनिवर्सल डायनेमिकल क्लॉक" (Universal Dynamical Clock) बैक्टीरिया के जेनेटिक सर्किट से लेकर मस्तिष्क के न्यूरॉन्स तक, विविध प्रणालियों के लिए मौजूद है। यह उन्हें जटिल, उच्च-आयामी डेटा को एक सरल, समझने योग्य लय में बदलने की अनुमति देता है, जिससे छिपे हुए नियमों का पता चलता है कि ये प्रणालियाँ कैसे तालमेल बिठाती हैं, शोर (noise) के प्रति कैसे प्रतिक्रिया करती हैं, और यहाँ तक कि यह भी कि वे कब बड़े बदलाव के करीब होती हैं।

आधुनिक अराजकता के लिए प्राचीन युक्ति

एक प्लेग्राउंड के मैरी-गो-राउंड (झूले) के बारे में सोचें। यदि आप बिल्कुल केंद्र में खड़े होते हैं, तो घोड़े एक स्थिर, उबाऊ गति से गुजरते हैं। लेकिन यदि आप किनारे पर खड़े होकर घोड़ों को घूमते हुए देखते हैं, तो उनकी गति बदलती हुई प्रतीत होती है—जब वे पास होते हैं तो वे तेजी से गुजरते हैं और जब वे दूर होते हैं तो वे धीरे चलते हैं। 1400 के दशक में, खगोलशास्त्री टॉलेमी ने महसूस किया कि यदि आप अपने "देखने के स्थान" को एक विशिष्ट काल्पनिक बिंदु (इक्वेंट) पर ले जाते हैं, तो एक ग्रह जो अजीब, टेढ़े-मेढ़े पथ पर चल रहा है, वह भी पूरी तरह से निरंतर गति से घूमता हुआ दिखाई देगा।

लंबे समय तक, वैज्ञानिकों ने सोचा कि यह केवल एक दिलचस्प ऐतिहासिक तथ्य है, जो पुरानी खगोल विज्ञान के लिए उपयोगी है लेकिन वास्तविक भौतिकी के लिए नहीं। लेकिन यह शोध पत्र सुझाव देता है कि टॉलेमी का विचार वास्तव में प्रकृति की किसी भी लयबद्ध प्रणाली को समझने की एक सार्वभौमिक कुंजी है। लेखक तर्क देते हैं कि प्रत्येक जटिल, डगमगाते ऑसिलेटर (जैसे धड़कता हुआ दिल या चमकता हुआ बैक्टीरिया) के लिए, एक छिपा हुआ "इक्वेंट" बिंदु होता है। यदि आप उस बिंदु पर खड़े हो सकें और प्रणाली को देख सकें, तो वह अव्यवस्थित, अनियमित गति एक सुचारू, एकसमान घूर्णन में बदल जाएगी—एक यूनिवर्सल डायनेमिकल क्लॉक।

मशीन लर्निंग डिटेक्टिव

तो, आप एक वास्तविक दुनिया की प्रणाली में इस अदृश्य बिंदु को कैसे खोजते हैं जहाँ आप अपनी आँखें इधर-उधर नहीं घुमा सकते? लेखकों ने भारी काम करने के लिए एक मशीन-लर्निंग फ्रेमवर्क बनाया है। कल्पना कीजिए कि एक रोबोट को एक अराजक नृत्य का वीडियो दिया गया है। रोबोट का काम यह पता लगाना है: "यदि मैं कमरे में इस विशिष्ट स्थान पर खड़ा होता, तो क्या नर्तक एक स्थिर गति से चलता हुआ दिखाई देता?"

रोबट दो मुख्य उपकरणों का उपयोग करता है:

1. एक ऑटो-एनकोडर (Auto-Encoder): यह एक अनुवादक की तरह है जो जटिल, उच्च-आयामी नृत्य की गतिविधियों को एक सरल वृत्त में बदलने के लिए सीखता है। यह अव्यवस्थित वास्तविक दुनिया के डेटा को एक पूर्ण यूनिट सर्कल पर मैप करता है।
2. एक इन्वर्टिबल न्यूरल नेटवर्क (Invertible Neural Network): यह उपकरण एक 3D प्रोजेक्टर की तरह कार्य करता है। यह ठीक वही "इक्वेंट" बिंदु खोजने की कोशिश करता है जो इस प्रोजेक्शन को सर्कल पर पूरी तरह से एकसमान दिखाता है। यह केप्लर के दूसरे नियम (जो कहता है कि ग्रह समान समय में समान क्षेत्र घेरते हैं) से प्रेरित एक नियम का उपयोग करता है ताकि उस स्थान को खोजा जा सके जहाँ गति का "घेरा गया क्षेत्र" (swept area) जितना संभव हो उतना समान हो।

वास्तविक प्रणालियों के डेटा पर प्रशिक्षण लेकर, AI ने सफलतापूर्वक इन इक्वेंट्स की पहचान की और उनके डायनेमिकल क्लॉक्स का निर्माण किया।

उन्होंने क्या खोजा

परिणाम ऐसे हैं जैसे किसी गुप्त कोड को ढूंढ लिया गया हो जो लयबद्ध प्रणालियों के व्यवहार को अनलॉक करता है। यहाँ बड़ी उपलब्धियाँ हैं:

1. बैक्टीरिया के 20 साल पुराने रहस्य को सुलझाना
2004 में, वैज्ञानिकों ने आश्चर्य जताया था कि क्या E. coli बैक्टीरिया के समूह, जो आपस में तालमेल बिठाने के लिए संवाद करते हैं, एक प्रसिद्ध मॉडल का पालन करते हैं जिसे कुरामोटो मॉडल (Kuramoto model) कहा जाता है (जो यह बताता है कि जुगनू कैसे तालमेल बिठाते हैं)। लेखकों ने बैक्टीरिया का विश्लेषण करने के लिए अपने नए क्लॉक का उपयोग किया। उन्होंने पाया कि हालांकि बैक्टीरिया तालमेल बिठाते हैं, वे सरल कुरामोटो मॉडल के नियमों का पालन नहीं करते हैं। इसके बजाय, वे एक सुपरलीनियर स्केलिंग लॉ (superlinear scaling law) का पालन करते हैं। इसका मतलब है कि जैसे-जैसे बैक्टीरिया की भीड़ बढ़ती है, उनकी तालमेल बिठाने की क्षमता उम्मीद से कहीं अधिक तेजी से बढ़ती है। शोध पत्र सुझाव देता है कि यह एक लंबे समय से चले आ रहे खुले प्रश्न को हल करता है, यह दिखाते हुए कि प्रकृति सरल पाठ्यपुस्तकीय मॉडलों की तुलना में अधिक जटिल है।

2. जेनेटिक सर्किट को ट्यून करना
टीम ने एक कृत्रिम जेनेटिक सर्किट पर परीक्षण किया जिसे "रिप्रिसिलेटर" (Repressilator) कहा जाता है (तीन जीनों का एक घेरा जो एक-दूसरे को बाधित करते हैं, जिससे एक घड़ी बनती है)। अपने मशीन लर्निंग का उपयोग करके फेज डायनेमिक्स को खोजकर, वे सटीक भविष्यवाणी कर सके कि सर्किट के मापदंडों (जैसे रेडियो पर नॉब घुमाने की तरह) को बदलने से जीन अभिव्यक्ति (gene expression) की टाइमिंग कैसे बदलेगी। उन्होंने दिखाया कि वे सटीक रूप से भविष्यवाणी कर सकते थे कि कोई परिवर्तन घड़ी की गति को तेज करेगा या धीमा करेगा, जो अनिवार्य रूप रूप से जैविक कोशिकाओं की सटीक "प्रोग्रामिंग" करने की अनुमति देता है।

3. एक नया प्रकार का "ज्यामितिक फेज" (Geometric Phase)
क्वांटम भौतिकी में, एक अजीब अवधारणा बेरी फेज (Berry phase) है, जहाँ एक प्रणाली एक लूप में जाने के बाद अपने पथ की एक "स्मृति" प्राप्त करती है। लेखकों ने दिखाया कि उनका डायनेमिकल क्लॉक इसका एक क्लासिकल-मैकेनिक्स संस्करण प्रकट करता है। जब उन्होंने एक प्रणाली (जैसे पेंडुलम) के मापदंडों को धीरे-धीरे बदला और उसे एक चक्र पूरा करने दिया, तो उनके क्लॉक के "फेज" ने एक बदलाव पकड़ा जो केवल पथ के आकार पर निर्भर था, न कि गति पर। यह अव्यवध्य शास्त्रीय जीव विज्ञान को क्वांटम यांत्रिकी के सुंदर गणित से जोड़ता है।

4. क्रिटिकल ट्रांजिशन के लिए क्रिस्टल बॉल
सबसे रोमांचक निष्कर्षों में से एक यह है कि इक्वेंट की "गैर-एकरूपता" (non-uniformity) (कि सिस्टम एक पूर्ण घड़ी से कितना दूर है) एक अर्ली-वार्निंग सिग्नल (early-warning signal) के रूप में कार्य करती है। एक प्रणाली में, जिसे फिट्ज़ह्यू-नागुल मॉडल (FitzHugh–Nagumo model) कहा जाता है (जिसका उपयोग तंत्रिका आवेगों का वर्णन करने के लिए किया जाता है), जैसे-जैसे सिस्टम एक टिपिंग पॉइंट (जहाँ यह अचानक दोलन करना बंद कर देता है) के करीब पहुँचता है, अनुकूल इक्वेंट केंद्र के करीब आता जाता है, और "गैर-एकरूपता" शून्य की ओर गिर जाती है। लेखक सुझाव देते हैं कि इस मान को मापकर, हम यह भविष्यवाणी कर सकते हैं कि कोई प्रणाली वास्तव में होने से पहले ही कब क्रैश होने वाली है या अवस्था बदलने वाली है।

यह क्यों महत्वपूर्ण है

यह शोध पत्र केवल एक नया गणितीय तरीका नहीं है; यह दुनिया को देखने का एक नया तरीका है। यह सुझाव देता है कि जैविक लय, तंत्रिका फायरिंग और रासायनिक दोलनों के पीछे एक छिपा हुआ ज्यामितीय क्रम है। "इक्वेंट" को खोजकर, हम एक अव्यवध्य, उच्च-आयामी समस्या को एक सरल, 2D घड़ी में बदल सकते हैं। यह वैज्ञानिकों को विभिन्न लयों को वर्गीकृत करने, यह अनुमान लगाने कि वे शोर या तनाव के प्रति कैसे प्रतिक्रिया करेंगे, और यहाँ तक कि उन्हें नियंत्रित करने की अनुमति देता है।

लेखक इस बात पर जोर देते हैं कि यह केवल एक सैद्धांतिक विचार नहीं है; उन्होंने सिद्ध किया है कि यह वास्तविक डेटा पर काम करता है, बैक्टीरिया की आबादी से लेकर जीन की नकल करने वाले इलेक्ट्रॉनिक सर्किट तक। जबकि वे नोट करते हैं कि उनकी विधि तब सबसे अच्छा काम करती है जब सिस्टम अपनी सामान्य लय (लिमिट साइकिल) के करीब होता है, बिना सटीक समीकरणों को जाने सीधे डेटा से इन नियमों को निकालने की क्षमता, उन जटिल प्रणालियों को समझने का द्वार खोलती है जो पहले बहुत अधिक अव्यवध्य थीं। यह एक याद दिलाता है कि कभी-कभी, भविष्य को समझने की कुंजी अतीत की ओर देखने में निहित होती है, भले ही वह अतीत एक प्राचीन खगोलशास्त्री का आकाश में स्थित काल्पनिक बिंदु हो।