Strong Gravitational Lensing Posterior Sampling in Pixel-Space Using Diffusion Models and Recurrent Inference Machines

कल्पना कीजिए कि ब्रह्मांड एक विशाल, ब्रह्मांडीय फनहाउस (मनोरंजन गृह) है। कभी-कभी, अग्रभूमि (foreground) में स्थित एक विशाल आकाशगंगा का गुरुत्वाकर्षण एक टेढ़े-मेढ़े दर्पण की तरह कार्य करता है, जो इसके पीछे छिपी एक दूर स्थित आकाशगंगा से आने वाले प्रकाश को मोड़ देता है। इस घटना को स्ट्रॉन्ग ग्रेविटेशनल लेंसिंग (strong gravitational lensing) कहा जाता है। उस दूर की आकाशगंगा की एक एकल, स्पष्ट तस्वीर देखने के बजाय, हम उसकी कई, विकृत और खिंची हुई छवियां देखते हैं, जो अक्सर छल्ले या चापों (arcs) के रूप में दिखाई देती हैं।

हम इसकी परवाह क्यों करते हैं? क्योंकि ये ब्रह्मांडीय फनहाउस दर्पण शक्तिशाली उपकरण हैं। यह अध्ययन करके कि प्रकाश कैसे मुड़ता है, खगोलशास्त्री उस अदृश्य "डार्क मैटर" (dark matter) का वजन कर सकते हैं जो अग्रभूमि की आकाशगंगा बनाता है। वे यह भी माप सकते हैं कि ब्रह्मांड कितनी तेजी से फैल रहा है और इतनी दूर की आकाशगंगाओं की झलक देख सकते हैं जो अन्यथा बहुत धुंधली होतीं। हालाँकि, इसमें एक पेंच है: इन विकृत छवियों को उनके मूल आकार में वापस बदलने के लिए आवश्यक गणित अविश्वसनीय रूप से कठिन है। यह एक मुड़े हुए कागज के सटीक आकार को केवल उसकी छाया को देखकर समझने की कोशिश करने जैसा है, लेकिन वह छाया भी धुंधली है और उसमें शोर (static noise) भी है। लंबे समय तक, वैज्ञानिकों को उन आकाशगंगाओं के आकार का अनुमान लगाने के लिए सरल, कठोर आकारों का उपयोग करना पड़ता था, जिससे अक्सर गलत उत्तर मिलते थे।

यह शोध पत्र इस पहेली को हल करने के लिए एक नया, चतुर तरीका पेश करता है जिसे डिफ्यूजन रिकरेंट इन्फरेंस मशीन्स (Diffusion Recurrent Inference Machines - DiRIM) नामक आर्टिफिशियल इंटेलिजेंस का एक प्रकार कहा जाता है। लेखक, गिलौम पेयर (Guillaume Payeur) और उनकी टीम ने एक ऐसा सिस्टम बनाया है जो केवल एक उत्तर का अनुमान नहीं लगाता है; बल्कि यह संभावित समाधानों का एक पूरा परिवार उत्पन्न करता है, जो हमें दिखाता है कि आकाशगंगाएँ वास्तव में कैसी दिख सकती हैं। उन्होंने इस पद्धति का परीक्षण ब्रह्मांड के यथार्थवादी कंप्यूटर सिमुलेशन पर किया और पाया कि यह इन ब्रह्मांडीय छवियों को अविश्वसनीय सटीकता के साथ पुनर्गठित कर सकता है, यहाँ तक कि डेटा के "शोर" या स्टैटिक के स्तर तक भी।

ब्रह्मांडीय जासूसी खेल (The Cosmic Detective Game)

एक स्ट्रॉन्ग ग्रेविटेशनल लेंस को एक ब्रह्मांडीय जासूसी खेल के रूप में सोचें। आपके पास एक अपराध स्थल है (विकृत छवि जिसे हम अपने टेलीस्कोप के माध्यम से देखते हैं) और आपको दो चीजें पता लगानी हैं: अपराधी कैसा दिखता था (पृष्ठभूमि की आकाशगंगा) और हथियार क्या था (अग्रभूमि की आकाशगंगा का गुरुत्वाकर्षण)। समस्या यह है कि "हथियार" अदृश्य डार्क मैटर से बना है, और "अपराध स्थल" एक अस्त-व्यस्त, बिखरी हुई तस्वीर है।

अतीत में, जासूसों (खगोलशास्त्रियों) को यह मानना पड़ता था कि अपराधी और हथियार सरल आकृतियाँ थे, जैसे कि पूर्ण वृत्त या चिकने अंडाकार। लेकिन वास्तविक आकाशगंगाएँ अव्यवस्थित, ऊबड़-खाबड़ और जटिल होती हैं। जब आप एक जटिल वास्तविकता को एक सरल आकार में ढालने की कोशिश करते हैं, तो आप विवरण खो देते हैं। यह केवल कुछ बुनियादी रंगों का उपयोग करके एक विस्तृत पेंटिंग का वर्णन करने की कोशिश करने जैसा है; आप लहरों की बनावट और बादलों की गहराई खो देते हैं।

इस शोध पत्र के लेखकों ने महसूस किया कि मामले को ठीक से सुलझाने के लिए, उन्हें एक ऐसी पद्धति की आवश्यकता थी जो इस अव्यवस्था को संभाल सके। उन्होंने दो शक्तिशाली AI तकनीकों को जोड़ा: डिफ्यूजन मॉडल्स (Diffusion Models) और रिकरेंट इन्फरेंस मशीन्स (Recurrent Inference Machines - RIMs)।

"डिनोइजिंग" और "पुनरावृत्ति सोच" का जादू

यह समझने के लिए कि उनका नया उपकरण कैसे काम करता है, कल्पना करें कि आप अनुमान लगाने की कोशिश कर रहे हैं कि एक छिपी हुई तस्वीर कैसी दिखती है, लेकिन आपके पास केवल उसका एक संस्करण है जो घने, घूमते हुए कोहरे से ढका हुआ है।

डिफ्यूजन मॉडल्स (Diffusion Models) एक ऐसे मास्टर कलाकार की तरह हैं जिसने लाखों आकाशगंगाओं को देखा है। वे जानते हैं कि एक आकाशगंगा आमतौर पर कैसी दिखती है। AI पूरी तरह से यादृच्छिक, कोहरे वाले पिक्सेल के ढेर से शुरू होता है। फिर यह धीरे-धीरे छवि को "डिनोइज़" (denoise) करता है, यानी कोहरे की परत दर परत हटाता है, और आकाशगंगाएँ कैसी दिखती हैं इसके अपने ज्ञान का उपयोग करके यह अनुमान लगाता है कि नीचे क्या होना चाहिए। यह संगमरमर के ब्लॉक से एक मूर्ति को उभरते हुए देखने जैसा है, लेकिन AI पत्थर के बजाय शोर (noise) को तराश रहा है।

हालाँकि, पहेली का दूसरा हिस्सा भी है: "हथियार" (अग्रभूमि का गुरुत्वाकर्षण) प्रकाश के मुड़ने के तरीके को बदल देता है। यहीं पर रिकरेंट इन्फरेंस मशीन्स (RIMs) काम आते हैं। एक RIM को एक ऐसे जासूस के रूप में सोचें जो केवल एक अनुमान लगाता है और रुक नहीं जाता। इसके बजाय, यह एक लूप में सोचता है। यह एक अनुमान लगाता है, यह जाँचता है कि वह अनुमान बिखरी हुई छवि की कितनी अच्छी तरह व्याख्या करता है, गलतियाँ ढूँढता है, और फिर अपने अनुमान को परिष्कृत करता है। यह बार-बार ऐसा करता है, और हर कदम के साथ स्मार्ट होता जाता है।

लेखकों ने इन दोनों विचारों को DiRIM में मिला दिया। डिफ्यूजन मॉडल एक आकाशगंगा को कैसा दिखना चाहिए, इसका "कलात्मक अंतर्ज्ञान" प्रदान करता है, जबकि RIM विशिष्ट बिखरी हुई छवि के साथ फिट होने के लिए "जासूसी तर्क" प्रदान करता है। AI अपने अनुमान को बार-बार परिष्कृत करता है, कोहरे को हटाता है और लगातार वास्तविक डेटा के विरुद्ध अपने गणित की जाँच करता है।

परिणाम: अदृश्य को देखना

टीम ने अपने DiRIM सिस्टम को हजारों सिम्युलेटेड आकाशगंगा टकरावों का उपयोग करके प्रशिक्षित किया। उन्होंने AI को लाखों उदाहरण दिए जहाँ वह "सत्य" उत्तर (मूल आकाशगंगाएँ और गुरुत्वाकर्षण मानचित्र) और "बिखरे हुए" परिणाम (लेंस्ड इमेज) को जानता था।

जब उन्होंने नए, अनदेखे सिमुलेशन पर इस प्रणाली का परीक्षण किया, तो परिणाम प्रभावशाली थे। AI ने केवल एक धुंधला अनुमान ही नहीं दिया; इसने संभव छवियों का एक सेट तैयार किया जिसने आकाशगंगाओं की वास्तविक जटिलता को पकड़ा।

• इसने अव्यवस्था को संभाला: भले ही अग्रभूमि की आकाशगंगा में जटिल, ऊबड़-खाबड़ संरचनाएं (जैसे डार्क मैटर के कई समूह) थीं, DiRIM पृष्ठभूमि की आकाशगंगा को सटीक रूप से पुनर्गठित करने में सक्षम रहा।
• यह शोर के स्तर तक पहुँच गया: लेखकों ने दिखाया कि उनके पुनर्निर्माण इतने अच्छे थे कि वास्तविक डेटा और उनके अनुमान के बीच का शेष अंतर केवल यादृच्छिक स्टैटिक (शोर) था। वैज्ञानिक शब्दों में, उन्होंने अवलोकनों को "शोर के स्तर तक" (down to the noise level) मॉडल किया।
• इसने छिपे हुए विवरणों को खोजा: एक परीक्षण में, सिस्टम ने सफलतापूर्वक एक छोटे "सबहेलो" (subhalo - डार्क मैटर का एक छोटा समूह) का पता लगाया, जो डेटा में छिपा हुआ था, जो कि पुरानी विधियों के साथ करना बहुत कठिन कार्य है।

शोध पत्र ने पुराने "सरल आकार" वाले दृष्टिकोण की तुलना में अपने तरीके का भी परीक्षण किया। जब वैज्ञानिकों ने एक जटिल, वास्तविक दिखने वाली आकाशगंगा को पुराने कठोर आकारों का उपयोग करके फिट करने की कोशिश की, तो परिणाम पक्षपाती और गलत थे। DiRIM, अपने लचीले, पिक्सेल-दर-पिक्सेल दृष्टिकोण के साथ, वास्तविक आकार को पूरी तरह से पकड़ लेता है।

यह क्यों महत्वपूर्ण है

यह केवल एक सैद्धांतिक अभ्यास नहीं है। कुछ वर्षों में, रुबिन ऑब्जर्वेटरी (Rubin Observatory) और यूक्लिड स्पेस टेलीस्कोप (Euclid Space Telescope) जैसे विशाल नए टेलीस्कोप से 1,00,000 से अधिक इन ग्रेविटेशनल लेंसों के मिलने की उम्मीद है। इस डेटा को प्रोसेस करने के लिए बहुत सारा डेटा है। यदि खगोलशास्त्री पुराने, कठोर तरीकों के साथ इन सभी का विश्लेषण करने की कोशिश करेंगे, तो वे डार्क मैटर और ब्रह्मांड के विस्तार के बारे में महत्वपूर्ण विवरणों को खो देंगे।

DiDT विधि इस डेटा के प्रवाह को संभालने का एक तरीका प्रदान करती है। यह तेज़, लचीली और उच्च परिभाषा (high definition) में ब्रह्मांड को देखने में सक्षम है। हालाँकि लेखक नोट करते हैं कि उनके परिणाम वर्तमान में कंप्यूटर सिमुलेशन (वास्तविक टेलीस्कोप डेटा नहीं) पर आधारित हैं, लेकिन इन परीक्षणों की सफलता यह सुझाव देती है कि यह AI जल्द ही ब्रह्मांडीय फनहाउस मिरर में छिपे रहस्यों को खोलने के लिए मानक उपकरण बन सकता है। यह एक बिखरी हुई, असंभव पहेली को एक सुलभ खेल में बदल देता है, एक-एक पिक्सेल करके।