Fast Inference on Astronomical Time Series with Trans-Dimensional Flow Matching Posterior Estimation

कल्पना कीजिए कि ब्रह्मांड एक कॉस्मिक रेडियो स्टेशन है, जो लगातार शोर और अचानक होने वाली तीव्र रोशनी की चमक का एक अराजक मिश्रण प्रसारित कर रहा है। ये चमक—जिन्हें 'ट्रांजिएंट्स' (transients) कहा जाता है—कॉस्मिक पटाखों की तरह हैं: गामा-रे बर्स्ट, फास्ट रेडियो बर्स्ट और मैग्नेटर से निकलने वाली एक्स-रे फ्लेयर्स। ये पलक झपकते ही घटित होते हैं, लेकिन इनमें इस बात के रहस्य छिपे होते हैं कि तारे कैसे मरते हैं, ब्लैक होल कैसे व्यवहार करते हैं, और स्पेस-टाइम (space-time) का ताना-बाना किस चीज से बना है। उन्हें समझने के लिए, खगोलशास्त्री जासूसों की तरह काम करते हैं जो एक धुंधली फोटो से अपराध स्थल का पुनर्निर्माण करने की कोशिश कर रहे हैं। उन्हें यह पता लगाने की जरूरत है कि एक ही विस्फोट में कितने "स्पंदन" (flashes) हुए, वे कब हुए, वे कितने चमकीले थे, और वे कितनी देर तक चले। समस्या यह है कि ये चमक अक्सर एक-दूसरे के ऊपर ओवरलैप होती हैं, शोर के पीछे छिप जाती हैं, और अप्रत्याशित संख्या में आती हैं। इन सबको एक साथ गिनना और मापना वैसा ही है जैसे तूफान में गिरती बारिश की व्यक्तिगत बूंदों को गिनने की कोशिश करना और साथ ही हवा की गति को मापना, वह भी बिना भीगे। पारंपरिक गणितीय उपकरण धीमे, सतर्क लिपिकों की तरह हैं; वे पहेली को हल तो कर सकते हैं, लेकिन केवल एक तूफान का गणित करने में उन्हें दिनों या हफ्तों का समय लग जाता है, जिससे हर साल हमारे पास आने वाले हजारों स्पंदनों का विश्लेषण करना असंभव हो जाता है।

यह शोध पत्र एक नया, बिजली की तरह तेज जासूस पेश करता है जिसे t-FMPE (ट्रांस-डायमेंशनल फ्लो मैचिंग पोस्टीरियर एस्टीमेशन) कहा जाता है। t-FMPE को एक सुपर-स्मार्ट AI के रूप में समझें जिसने एक ट्रेनिंग कैंप में लाखों सिम्युलेटेड कॉस्मिक तूफानों को देखा है। पुराने तरीकों की तरह हर संभावना को एक-एक करके धीरे-धीरे गणना करने के बजाय, यह AI तूफान के "आकार" को सीख लेता है। प्रशिक्षित होने के बाद, यह एक वास्तविक, अव्यवस्थित प्रकाश की चमक को देख सकता है और तुरंत अनुमान लगा सकता है कि उसके अंदर कितने स्पंदन छिपे हैं, साथ ही उनकी सटीक विशेषताएं क्या हैं। लेखकों ने इस AI का परीक्षण तीन प्रकार के डेटा पर किया: काल्पनिक कंप्यूटर सिमुलेशन, एक मैग्नेटर से प्राप्त वास्तविक एक्स-रे बर्स्ट, और वास्तविक फास्ट रेडियो बर्स्ट (FRBs)। उन्होंने पाया कि t-FMPE ऐसे उत्तर देता है जो पुराने, भरोसेमंद तरीकों के लगभग समान दिखते हैं, लेकिन यह काम कई गुना अधिक तेजी से करता है। जहाँ पुराने तरीके एक विस्फोट का विश्लेषण करने में घंटों या दिनों का समय ले सकते हैं, वहीं t-FMPE केवल एक सेकंड में 100 संभावित उत्तर दे सकता है। इसने सफलतापूर्वक स्पंदनों की संख्या और उनके गुणों को पहचाना, भले ही डेटा शोर से भरा हो या स्पंदन एक-दूसरे के ऊपर ओवरलैप हो रहे हों, जिससे यह सिद्ध हुआ कि अब हम अनंत काल तक इंतजार किए बिना भारी मात्रा में कॉस्मिक डेटा का विश्लेषण कर सकते हैं।

कॉस्मिक पहेली: अदृश्य को गिनना

हाई-एनर्जी एस्ट्रोनॉमी "फास्ट ट्रांजिएंट्स" से भरी हुई है—ऐसी घटनाएं जो बहुत तेजी से और चमक के साथ होती हैं, जैसे गामा-रे बर्स्ट, मैग्नेटर फ्लेयर्स और फास्ट रेडियो बर्स्ट। ये घटनाएं कई छोटे नोट्स (स्वर) से बने एक जटिल गीत की तरह हैं जो एक साथ बजाए जाते हैं। इनके पीछे के भौतिक विज्ञान को समझने के लिए, वैज्ञानिकों को इस गीत को इसके व्यक्तिगत नोट्स में तोड़ना पड़ता है: कितने नोट्स हैं? प्रत्येक कब शुरू हुआ? यह कितना तेज था? यह कितनी देर तक चला?

समस्या यह है कि ये "नोट्स" (या स्पंदन) अक्सर ओवरलैप होते हैं, और डेटा शोर (static) से भरा होता है। पारंपरिक तरीके, जैसे कि मार्कोव चेन मोंटे कार्लो (MCMC), घास के ढेर में सुई खोजने की तरह हैं जहाँ आपको हर एक घास के तिनके को एक-एक करके जांचना पड़ता है। वे सटीक तो हैं लेकिन अविश्वसनीय रूप से धीमे हैं। यदि आपके पास हर कुछ सेकंड में एक नया बर्स्ट आता है, तो आप कंप्यूटर के गणित पूरा करने के लिए दिनों तक इंतजार नहीं कर सकते। एक अन्य दृष्टिकोण, जिसे 'नेस्टेड सैंपलिंग' (Nested Sampling) कहा जाता है, थोड़ा तेज़ है लेकिन अज्ञात संख्या में स्पंदनों के मामले में संघर्ष करता है। यह कमरे में मौजूद लोगों की संख्या का अनुमान लगाने के लिए उन्हें लाइन में खड़ा करने जैसा है, लेकिन आपको यह नहीं पता कि वहां कितने लोग हैं।

नया AI जासूस: t-FMPE

लेखकों ने t-FMPE नामक एक नया टूल बनाया है। कल्पना कीजिए कि आप एक रोबोट को पक्षी के एक विशिष्ट गीत को पहचानना सिखा रहे हैं। उसे चहचहाहट गिनने के लिए नियम पुस्तिका देने के बजाय, आप उसे हजारों रिकॉर्डिंग सुनाते हैं, जिनमें से कुछ में 1 चहचहाहट है, कुछ में 5, और कुछ में 10। आप रोबोट को बताते हैं, "यह रिकॉर्डिंग है, और यह उत्तर है: 3 चहचहाहट।" समय के साथ, रोबोट पैटर्न सीख जाता है।

t-FMPE इसी तरह काम करता है लेकिन यह फ्लो मैचिंग (Flow Matching) नामक तकनीक का उपयोग करता है। इसे एक जादुई नदी के रूप में सोचें। नदी के एक तरफ एक सरल, शांत तालाब (रैंडम अनुमान) है। दूसरी तरफ एक जटिल, घूमता हुआ भंवर (वास्तविक उत्तर) है। AI उस सटीक धारा को सीखता है जिसकी आवश्यकता शांत तालाब से भंवर तक पानी की एक बूंद को निर्देशित करने के लिए होती है। एक बार जब यह धारा को सीख लेता है, तो यह किसी भी नई बूंद (एक नए प्रकाश के विस्फोट) को सही उत्तर तक तुरंत निर्देशित कर सकता है।

इसका "ट्रांस-डायमेंशनल" हिस्सा वह जादुई ट्रिक है। आमतौर पर, यदि आप 3 स्पंदनों का अनुमान लगाना चाहते हैं, तो आपको 3 स्पंदनों के लिए कैलकुलेटर चाहिए। यदि आप 5 का अनुमान लगाना चाहते हैं, तो आपको एक अलग कैलकुलेटर चाहिए। t-FMPE एक स्विस आर्मी नाइफ की तरह बना है जो एक साथ किसी भी संख्या में स्पंदनों को संभाल सकता है। इसमें एक अंतर्निहित "काउंटर" (क्लासिफायर) है जो पहले यह अनुमान लगाता है कि कितने स्पंदन हैं, और फिर एक "मेजरर" (ट्रांसफॉर्मर) जो उन स्पंदनों का विवरण पता लगाता है।

टेस्ट ड्राइव: सिमुलेशन और वास्तविक तारे

टीम ने तीन अलग-अलग तरीकों से t-FMPE का परीक्षण किया:

1. नकली तूफान (सिमुलेशन): उन्होंने ज्ञात उत्तरों के साथ हजारों नकली लाइट कर्व्स बनाए। उन्होंने t-FMPE की तुलना पुराने, धीमे MCMC तरीके से की।

   • परिणाम: t-FMPE ने MCMC जितना ही सटीक उत्तर दिया। इसने स्पंदनों की संख्या और उनके समय को सही ढंग से पहचाना।
   • गति: MCMC को निश्चित होने के लिए पर्याप्त सैंपल जेनरेट करने में घंटों लगे। t-फार्म ने उतनी ही जानकारी 40 सेकंड में तैयार कर दी। 5 स्पंदनों वाले एक जटिल विस्फोट के लिए, MCMC को 3 घंटे से अधिक समय लगा; t-FMPE ने इसे 40 सेकंड में कर दिया।

2. मैग्नेटर एक्स-रे बर्स्ट: उन्होंने एक मैग्नेटर (एक अत्यंत सघन, चुंबकीय तारा) से प्राप्त एक वास्तविक एक्स-रे बर्स्ट लिया जिसका नाम SGR J1550-5418 है। यह डेटा अव्यवस्थित था और इसमें ओवरलैपिंग स्पंदन थे।

   • परिणाम: t-FMPE ने उत्तरों का एक ऐसा वितरण (distribution) तैयार किया जो एक पिछले, बहुत सावधानीपूर्वक अध्ययन (जिसमें एक अलग, धीमी विधि यानी नेस्टेड सैंपलिंग का उपयोग किया गया था) के परिणामों से मेल खाता था। इसने डेटा के अंतराल (dead time) और शोर को बिना भ्रमित हुए सफलतापूर्वक संभाला।

3. फास्ट रेडियो बर्स्ट (FRBs): उन्होंने CHIME टेलीस्कोप से प्राप्त तीन वास्तविक रेडियो बर्स्ट पर इसका परीक्षण किया। ये बर्स्ट जाने जाते हैं कि इनमें कई पीक्स (peaks) होते हैं।

   • परिणाम: AI ने स्पंदनों और उनकी विशेषताओं को खोज निकाला, और परिणामी "लाइट कर्व्स" (बर्स्ट के पुनर्गठित आकार) वास्तविक डेटा के बहुत समान दिखे।

यह क्यों महत्वपूर्ण है

सबसे बड़ी बात इसकी गति और स्केलेबिलिटी (scalability) है। यह शोध पत्र दिखाता है कि t-FMPE 80-डायमेंशनल पैरामीटर स्पेस के लिए प्रति सेकंड 100 पोस्टीरियर सैंपल जेनरेट कर सकता है। इसे समझने के लिए, यदि पुराने तरीके एक घोंघा (snail) थे, तो t-FMए एक रॉकेट है।

यह गति महत्वपूर्ण है क्योंकि टेलीस्कोप अब हमें विशाल मात्रा में डेटा भेजना शुरू करने वाले हैं। यदि हम पुराने, धीमे तरीकों पर निर्भर रहते हैं, तो हम एक विस्फोट का विश्लेषण करने में फंसे रहेंगे जबकि अगले हजार आ चुके होंगे। t-FMPE के साथ, खगोलशास्त्री विशाल डेटासेट का वास्तविक समय (real-time) में विश्लेषण कर सकते हैं।

लेखक सावधानीपूर्वक नोट करते हैं कि हालांकि परिणाम उत्कृष्ट हैं, लेकिन यह एक "पायलट अध्ययन" है। उन्होंने दिखाया है कि यह विशिष्ट प्रकार के डेटा (यूनिफॉर्मली सैंपलड टाइम सीरीज़) और विशिष्ट मॉडलों (डबल-साइडेड एक्सपोनेंशियल पीक्स) पर काम करता है। वे सुझाव देते हैं कि भविष्य के कार्यों में इसे और भी जटिल भौतिक मॉडलों और विभिन्न प्रकार की टाइम सीरीज़ पर टेस्ट करने की आवश्यकता होगी। हालांकि, फिलहाल के लिए, उन्होंने प्रदर्शित किया है कि हम आखिरकार ब्रह्मांड के सबसे तेज़ विस्फोटों को उतनी ही तेज़ी से गिन सकते हैं जितनी तेज़ी से वे फटते हैं।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता है कि इसने ब्रह्मांड की सबसे तेज़ घटनाओं के पूरे रहस्य को सुलझा लिया है। इसके बजाय, यह एक नया, अविश्वसनीय रूप से तेज़ टूल प्रदान करता है जो हमें उन्हें गिनने और मापने में मदद करता है। सिमुलेशन पर प्रशिक्षित न्यूरल नेटवर्क का उपयोग करके, t-FMPE अतीत की धीमी, थकाऊ गणितीय प्रक्रियाओं को दरकिनार कर देता है। यह सुझाव देता है कि अब हम आधुनिक टेलीस्कोपों से आने वाले डेटा के सैलाब को संभाल सकते हैं, जिससे हम इन चरम घटनाओं के भौतिक विज्ञान का अध्ययन उस गति और दक्षता के साथ कर सकते हैं जो पहले असंभव थी। अब डेटा के प्रवाह के साथ हमारे विश्लेषण का प्रवाह भी मेल खा रहा है।