Revisiting 2D and 3D Dainotti Correlations for GRBs Using Bayesian Neural Networks
यह अध्ययन पेंटाॅन+ (Pantheon+) और ओएचडी (OHD) डेटा का उपयोग करके गामा-रे बर्स्ट के लिए 2D और 3D डैनोट्टी सहसंबंधों (Dainotti correlations) को मॉडल-स्वतंत्र रूप से कैलिब्रेट करने के लिए बेयसियन न्यूरल नेटवर्क (Bayesian Neural Networks) को नियोजित करता है, जो यह प्रदर्शित करता है कि पेंटाॅन+ डेटासेट अधिक सटीक बाधाएं (tighter constraints) प्रदान करता है और 3D सहसंबंध 2D संबंध की तुलना में कम अंतर्निहित प्रकीर्णन (intrinsic scatter) प्रदान करता है।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित 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 की कल्पना एक विशाल, फैलते हुए महासागर के रूप में करें। यह कितनी तेज़ी से बढ़ रहा है और यह कहाँ जा रहा है, इसे समझने के लिए खगोलविदों को दूर स्थित द्वीपों की दूरियों को मापने की आवश्यकता होती है। दशकों से, वे "मानक मोमबत्तियों" (standard candles) का उपयोग करते आए हैं—ऐसे तारे जो एक अनुमानित चमक के साथ चमकते हैं, जैसे कि एक विशिष्ट ब्रांड का बल्ब। यदि आप जानते हैं कि बल्ब को कितना चमकीला होना चाहिए, तो आप केवल इस आधार पर कि वह आपको कितना धुंधला दिखाई देता है, यह बता सकते हैं कि वह कितनी दूर है। समस्या यह है कि हमारे पास जो सबसे चमकीले बल्ब (सुपरनोवा) हैं, वे केवल एक निश्चित दूरी तक ही काम करते हैं। उसके आगे, महासागर इतना गहरा और अंधेरा हो जाता है कि उन्हें देखना मुश्किल हो जाता है।
यहाँ गामा-रे बर्स्ट (GRBs) का आगमन होता है। ये ब्रह्मांड के सबसे विस्फोटक आतिशबजी हैं, जो इतनी दूर से भी दिखाई देते हैं कि वे तब भी मौजूद थे जब ब्रह्मांड अभी बच्चा ही था। वे गहरे अंतरिक्ष के लिए आदर्श "सुपर-बल्ब" हैं। लेकिन एक पेंच है: हमें यह ठीक-ठीक नहीं पता कि वे कितने चमकीले होने चाहिए। उन्हें मापने के उपकरण के रूप में उपयोग करने के लिए, हमें पहले उन्हें कैलिब्रेट (परिकलित) करना होगा, लेकिन ऐसा करने के लिए आमतौर पर पहले से ही उनकी दूरी जानना आवश्यक होता है। यह एक क्लासिक "मुर्गी और अंडे" वाली समस्या है। वैज्ञानिकों ने इन विस्फोटों में पैटर्न खोजने की कोशिश की है, जैसे कि एक विस्फोट कितनी देर तक चलता है बनाम वह कितना चमकीला है, इस उम्मीद में कि ये पैटर्न एक सार्वभौमिक नियम पुस्तिका की तरह काम करेंगे। हालाँकि, उस नियम पुस्तिका को खोजने के लिए, आपको पहले दूरियां जाननी होंगी, जो आपको वापस उसी मुर्गी और अंडे के जाल में ले आता है।
यहीं पर दिल्ली विश्वविद्यालय के शोधकर्ताओं की एक टीम एक चतुर नई तरकीब के साथ आती है। वे इस चक्र को बिना किसी पूर्व-निर्धारित सिद्धांत पर निर्भर हुए तोड़ना चाहते थे कि ब्रह्मांड कैसे काम करता है। उन्होंने एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग किया जिसे 'बेयसियन न्यूरल नेटवर्क' (BNN) कहा जाता है। इस AI को केवल तथ्यों को याद करने वाले रोबोट के रूप में नहीं, बल्कि एक सुपर-स्मार्ट जासूस के रूप में सोचें जो सुरागों (डेटा) से सीखता है और साथ ही हर अनुमान के बारे में अपनी अनिश्चितता की एक सूची भी रखता है। उन्होंने इस जासूस को "दूरी के ज्ञात सुरागों" के दो अलग-अलग सेट दिए: एक हबल डेटा (स्थानीय मापों का एक संग्रह) से और दूसरा पैन्थियन+ (Pantheon+) डेटासेट से (सुपरनोवा का एक विशाल कैटलॉग)।
लक्ष्य यह देखना था कि क्या यह AI ब्रह्मांड के विस्तार का एक विश्वसनीय मानचित्र बनाने में सक्षम है, बिना यह मान लिए कि ब्रह्मांड का आकार पहले से क्या है। एक बार जब AI ने यह मानचित्र बना लिया, तो टीम ने दो अलग-अलग समूहों के गामा-रे बर्स्ट को कैलिब्रेट करने के लिए इसका उपयोग किया: एक "प्लैटिनम" समूह (बहुत सावधानी से चुना गया साफ-सुथले विस्फोटों का एक छोटा समूह) और एक "नरेंद्र" समूह (विस्फोटों का एक बहुत बड़ा और विविध समूह)। उन्होंने दो अलग-अलग नियम पुस्तिकाओं का परीक्षण किया: एक सरल 2D नियम (चमक और समय के बीच संबंध) और एक अधिक जटिल 3D नियम (एक तीसरा कारक जोड़कर: प्रारंभिक विस्फोट की चरम चमक)।
उन्होंने यहाँ क्या पाया, यहाँ बताया गया है। AI ने ब्रह्मांड का मानचित्र बनाने में बहुत अच्छा काम किया, और इसने दिखाया कि "हबल" सुरागों की तुलना में "पैन्थियन+" सुराग बेहतर थे। क्यों? क्योंकि पैन्थियन+ डेटा दूरी में बहुत आगे तक फैला हुआ था, जिससे टीम को अधिक गामा-रे बर्स्ट को कैलिब्रेट करने की अनुमति मिली। जब उन्होंने इस व्यापक जाल का उपयोग किया, तो उनके द्वारा निकाले गए नियम बहुत अधिक सटीक और स्पष्ट हो गए।
सबसे महत्वपूर्ण बात यह है कि उन्होंने पुष्टि की कि 3D नियम पुस्तिका 2D नियम पुस्तिका से श्रेष्ठ है। ठीक वैसे ही जैसे किसी इमारत का 3D मॉडल एक सपाट ड्राइंग की तुलना में अधिक जानकारी देता है, उस तीसरे डेटा (चरम चमक) को जोड़ने से विस्फोटों के गुणों के बीच का संबंध बहुत अधिक सुसंगत और कम अव्यव्यस्त हो गया। "इंट्रिन्सिक स्कैटर" (intrinsic scatter)—जो डेटा की प्राकृतिक धुंधलापन या शोर की तरह है—3D विधि का उपयोग करने पर काफी कम हो गया। प्लैटिनम नमूने के लिए, 3D संबंध में अनिश्चितता 0.372 थी, जबकि 2D संबंध के लिए यह 0.559 थी।
यह अध्ययन सुझाव देता है कि इस AI दृष्टिकोण का उपयोग करना इन ब्रह्मांडीय विस्फोटों को कैलिब्रेट करने का एक मजबूत तरीका है, बिना किसी चक्रीय तर्क में फंसे। यह सिद्ध करता है कि 3D सहसंबंध (correlation) ब्रह्मांड को मापने के लिए एक अधिक शक्तिशाली उपकरण है। हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि इसकी सटीकता वर्तमान में हमारे पास उपलब्ध अच्छे गामा-रे बर्स्ट की संख्या से सीमित है। उनका सुझाव है कि भविष्य के मिशन, जो इन विस्फोटों को बहुत अधिक संख्या में पहचानेंगे, इस AI ढांचे को प्रारंभिक ब्रह्मांड के और भी स्पष्ट मानचित्र बनाने में सक्षम बनाएंगे, जिससे हमें अंततः ब्रह्मांड के वास्तविक पैमाने को समझने में मदद मिलेगी।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।