Simulation-based inference for AGN jet population modelling: Towards more robust comparisons of black hole jet speeds

कल्पना कीजिए कि ब्रह्मांड एक विशाल, ब्रह्मांडीय कारखाने के रूप में है जहाँ सबसे शक्तिशाली इंजन कल्पना की आकृतियों से भी अधिक लगातार चालू हो रहे हैं। ये इंजन ब्लैक होल हैं, और वे केवल वहाँ बैठे नहीं रहते; वे कणों की विशाल, उच्च-गति वाली बीम जैसी "जेट्स" छोड़ते हैं जो हजारों प्रकाश वर्ष तक फैली होती हैं। इन जेट्स को एक रॉकेट के धुएं की तरह समझें, लेकिन ईंधन जलाने के बजाय, ये एक ब्लैक होल के तीव्र गुरुत्वाकर्षण और स्पिन द्वारा संचालित होते हैं। वैज्ञानिक लंबे समय से यह जानना चाहते थे कि क्या ये इंजन एक ही तरह से काम करते हैं चाहे वे छोटे हों (जैसे हमारी अपनी आकाशगंगा में ब्लैक होल) या विशालकाय (अन्य आकाशगंगाओं के केंद्रों में स्थित सुपरमैसिव ब्लैक होल)। यह जानने के लिए कि ये जेट वास्तव में कितनी तेजी से चल रहे हैं, खगोलविदों को उनकी गति को मापना आवश्यक है। लेकिन समस्या यह है कि ब्रह्मांड बहुत पेचीदा है। क्योंकि ये जेट बहुत तेज चलते हैं और अलग-अलग दिशाओं में होते हैं, इसलिए वे इस बात पर निर्भर करते हुए अलग दिखते हैं कि वे किस दिशा में उन्मुख हैं। यह एक कार को पास से गुजरते हुए देखने जैसा है: यदि वह सीधे आपकी ओर आ रही है, तो वह अविश्वसनीय रूप से तेज और चमकदार दिखती है, लेकिन यदि वह आपसे दूर जा रही है या आपके दृश्य क्षेत्र के आर-पार जा रही है, तो वह धीमी और धुंधली दिखती है। यह जानना बहुत कठिन हो जाता है कि जेट्स के पूरे बेड़े की "वास्तविक" गति क्या है, क्योंकि हम केवल उन्हीं को देख पाते हैं जो सीधे हमारी ओर इशारा कर रहे हैं।

यह शोध पत्र इस पहेली को सुलझाने के बारे में एक जासूसी कहानी है। लेखकों, क्लारा लिल्जे, जेम्स मैथ्यूज और रॉब फेंडर ने इन जेट्स की "पैरेंट पॉपुलेशन" (मूल जनसंख्या) को बेहतर ढंग से देखने का प्रयास किया—यानी ब्लैक होल का पूरा परिवार, न कि केवल वे भाग्यशाली जिन्हें हम देख सकते हैं। उन्होंने एक प्रसिद्ध सर्वेक्षण, जिसे MOJAVE कहा जाता है, से 174 शक्तिशाली रेडियो क्वासर (एक प्रकार की सक्रिय आकाशगंगा) के नमूने का उपयोग किया। पुराने जमाने के गणित का उपयोग करने के बजाय जो जटिल और अव्यवस्थित डेटा के साथ संघर्ष करता है, उन्होंने एक आधुनिक, कंप्यूटर-स्मार्ट तकनीक का उपयोग किया जिसे "सिमुलेशन-आधारित अनुमान" (Simulation-Based Inference - SBI) कहा जाता है। आप इसे एक वीडियो गेम की तरह समझ सकते हैं जहाँ कंप्यूटर अलग-अलग नियमों के साथ लाखों नकली ब्रह्मांड बनाता है। फिर कंप्यूटर यह सीखने की कोशिश करता है कि कौन से नियम उस नकली ब्रह्मांड को बिल्कुल वैसा बना देंगे जैसा हम वास्तव में देखते हैं। ऐसा करके, उन्होंने पाया कि इन विशाल जेट्स की गति एक विशिष्ट पैटर्न का पालन करती है: जैसे-जैसे वे तेज होते जाते हैं, जेट्स की संख्या कम होती जाती है, जो एक ऐसे वक्र (curve) का अनुसरण करती है जहाँ घातांक (exponent) लगभग -1.32 है। महत्वपूर्ण रूप से, उन्होंने पाया कि इस संख्या में अनिश्चितता पिछले अध्ययनों की तुलना में बहुत अधिक है, और डेटा का आकार एक साधारण, सुव्यवस्थित बेल कर्व (घंटी के आकार का वक्र) नहीं है। जब उन्होंने अपने परिणामों की तुलना छोटे ब्लैक होल (जिन्हें एक्स-रे बाइनरी कहा जाता है) से निकलने वाले जेट्स की गति से की, तो उन्होंने पाया कि दोनों समूह आश्चर्यजनक रूप से समान हैं। उनकी गति वितरण के ढलान (slopes) 2-सिग्मा मार्जिन के भीतर मेल खाते हैं, जो यह सुझाव देता है कि ब्लैक होल द्वारा जेट छोड़ने के पीछे का भौतिक विज्ञान सार्वभौमिक हो सकता है, चाहे ब्लैक होल छोटा हो या विशाल।

कॉस्मिक स्पीड ट्रैप (ब्रह्मांडीय गति जाल)

इन वैज्ञानिकों ने जो किया उसे समझने के लिए, आपको पहले "कॉस्मिक स्पीड ट्रैप" को समझना होगा। कल्पना कीजिए कि आप एक रेसट्रैक पर हैं, लेकिन आप केवल स्टैंड में एक अकेली सीट से कारों को देख सकते हैं। यदि कोई कार सीधे आपकी ओर आती है, तो वह अविश्वसनीय रूप से तेज दिखती है और उसकी हेडलाइट्स अंधा कर देने वाली चमकदार होती हैं। यदि वह आपसे दूर जाती है, तो वह धीमी और धुंधली दिखती है। यदि वह आपके दृश्य के आर-पार जाती है, तो वह बीच की स्थिति में होती है। अब, कल्पना कीजिए कि आप दौड़ के सभी कारों की औसत गति जानने की कोशिश कर रहे हैं, लेकिन आप केवल उन्हें देख पाते हैं जो सीधे आपकी ओर तेजी से आ रही हैं। आप गलती से यह सोच सकते हैं कि हर कार बहुत तेज है क्योंकि धीमी कारें आपके दृश्य से ओझल हैं। ब्लैक होल के जेट्स के साथ भी यही होता है। ब्रह्मांड ब्लैक होल से भरे जेट्स से भरा हुआ है, लेकिन "रिलेटिविस्टिक बीमिंग" नामक घटना के कारण, हम मुख्य रूप से उन्हीं को देख पाते हैं जो पृथ्वी की ओर सीधे उन्मुख हैं और प्रकाश की गति के करीब चल रहे हैं। धीमी गति वाले या बगल की ओर इशारा करने वाले जेट्स हमारे टेलिस्कोपों के लिए बहुत धुंधले होते हैं। यह एक "फ्लक्स लिमिट" पैदा करता है, एक ऐसा पूर्वाग्रह जहाँ ब्रह्मांड का हमारा दृश्य सबसे तेज और सबसे चमकीली वस्तुओं की ओर झुका हुआ होता है।

पुराना तरीका बनाम नया तरीका

लंबे समय तक, खगोलविदों ने एंडरसन-डार्लिंग टेस्ट या ची-स्क्वायर टेस्ट जैसे मानक गणितीय उपकरणों का उपयोग करके इस पूर्वाग्रह को ठीक करने की कोशिश की। इन उपकरणों को एक गोल छेद में चौकोर खूंटा ठोकने की कोशिश के रूप में सोचें। वे तब ठीक काम करते हैं जब आप एक समय में केवल एक चीज़ देख रहे हों, जैसे जेट की गति। लेकिन जब आप गति, चमक और दूरी तीनों को एक साथ देखने की कोशिश करते हैं, तो ये उपकरण भ्रमित हो जाते हैं। वे अक्सर यह मान लेते हैं कि उत्तर एक सुंदर, सममित बेल कर्व (जैसे रेत का ढेर जो बीच में सबसे ऊँचा होता है और समान रूप से नीचे की ओर ढलान बनाता है) का पालन करते हैं। वे अत्यधिक आत्मविश्वासी भी होते हैं, जो अपने उत्तरों के लिए बहुत संकीकर सीमाएँ देते हैं और कहते हैं, "हमें 99% विश्वास है कि उत्तर ठीक यहाँ है!"

इस शोध पत्र के लेखकों ने एक अलग दृष्टिकोण अपनाने का निर्णय लिया। उन्होंने सिमुलेशन-आधारित अनुमान (SBI) नामक विधि का उपयोग किया। कल्पना कीजिए कि आप एक गुप्त केक की रेसिपी का अनुमान लगाने की कोशिश कर रहे हैं। केक को चखकर एक-एक करके सामग्री का अनुमान लगाने के बजाय, आपके पास एक रोबोट शेफ है। आप रोबोट को बताते हैं, "2 अंडे, 1 कप चीनी और 3 कप मैदा लेकर एक केक बनाओ।" रोबोट केक बनाता है और आपको परिणाम दिखाता है। आप वास्तविक केक से इसकी तुलना करते हैं। यदि यह बहुत सूखा है, तो आप रोबोट को कम मैदा डालने के लिए फिर से कहते हैं। रोबोट यह काम लाखों बार करता है, और सामग्रियों और अंतिम केक के बीच के संबंध को सीखता है। अंततः, रोबोट "लाइकलीहुड सरफेस" (संभावना सतह) सीख जाता है—जो उन सभी संभावित सामग्री संयोजनों का नक्शा है जिन्होंने उस केक को बनाया होगा।

इस शोध पत्र में, "सामग्री" ब्लैक होल जेट्स के गुण हैं (वे कितनी तेजी से घूमते हैं, वे कितने चमकीले हैं, वे समय के साथ कैसे विकसित होते हैं), और "केक" MOJAVE सर्वेक्षण का डेटा है। रोबोट (एक मशीन लर्निंग मॉडल जिसे "नॉर्मलाइजिंग फ्लो" कहा जाता है) लाखों नकली ब्रह्मांडों का अनुकरण करता है, यह सीखता है कि कौन से ब्रह्मांड वास्तविक डेटा की तरह दिखते हैं, और फिर वैज्ञानिकों को बताता है कि वास्तविक ब्रह्मांड के लिए सबसे संभावित "रेसिपी" क्या है।

मुख्य निष्कर्ष

जब लेखकों ने अपना सिमुलेशन चलाया, तो उन्हें कुछ दिलचस्प बातें पता चलीं जो पुराने तरीकों से छूट गई थीं:

1. उत्तर अधिक जटिल (और अधिक ईमानदार) हैं: पुराने तरीकों ने बहुत साफ और सममित उत्तर दिए। नए तरीके ने दिखाया कि उत्तर वास्तव में "ऊबड़-खाबड़" और असममित हैं। उदाहरण के लिए, गति वितरण में अनिश्चितता एक पूर्ण बेल कर्व नहीं है; यह एक तरफ झुकी हुई है। इसका मतलब है कि पुराने अध्ययन संभवतः बहुत अधिक आत्मविश्वासी थे। नया अध्ययन कहता है, "हम सोचते हैं कि गति घातांक (speed exponent) -1.32 है, लेकिन यह -1.51 और -1.12 के बीच कहीं भी हो सकता है।" यह एक बहुत व्यापक सीमा है, लेकिन यह अधिक ईमानदार है।
2. "बीमिंग" कारक ठोस है: एक पैरामीटर जिसका उन्होंने परीक्षण किया था, वह था "बीमिंग एक्सपोनेंट" (यह कि जेट की चमक उसके कोण के आधार पर कितनी बदलती है)। सिमुलेशन इस मामले में अत्यंत आत्मविश्वासी था, जिसने इसे बहुत मजबूती से निर्धारित किया। इसने पुष्टि की कि पिछले वैज्ञानिकों ने अपने मॉडलों में इस मान को 2.0 पर स्थिर रखने का सही निर्णय लिया था।
3. "गति बनाम चमक" का उलझाव: सिमुलेशन ने दिखाया कि कुछ चर "डिजेनरेट" (degenerate) हैं, जिसका अर्थ है कि वे आपस में उलझे हुए हैं। उदाहरण के लिए, जिस तरह से जेट्स समय के साथ अपनी चमक बदलते हैं (रेडशिफ्ट इवोल्यूशन), उसे उनकी गति के तरीके से अलग करना कठिन है। सिमुलेशन ने इस उलझाव को पूरी तरह से पकड़ा, जिससे डेटा में एक लंबा, फैला हुआ आकार दिखाई दिया जहाँ दोनों चर आपस में मिल जाते हैं। पुराने तरीके इस जटिलता को पकड़ने में विफल रहते।

ब्रह्मांडीय संबंध: दिग्गज और बौने

शोध पत्र का सबसे रोमांचक हिस्सा तुलना है। लेखकों ने विशाल ब्लैक होल (एक्टिव गैलेक्टिक न्यूक्लिआई, या AGN) के अपने नए, अधिक सटीक मापों को छोटे ब्लैक होल (एक्स-रे बाइनरी, या XRB) के मापों के साथ तुलना किया।

इसे एक फेरारी और एक गो-कार्ट की तुलना करने जैसा समझें। आप उम्मीद कर सकते हैं कि उनके इंजन पूरी तरह से अलग होंगे। लेकिन जब लेखकों ने "लोरेंत्ज़ फैक्टर" (एक शानदार तरीका यह बताने का कि वे प्रकाश की गति के कितने करीब हैं) को देखा, तो उन्हें एक आश्चर्यजनक बात मिली। विशाल AGN जेट्स और छोटे XRB जेट्स के गति वितरण एक दूसरे के अनुरूप हैं (2-सिग्मा मार्जिन के भीतर)।

"2-सिग्मा" का क्या अर्थ है? विज्ञान में, यह कहने का एक तरीका है, "इस बात की काफी संभावना है कि ये दो चीजें एक ही हैं, लेकिन हम अभी 100% निश्चित नहीं हैं।" यह एक सिक्के को 100 बार उछालने और 60 बार 'हेड्स' आने जैसा है। यह संदिग्ध है, लेकिन असंभव नहीं है। हालांकि, यह इतना मजबूत है कि यह सुझाव देता है कि ब्लैक होल द्वारा जेट छोड़ने का भौतिक विज्ञान सार्वभौमिक हो सकता है, चाहे ब्लैक होल एक पहाड़ के आकार का हो या एक सौर मंडल के आकार का।

यह क्यों मायने रखता है

यह शोध पत्र हमें केवल एक नया नंबर नहीं देता; यह हमें सोचने का एक नया तरीका देता है। यह दिखाता है कि जब हम जटिल, पक्षपाती डेटा के साथ काम करते हैं, तो हमें उन सरल उपकरणों का उपयोग करना बंद कर देना चाहिए जो यह मान लेते हैं कि सब कुछ व्यवस्थित और सममित है। सिमुलेशन-आधारित अनुमान का उपयोग करके, लेखक उन "उबड़-खाबड़पन" और "उलझावों" को देखने में सक्षम हुए जो पहले छिपे हुए थे।

उन्होंने यह भी दिखाया कि ब्रह्मांड हमारे विचार से अधिक एकरूप हो सकता है। यदि सबसे छोटे ब्लैक होल और सबसे बड़े ब्लैक होल के जेट एक ही गति नियमों का पालन करते हैं, तो यह सुझाव देता है कि इन ब्रह्मांडीय इंजनों को नियंत्रित करने वाले भौतिक विज्ञान के मौलिक नियम सार्वभौमिक हैं। यह एक खिलौना कार और एक असली रेस कार दोनों बनाने के लिए एक ही ब्लूप्रिंट के उपयोग का पता लगाने जैसा है।

बेशक, लेखक सावधानी बरतते हुए कहते हैं कि यह अंतिम शब्द नहीं है। वे उन अंतरों की ओर इशारा करते हैं जो इन वस्तुओं के अवलोकन में मौजूद हैं (जैसे कि हम विशाल जेट्स को छोटे जेट्स की तुलना में अलग दूरियों पर देखते हैं), और पूरी तरह से निश्चित होने के लिए अधिक डेटा की आवश्यकता है। लेकिन इस शक्तिशाली नए तरीके का उपयोग करके, उन्होंने एक बड़ा कदम उठाया है। उन्होंने साबित कर दिया है कि सही उपकरणों के साथ, हम अंततः ब्लैक होल जेट्स के पूरे परिवार को देख सकते हैं, न कि केवल उन्हें जो हमारी ओर इशारा कर रहे हैं।