🔭 astrophysics

Extensive Air Showers Parameters Estimation Using Machine Learning Techniques with Simulations of the FAST Telescope

यह शोधपत्र प्रदर्शित करता है कि शोर-मुक्त सिमुलेशन (noise-free simulations) पर लागू मशीन लर्निंग तकनीकें अल्ट्रा-हाई-एनर्जी कॉस्मिक रे शॉवर मापदंडों को प्रभावी ढंग से पुनर्गठित कर सकती हैं, जो एकल FAST टेलीस्कोप विन्यास के डेटा का उपयोग करके, उप-प्रतिशत ऊर्जा रिज़ॉल्यूशन और शॉवर मैक्सिमम ( $X_{max}$ ) के लिए लगभग 5% रिज़ॉल्यूशन प्राप्त करती हैं।

मूल लेखक: Jiř\'ı Kvita, Monika Machalová, Radek Př\'ıvara, Rostislav Vodák, Jan Tomeček

प्रकाशित 2026-08-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jiř\'ı Kvita, Monika Machalová, Radek Př\'ıvara, Rostislav Vodák, Jan Tomeček

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया 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

हमारे ऊपर का आकाश लगभग प्रकाश की गति से यात्रा करने वाले अदृश्य कणों की निरंतर बमबारी झेल रहा है। ये कॉस्मिक किरणें (cosmic rays) हैं, जिनका जन्म दूरस्थ आकाशगंगाओं के हिंसक केंद्रों या विशाल तारों के विस्फोटक अंत से होता है। जब इनमें से कोई उच्च-ऊर्जा वाला कण पृथ्वी के वायुमंडल से टकराता है, तो वह अकेला जमीन से नहीं टकराता। इसके बजाय, यह वायु के अणुओं से टकराता है, जिससे अरबों माध्यमिक कणों का एक श्रृंखलाबद्ध विस्फोट शुरू हो जाता है जो एक विशाल, पतले डिस्क के रूप में नीचे गिरते हैं, जिसे 'एक्सटेंसिव एयर शावर' (extensive air shower) कहा जाता है। वैज्ञानिक ब्रह्मांड की सबसे ऊर्जावान घटनाओं को समझने के लिए इन शावरों का अध्ययन करते हैं, लेकिन चूंकि प्राथमिक कण टकराने पर लुप्त हो जाता है, इसलिए शोधकर्ताओं को जमीन तक पहुँचने वाले मलबे का विश्लेषण करके इसकी कहानी को फिर से निर्मित (reconstruct) करना पड़ता है। चुनौती बहुत बड़ी है: ये घटनाएं दुर्लभ हैं, इनके द्वारा छोड़े गए संकेत क्षणिक होते हैं, और इन्हें पकड़ने के लिए आवश्यक उपकरणों को पता लगाने की किसी भी संभावना के लिए विशाल क्षेत्रों को कवर करना पड़ता है।

इसे हल करने के लिए, वेधशालाओं की एक नई पीढ़ी बनाई जा रही है, जिसमें ऐसे टेलीस्कोप शामिल हैं जिन्हें आकाश से गुजरते हुए वायु शावर द्वारा उत्सर्जित फ्लोरोसेंस प्रकाश की हल्की नीली चमक को पकड़ने के लिए डिज़ाइन किया गया है। ऐसा ही एक प्रोजेक्ट है, 'फास्ट' (FAST - Fluorescence detector Array of Single-pixel Telescopes)। पारंपरिक वेधशालाओं के विपरीत, जो हजारों सेंसरों वाले जटिल कैमरों का उपयोग करती हैं, एक एकल FAST टेलीस्कोप उल्लेखनीय रूप से सरल है, जो केवल चार प्रकाश डिटेक्टरों से सुसज्जित है। यह सादगी इस तकनीक को किफायती और स्केलेबल बनाती है, जिससे एक विशाल सरणी (array) को परिदृश्य में फैलाना संभव हो जाता है। हालांकि, यह सादगी डेटा विश्लेषण के लिए एक पहेली पेश करती है: एक मशीन केवल चार छोटे प्रकाश संकेतों का उपयोग करके, जो कि स्पष्ट चित्र के बजाय समय-आधारित संकेत हैं, कॉस्मिक रे की ऊर्जा और पथ को कैसे पुनर्गठित करना सीख सकती है?

हाल ही में एक अध्ययन में, शोधकर्ताओं ने मशीन लर्निंग नामक एक विधि का उपयोग करके कंप्यूटर को इन संकेतों को पढ़ना सिखाकर इस पहेली को सुलझाने का प्रयास किया। उन्होंने इस प्रारंभिक परीक्षण के लिए वास्तविक टेलीस्कोप डेटा का उपयोग नहीं किया, बल्कि कॉस्मिक रे शावर के टकराने के लाखों आदर्श, शोर-मुक्त (noise-free) सिमुलेशन बनाए। इन सिमुलेशन में, उन्होंने चार डिटेक्टरों के लिए दिखने वाले सटीक संकेतों को उत्पन्न किया जो विभिन्न प्रकार की कॉस्मिक रे ऊर्जाओं और कोणों के लिए थे। लक्ष्य यह देखना था कि क्या एक कृत्रिम बुद्धिमत्ता (AI) इन चार समय-आधारित ट्रेसों को देखकर मूल कण के बारे में दो महत्वपूर्ण तथ्यों का सटीक अनुमान लगा सकती है: इसने कितनी ऊर्जा वहन की थी और वायुमंडल में यह शावर कितनी गहराई तक अपने अधिकतम आकार तक पहुँचा।

टीम ने मानक सांख्यिकीय उपकरणों से लेकर अधिक जटिल न्यूरल नेटवर्क तक, कई अलग-अलग प्रकार के कंप्यूटर मॉडल का परीक्षण किया, जो मानव मस्तिष्क के सूचना संसाधित करने के तरीके की नकल करते हैं। उन्होंने पाया कि कृत्रिम बुद्धिमत्ता वास्तव में चार संकेतों के भीतर छिपे पैटर्न को सीख सकती है। ऊर्जा माप के लिए परिणाम आश्चर्यजनक थे। कंप्यूटर के अनुमान वास्तविक कणों की ऊर्जा से 96 प्रतिशत के सहसंबंध (correlation) के साथ मेल खाते थे, और इसके अनुमान में त्रुटि एक प्रतिशत से भी कम थी। यह स्तर की सटीकता उल्लेखनीय है, यह देखते हुए कि सिस्टम को केवल चार डिटेक्टरों से ऊर्जा का पता लगाना था, एक ऐसा कार्य जिसके लिए आमतौर पर उपकरणों के बहुत बड़े नेटवर्क की आवश्यकता होती है।

शावर के अधिकतम विकास की गहराई निर्धारित करने के लिए प्रदर्शन थोड़ा कम, लेकिन फिर भी प्रभावशाली था। कंप्यूटर ने लगभग 76 प्रतिशत का सहसंबंध और लगभग पांच प्रतिशत की त्रुटि सीमा हासिल की। हालांकि यह ऊर्जा माप की तुलना में कम सटीक है, फिर भी यह एक एकल, चार-पिक्सेल टेलीस्कोप के लिए एक महत्वपूर्ण उपलब्धि है। शोधकर्ताओं ने पाया कि सबसे प्रभावी मॉडल वे थे जिन्होंने चार संकेतों को एक एकीकृत इकाई के रूप में माना, और उन्हें अलग-अलग विश्लेषण करने के बजाय एक साथ संसाधित किया। दिलचस्प बात यह है कि उन्होंने पाया कि दृश्य पैटर्न खोजने के लिए डिज़ाइन किए गए अधिक जटिल मॉडल, जैसे कि कैमरा चेहरे को पहचानता है, आवश्यक नहीं थे। सरल मॉडल जिन्होंने डेटा को संख्याओं के अनुक्रम के रूपas माना, वे उतने ही अच्छे या शायद बेहतर प्रदर्शन करते हैं, जो यह सुझाव देता है कि मुख्य जानकारी इसके स्थानिक व्यवस्था के बजाय इसके समय और आकार में निहित है।

अध्ययन ने इस दृष्टिकोण की सीमाओं को भी रेखांकित किया। कंप्यूटर तब सबसे अधिक संघर्ष करता था जब शावर के पैरामीटर संभव सीमा के चरम छोरों पर होते थे, जैसे कि बहुत उथले या बहुत गहरे शावर। यह एल्गोरिदम की विफलता नहीं थी, बल्कि डेटा का प्रतिबिंब था; वास्तविक ब्रह्मांड में, ऐसी चरम घटनाएं इतनी दुर्लभ हैं कि प्रशिक्षण सिमुलेशन में उनके बहुत कम उदाहरण थे। फलस्वरूप, कंप्यूटर के पास उन विशिष्ट मामलों में सीखने के लिए बहुत कम था। इसके अलावा, शोधकर्ताओं ने उल्लेख किया कि उनके सिमुलेशन आदर्शित थे और उनमें रात के आकाश के बैकग्राउंड शोर या इलेक्ट्रॉनिक हस्तक्षेप को शामिल नहीं किया गया था जिसका सामना वास्तविक टेलीस्कोप करते हैं। जबकि परिणाम यह सिद्ध करते हैं कि यह अवधारणा एक स्वच्छ वातावरण में काम करती है, अगला कदम इन समान एल्गोरिदम को वास्तविक शोर के साथ परीक्षण करना होगा ताकि यह सुनिश्चित हो सके कि वे क्षेत्र में मजबूत बने रहें।

अंततः, यह कार्य प्रदर्शित करता है कि एक एकल, सरल टेलीस्कोप ब्रह्मांड के सबसे ऊर्जावान कणों को समझने के लिए एक शक्तिशाली उपकरण के रूप में कार्य कर सकता है। मशीन लर्निंग का उपयोग करके, वैज्ञानिक न्यूनतम डेटा से विस्तृत भौतिकी निकाल सकते हैं, जो क्षमता भविष्य के FAST वेधशाला के लिए महत्वपूर्ण होगी। जब पूर्ण सरणी तैनात की जाएगी, जिसमें दूरियों पर फैले हुए टेलीस्कोप होंगे, तो यह तकनीक शोधकर्ताओं को कॉस्मिक रे घटनाओं को पुनर्गठित करने की अनुमति देगी, भले ही कुछ टेलीस्कोप बादलों या अन्य स्थितियों के कारण बाधित हों। ये निष्कर्ष पुष्टि करते हैं कि सरल हार्डवेयर और उन्नत सॉफ्टवेयर का संयोजन ब्रह्मांड के उच्च-ऊर्जा वाले हिस्से में एक नया द्वार खोल सकता है, जिससे हाथ भर प्रकाश संकेतों को ब्रह्मांड के किनारे से आने वाले एक कण की यात्रा की स्पष्ट तस्वीर में बदला जा सकता है।

तकनीकी सारांश: FAST टेलीस्कोप के सिमुलेशन का उपयोग करके मशीन लर्निंग तकनीकों के माध्यम से विस्तृत वायु शोवर (Extensive Air Showers) मापदंडों का अनुमान

समस्या विवरण
सिंगल-पिक्सेल टेलीस्कोप के एक एकल फ्लोरोसेंस डिटेक्टर ऐरे (FAST) यूनिट से विस्तृत वायु शोवर (EAS) मापदंडों का पुनर्निर्माण करना एक महत्वपूर्ण चुनौती प्रस्तुत करता है। एक एकल FAST टेलीस्कोप केवल चार बड़े फोटोमल्टीप्लायर (PMTs) से सुसज्जित होता है, जिसके परिणामस्वरूप पारंपरिक फ्लोरोसेंस डिटेक्टरों की तुलना में कोणीय सूक्ष्मता (angular granularity) का अभाव होता है। फलस्वरूप, विशिष्ट शोवर मापदंड—जैसे कि प्राथमिक ऊर्जा (primary energy), आपतित ज्यामिति (incident geometry), और शोवर अधिकतम की गहराई ( $X_{max}$ )—PMTs में समान संकेत उत्पन्न कर सकते हैं। पारंपरिक "टॉप-डाउन" पुनर्निर्माण विधियाँ—जो वास्तविक डेटा की विशाल सिमुलेशन ग्रिड के साथ लाइकलीहुड फंक्शन (likelihood functions) की तुलना करने पर निर्भर करती हैं—गणनात्मक रूप से महंगी हैं और प्रारंभिक मापदंड मानों के प्रति संवेदनशील हैं। यह अध्ययन इस बात की जांच करता है कि क्या मशीन लर्निंग (ML) तकनीकें केवल एक एकल FAST टेलीस्कोप से प्राप्त समय-संरचित संकेत (time-structured signal) का उपयोग करके प्राथमिक कण ऊर्जा ( $E$ ) और $X_{max}$ का प्रभावी ढंग से पुनर्निर्माण कर सकती हैं, विशेष रूप से एक शोर-मुक्त (noise-free) सिम्युलेटेड वातावरण में।

कार्यप्रणाली
यह अध्ययन FAST सहयोग द्वारा उत्पन्न 1,416,236 मोंटे कार्लो सिमुलेशन के एक डेटासेट का उपयोग करता है। ये सिमुलेशन $10^{17.5}$ से $10^{20.5}$ eV की प्राथमिक ऊर्जा सीमा वाले प्रोटॉन-प्रेरित वायु शोवर्स का मॉडल करते हैं। $X_{max}$ मान Conex जनरेटर से प्राप्त यथार्थवादी संभाव्यता घनत्व कार्यों (probability density functions) से लिए गए हैं, जबकि अन्य ज्यामितीय मापदंड (जेनिथ कोण, अज़ीमुथ, कोर स्थिति) परिभाषित भौतिक बाधाओं के भीतर एकसमान वितरणों से लिए गए हैं।

डेटा प्रीप्रोसेसिंग: डेटा की गुणवत्ता सुनिश्चित करने के लिए, निरर्थक संकेतों को हटाने हेतु एक फिल्ट्रेशन प्रक्रिया लागू की गई। मानदंडों में अधिकतम आयाम की आवश्यकता (1–2000 फोटोइलेक्ट्रॉन), संकीर्ण टेम्पोरल चौड़ाई वाले संकेतों को हटाना, और $X_{max}$ मानों पर एक कट (600–1000 g/cm²) शामिल थे। इसके परिणामस्वरूप 477,141 घटनाओं का एक अंतिम डेटासेट प्राप्त हुआ, जिसमें प्रत्येक घटना में चार टाइम-सीरीज ट्रेस (प्रत्येक 5,000 टाइम बिन के साथ) शामिल हैं जो PMT संकेतों का प्रतिनिधित्व करते हैं।
मशीन लर्निंग आर्किटेक्चर: पाँच अलग-अलग मॉडलों को कार्यान्वित और तुलना किया गया:
- मॉडल I (बेंचमार्क): एक ग्रेडिएंट बूस्टिंग रिग्रेशन (GBR) मॉडल।
- मॉडल II: एक फीडफॉरवर्ड डीप न्यूरल नेटवर्क (DNN) जहाँ चारों ट्रेस को एक एकल 20,000-पॉइंट इनपुट वेक्टर में संयोजित (concatenate) किया गया है।
- मॉडल III: एक DNN जो आगे के प्रसंस्करण के लिए आउटपुट को संयोजित करने से पहले चार ट्रेस को अलग-अलग परतों के माध्यम से समानांतर रूप से संसाधित करता है।
- मॉडल IV: एक 1D कनवल्शनल न्यूरल नेटवर्क (CNN) जो संयोजित ट्रेस को एक सिंगल-चैनल इमेज (1 × 20,000) के रूप में मानता है।
- मॉडल V: एक 1D CNN जो चार ट्रेस को एक फोर-चैनल इमेज (4 × 5,000) के रूप में मानता है।
प्रशिक्षण और अनुकूलन: डेटासेट को प्रशिक्षण (40%), सत्यापन (10%), और परीक्षण (50%) उपसमूहों में विभाजित किया गया। हाइपरपैरामीटर्स (परतों की संख्या, न्यूरॉन्स, कर्नेल आकार) को मीन स्क्वेर्ड एरर (MSE) का उपयोग करके ग्रिड सर्च के माध्यम से अनुकूलित किया गया। इनपुट और आउटपुट दोनों पर [0, 1] अंतराल में नॉर्मलाइजेशन लागू किया गया।

मुख्य योगदान और परिणाम
यह अध्ययन प्रदर्शित करता है कि ML तकनीकें, यदि शोर नियंत्रित हो, तो एक एकल FAST टेलीस्कोप यूनिट के डेटा का उपयोग करके EAS मापदंडों का उच्च सटीकता के साथ पुनर्निर्माण कर सकती हैं।

प्रदर्शन मेट्रिक्स:
- ऊर्जा पुनर्निर्माण: सर्वश्रेष्ठ प्रदर्शन करने वाले मॉडल (मॉडल III) ने $\log_{10}(E/\text{eV})$ के वास्तविक और अनुमानित मानों के बीच 0.964 का पियर्सन सहसंबंध गुणांक ( $\rho$ ) प्राप्त किया। इसका रेजोल्यूशन (सापेक्ष पूर्वाग्रह का मानक विचलन) लगभग 0.9% पाया गया, और मीडियन एब्सोल्यूट बायस 0.31% था।
- $X_{max}$ पुनर्निर्माण: $X_{max}$ के लिए सहसंबंध कम था, जो $\rho \approx 0.757$ था, जिसका रेजोल्यूशन लगभग 5% (850 g/cm² के $X_{max}$ के लिए लगभग 40 g/cm²) था। $X_{max}$ के लिए सापेक्ष पूर्वाग्रह (relative bias) -8% से +17% के बीच था, जहाँ डेटा विरल (sparse) होने के कारण वितरण के चरम सिरों पर अधिक विचलन देखा गया।
मॉडल तुलना:
- सभी न्यूरल नेटवर्क मॉडल (II–V) GBR बेंचमार्क (मॉडल I) से काफी बेहतर रहे, जिसने ऊर्जा के लिए केवल 0.791 और $X_{max}$ के लिए 0.474 का सहसंबंध दिया।
- न्यूरल नेटवर्कों के बीच, पूरी तरह से जुड़े (fully connected) आर्किटेक्चर (मॉडल II और III) ने कनवल्शनल आर्किटेक्चर (मॉडल IV और V) से थोड़ा बेहतर प्रदर्शन किया। मॉडल III, जो ट्रेस को समानांतर रूप से संसाधित करता है, को इष्टतम के रूप में चुना गया, जिसने मॉडल II की तुलना में MSE में ~2% का सुधार दिखाया।
- अध्ययन नोट करता है कि CNNs ने अपने भविष्यवाणियों में कमजोर आवधिक संरचनाएं (periodic structures) प्रदर्शित कीं, जिससे पता चलता है कि इस विशिष्ट ट्रेस-आधारित निष्कर्ष कार्य के लिए, मानक डेंस लेयर्स कनवल्शनल लेयर्स की तुलना में अधिक उपयुक्त हैं।

महत्व और दावे
लेखक दावा करते हैं कि ये परिणाम एकल-यूनिट कॉन्फ़िगरेशन में FAST टेलीस्कोप की क्षमताओं के एक महत्वपूर्ण सत्यापन के रूप में कार्य करते हैं। प्राथमिक महत्व इस बात में निहित है कि केवल चार PMTs के सिग्नल की समय संरचना (time structure) में शोवर ऊर्जा और विकास अधिकतम के संबंध में पर्याप्त जानकारी समाहित है, भले ही इसमें स्टीरियो ज्योमेट्री का अभाव हो।

यह शोध पत्र इन ML मॉडलों को संभावित उपकरणों के रूप में स्थापित करता है:

प्रारंभिक अनुमान: शास्त्रीय लाइकलीहुड-आधारित पुनर्निर्माण से पहले घटनाओं के तीव्र पूर्व-वर्गीकरण (pre-classification) के लिए।
परिचालन लचीलापन: ऊर्जा स्पेक्ट्रम माप को सक्षम बनाना, भले ही भविष्य के FAST ऐरे के कुछ हिस्से गैर-परिचालन (जैसे मौसम के कारण) हों, हालांकि पूर्ण ज्यामितीय पुनर्निर्माण के लिए अभी भी स्टीरियो अवलोकन की आवश्यकता होगी।
भावी विकास: नियोजित FAST मिनी-ऐरे सहित अधिक जटिल कॉन्फ़िगरेशन के लिए एक आधार के रूप में।

लेखक स्पष्ट रूप से कहते हैं कि वर्तमान परिणाम शोर-मुक्त सिमुलेशन पर आधारित हैं। वे स्वीकार करते हैं कि अगले चरणों में यथार्थवादी इलेक्ट्रॉनिक शोर, नाइट-स्काई बैकग्राउंड और वायुमंडलीय गैर-एकरूपताओं (atmospheric non-homogeneities) को शामिल करना शामिल है। वे चेतावनी देते हैं कि हालांकि ये मॉडल प्रारंभिक अनुमानक (estimators) के रूप में अच्छा प्रदर्शन करते हैं, लेकिन महत्वपूर्ण वायुमंडलीय गैर-एकरूपताओं की उपस्थिति में 'टॉप-डाउन' पुनर्निर्माण के पूर्ण विकल्प के रूप में उनके उपयोग के लिए और अधिक सत्यापन की आवश्यकता है। अध्ययन निष्कर्ष निकालता है कि दृष्टिकोण आशाजनक है, लेकिन विनम्रतापूर्वक नोट करता है कि वर्तमान रेजोल्यूशन सीमाएँ आंशिक रूप से एकल टेलीस्कोप कॉन्फ़िगरेशन में अंतर्निहित सीमित जानकारी के कारण हैं।

इसी तरह के और पेपर