Decoding the Imprints of Energy-Momentum Squared Gravity in Neutron Stars with Machine Learning Analysis
यह अध्ययन प्रदर्शित करता है कि सुपरवाइज्ड मशीन लर्निंग क्लासिफायर, विशेष रूप से रैंडम फॉरेस्ट, न्यूट्रॉन स्टार अवलोकनीय (द्रव्यमान, त्रिज्या, टाइडल डिफॉर्मेबिलिटी और दोलन आवृत्ति) का उपयोग करके जनरल रिलेटिविटी और एनर्जी-मोमेंटम स्क्वेयर्ड ग्रेविटी मॉडलों के बीच अंतर करने में 99% से अधिक सटीकता प्राप्त कर सकते हैं, यहाँ तक कि अवलोकन संबंधी बाधाओं को लागू करने के बाद भी।
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
गुरुत्वाकर्षण वह बल है जो ब्रह्मांड को एक साथ थामे रखता है, गिरते हुए सेबों से लेकर ग्रहों की कक्षाओं तक सब कुछ आकार देता है। एक सदी से अधिक समय से, अल्बर्ट आइंस्टीन का सामान्य सापेक्षता (General Relativity) का सिद्धांत यह बताने के लिए स्वर्ण मानक रहा है कि गुरुत्वाकर्षण कैसे काम करता है। इसने हर उस परीक्षण को सफलतापूर्वक पास किया है जो हमने इस पर लागू किया है, जैसे कि प्रकाश के तारों का झुकना या टकराते हुए ब्लैक होल्स द्वारा निर्मित स्पेस-टाइम की लहरें। फिर भी, कई भौतिकविदों को संदेह है कि यह सिद्धांत अंतिम शब्द नहीं है। ब्रह्मांड के सबसे चरम वातावरण में, जहाँ पदार्थ को परमाणु नाभिक से भी अधिक घनत्व तक कुचला जाता है, वहाँ नियम बदल सकते हैं। यह जानने के लिए, वैज्ञानिक न्यूट्रॉन सितारों की ओर देखते हैं। ये मृत सितारों के ढहे हुए कोर होते हैं, जो इतने घने होते हैं कि उनके पदार्थ का एक अकेला चम्मच पृथ्वी पर अरबों टन वजन रखेगा। क्योंकि वे इतने छोटे स्थान में इतना अधिक द्रव्यमान समाहित करते हैं, इसलिए वे ऐसे गुरुत्वाकर्षण क्षेत्र बनाते हैं जो प्रयोगशाला में हमारे द्वारा बनाए गए किसी भी चीज़ से कहीं अधिक शक्तिशाली होते हैं, जिससे वे यह परीक्षण करने के लिए आदर्श प्राकृतिक प्रयोगशाला बन जाते हैं कि क्या गुरुत्वाकर्षण आइंस्टीन के अनुमान के अनुसार अलग तरह से व्यवहार करता है।
एक वैकल्पिक सिद्धांत 'एनर्जी-मोमेंटम स्क्वेयर्ड ग्रेविटी' (Energy-Momentum Squared Gravity) कहलाता है। इस ढांचे में, गुरुत्वाकर्षण का वर्णन करने वाले समीकरणों में एक अतिरिक्त पद शामिल होता है जो इस बात पर निर्भर करता है कि एक विशिष्ट क्षेत्र में कितनी ऊर्जा और दबाव भरा हुआ है। जबकि यह सिद्धांत खाली स्थान में आइंस्टीन के समान ही व्यवहार करता है, यह भविष्यवाणी करता है कि न्यूट्रॉन सितारों जैसे घने पिंडों के भीतर, गुरुत्वाकर्षण थोड़ा अलग तरह से कार्य करेगा। इस अतिरिक्त प्रभाव की शक्ति एक एकल संख्या द्वारा नियंत्रित होती है, जिसे कपलिंग पैरामीटर (coupling parameter) कहा जाता है। यदि यह संख्या सकारात्मक है, तो सिद्धांत सुझाव देता है कि तारे का आंतरिक भाग बाहर की ओर धकेला जाता है, जिससे यह बड़ा और भारी हो जाता है। यदि संख्या नकारात्मक है, तो तारे को कसकर दबा दिया जाता है, जिससे वह अधिक सघन और हल्का हो जाता है। बड़ा सवाल यह है कि क्या हम वास्तव में पृथ्वी से प्राप्त डेटा का उपयोग करके इन परिदृश्यों के बीच अंतर कर सकते हैं।
शोधकर्ताओं की एक टीम ने विभिन्न स्थितियों के तहत हजारों न्यूट्रॉन सितारों का अनुकरण (simulation) करके इसका उत्तर देने का प्रयास किया। उन्होंने केवल एक या दो मॉडल नहीं देखे; उन्होंने लगभग 10,000 अलग-अलग न्यूट्रॉन सितारों का एक विशाल डेटासेट तैयार किया, जिनमें से प्रत्येक को परमाणु पदार्थ के व्यवहार के लिए नियमों के एक अलग सेट का उपयोग करके बनाया गया था। प्रत्येक तारे के लिए, उन्होंने गणना की कि तारा कैसा दिखता यदि अतिरिक्त गुरुत्वाकर्षण पद सकारात्मक, नकारात्मक या शून्य (जो यह दर्शाता कि यह बिल्कुल आइंस्टीन के सिद्धांत की तरह व्यवहार करता है) होता। उन्होंने चार प्रमुख गुणों पर ध्यान केंद्रित किया जिन्हें खगोलशास्त्री वास्तव में माप सकते हैं या अनुमान लगा सकते हैं: तारे का द्रव्यमान, उसकी त्रिज्या, साथी तारे के गुरुत्वाकर्षण द्वारा खींचे जाने की सुगमता, और वह आवृत्ति जिस पर वह विक्षोभ के बाद एक घंटी की तरह कंपन करता है।
इसके बाद शोधकर्ताओं ने अपने विशाल डेटासेट पर एक फ़िल्टर लगाया, और केवल उन्हीं सितारों को रखा जो वर्तमान में ज्ञात वास्तविक ब्रह्मांड से मेल खाते हैं। उदाहरण के लिए, उन्होंने किसी भी ऐसे तारे को हटा दिया जो बहुत छोटा या बहुत हल्का था, क्योंकि हमने पहले ही उन भारी और बड़े न्यूट्रॉन सितारों को देखा है जो उन सीमाओं से ऊपर हैं। इससे उनके पास "अवलोकन योग्य रूप से व्यवहार्य" (observationally viable) सितारों का एक संग्रह बचा—ऐसे मॉडल जो वास्तव में हमारे ब्रह्मांड में अस्तित्व में हो सकते हैं। अगला कदम यह देखना था कि क्या एक कंप्यूटर इन बचे हुए सितारों के चार गुणों को देखकर सही ढंग से अनुमान लगा सकता है कि वे किस गुरुत्वाकर्षण सिद्धांत के अंतर्गत आते हैं। ऐसा करने के लिए, उन्होंने मशीन लर्निंग का उपयोग किया, जो कृत्रिम बुद्धिमत्ता का एक प्रकार है जो डेटा से पैटर्न सीखता है। उन्होंने कई अलग-अलग कंप्यूटर एल्गोरिदम को क्लासिफायर (classifier) के रूप में प्रशिक्षित किया, उन्हें विभिन्न गुरुत्वाकर्षण सिद्धांतों द्वारा छोड़े गए सूक्ष्म संकेतों को पहचानने के लिए सिखाया।
परिणाम आश्चर्यजनक रूप से स्पष्ट थे। भले ही असंभव सितारों को फ़िल्टर करने के बाद भी, शेष सितारों में उनके निर्माण के आधार पर गुरुत्वाकर्षण सिद्धांत के विशिष्ट निशान मौजूद थे। मशीन लर्निंग मॉडल अविश्वसनीय सटीकता के साथ सकारात्मक, नकारात्मक और शून्य मामलों के बीच अंतर करने में सक्षम थे। एक विशिष्ट एल्गोरिदम, जिसे रैंडम फॉरेस्ट (Random Forest) के रूप में जाना जाता है, ने परीक्षण सेट के लगभग हर एक तारे के लिए गुरुत्वाकर्षण के प्रकार को सही ढंग से पहचाना, और लगभग 99.85% की सटीकता दर प्राप्त की। अन्य विधियों ने भी बहुत अच्छा प्रदर्शन किया, जिनकी सटीकता दर 99% से अधिक थी। कंप्यूटर अनिवार्य रूप से एक तारे के आकार, वजन, खिंचाव और कंपन को देख रहा था, और केवल उन संख्याओं से, वह लगभग पूर्ण निश्चितता के साथ बता सकता था कि वह आइंस्टीन के गुरुत्वाकर्षण या संशोधित संस्करणों में से एक द्वारा संचालित है।
यह निष्कर्ष बताता है कि संशोधित गुरुत्वाकर्षण के निशान सितारों के निर्माण की प्राकृतिक विविधताओं से मिटते नहीं हैं। यहाँ तक कि जब हम अपना दृश्य केवल उन सितारों तक सीमित करते हैं जो हमारे वर्तमान अवलोकनों में फिट बैठते हैं, तब भी उनकी संरचना में अंतर इतना स्पष्ट रहता है कि उसे पहचाना जा सके। अध्ययन का तात्पर्य यह है कि जैसे-जैसे हमारे दूरबीन और गुरुत्वाकर्षण तरंग डिटेक्टर अधिक सटीक होते जाएंगे, हम जल्द ही इन समान मशीन लर्निंग उपकरणों का उपयोग न्यूट्रॉन सितारों के वास्तविक डेटा का विश्लेषण करने के लिए कर सकेंगे। ऐसा करके, हम संभावित रूप से इन वैकल्पिक गुरुत्वाकर्षण सिद्धांतों की पुष्टि या उन्हें खारिज कर सकते हैं, जिससे हम ब्रह्मांड के सबसे चरम कोनों में यह समझने के करीब पहुँच सकते हैं कि ब्रह्मांड कैसे काम करता है। यह कार्य यह सिद्ध नहीं करता कि आइंस्टीन का सिद्धांत गलत है, बल्कि यह प्रदर्शित करता है कि यदि कोई अलग सिद्धांत सत्य है, तो हमारे उपकरण और कंप्यूटर साक्ष्य खोजने में पहले से ही सक्षम हैं।
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।