Normalizing Flow Emulator for Gravitational Wave Detection Probability in the LIGO/Virgo/KAGRA O4 Observing Run

ब्रह्मांड पहेलियों में बात करता है, लेकिन कभी-कभी यह तरंगों (ripples) के रूप में फुसफुसाता है। जब ब्लैक होल या न्यूट्रॉन सितारों जैसे विशाल पिंड आपस में टकराते हैं, तो वे गुरुत्वाकर्षण तरंगें भेजते हैं—स्थान और समय के ताने-बाने में सूक्ष्म विरूपण जो हमारे तक पहुँचने के लिए ब्रह्मांड के आर-पार यात्रा करते हैं। इन फुसफुसाहटों को सुनने के लिए, वैज्ञानिक विशाल, अत्यंत संवेदनशील उपकरणों का उपयोग करते हैं जिन्हें इंटरफेरोमीटर कहा जाता है, जैसे कि LIGO, Virgo और KAGRA द्वारा संचालित किए जाने वाले उपकरण। ये डिटेक्टर अविश्वसनीय रूप से शक्तिशाली हैं, फिर भी उनमें एक सीमा है: वे केवल सबसे तेज़ घटनाओं को ही "सुन" सकते हैं। बहुत दूर होने वाली या छोटे पिंडों से जुड़ी टक्कर शायद दर्ज होने के लिए बहुत मंद हो, जबकि पास में होने वाला कोई विशाल टकराव स्पष्ट रूप से सुनाई देता है। यह जो हम देखते हैं, उसमें एक पूर्वाग्रह (bias) पैदा करता है; कॉस्मिक घटनाओं का हमारा कैटलॉग स्वाभाविक रूप से तेज़ और निकट घटनाओं की ओर झुका हुआ है। ब्रह्मांड की वास्तविक प्रकृति को समझने के लिए, वैज्ञानिकों को इस पूर्वाग्रह को ठीक करना होगा, यह पता लगाना होगा कि किसी भी दी गई घटना को पकड़ने की उनकी संभावना कितनी सटीक है। इस प्रक्रिया को, जिसे 'सिलेक्शन फंक्शन' (selection function) निर्धारित करना कहा जाता है, टकराने वाली घटनाओं की एक सूची को ब्रह्मांड के एक विश्वसनीय मानचित्र में बदलने के लिए आवश्यक माना जाता है।

दशकों से, इस समस्या को हल करने का मानक तरीका 'मोंटे कार्लो इंजेक्शन' (Monte Carlo injection) नामक एक विधि रही है। कल्पना कीजिए कि आप यह समझने की कोशिश कर रहे हैं कि एक मछली पकड़ने वाला जाल मछलियों को कैसे पकड़ता है, इसके लिए आप पानी में हजारों नकली मछलियाँ फेंकते हैं और देखते हैं कि उनमें से कौन सी पकड़ी जाती हैं। गुरुत्वाकर्षण तरंगों की दुनिया में, शोधकर्ता लाखों संभावित टक्करों का अनुकरण (simulate) करते हैं, डिटेक्टर के वातावरण की नकल करने के लिए यथार्थवादी शोर (noise) जोड़ते हैं, और उन्हें उसी खोज सॉफ्टवेयर के माध्यम से चलाते हैं जिसका उपयोग वास्तविक डेटा के लिए किया जाता है। यह गिनकर कि इन सिम्युलेटेड घटनाओं में से कितनी "पाई" गईं, वे किसी भी सेट की स्थिति के लिए पता लगाने की संभावना का अनुमान लगा सकते हैं। हालाँकि, यह दृष्टिकोण अविश्वसनीय रूप से महंगा है। इसके लिए भारी मात्रा में कंप्यूटिंग शक्ति और समय की आवश्यकता होती है, और यह तब संघर्ष करता है जब वैज्ञानिक बहुत विशिष्ट या असामान्य प्रकार के कॉस्मिक पॉपुलेशन का परीक्षण करना चाहते हैं। यदि किसी पॉपुलेशन में एक तीखा, संकीर्ण फीचर है—जैसे कि एक विशिष्ट द्रव्यमान जो बहुत आम है लेकिन अन्यत्र दुर्लभ है—तो मानक विधि उसे पूरी तरह से मिस कर सकती है क्योंकि उस सटीक स्थान पर उसके पास पर्याप्त सिम्युलेटेड सैंपल नहीं होते।

शोधकर्ताओं ने अब 'नॉर्मलाइजिंग फ्लो' (Normalizing Flow) नामक एक प्रकार के मशीन लर्निंग का उपयोग करके एक तेज़, अधिक लचीला विकल्प पेश किया है। केवल एक साधारण गिनती की तरह हिट और मिस को गिनने के बजाय, यह नया दृष्टिकोण डेटा के आकार को ही सीखता है। शोधकर्ताओं ने एक कंप्यूटर मॉडल को एक विशाल सिमुलेशन अभियान के परिणामों पर प्रशिक्षित किया जो LIGO/Virgo/KAGRA नेटवर्क के आगामी चौथे ऑब्जर्विंग रन के लिए डिज़ाइन किया गया था। इस अभियान में लगभग 433 मिलियन संभावित घटनाओं का अनुकरण किया गया था, जिनमें से लगभग 1.5 मिलियन को विस्तृत अध्ययन के लिए रखा गया था, जिनमें से लगभग एक-तिहाई सफलतापूर्वक पता लगाई गई थीं। मशीन लर्निंग मॉडल ने पता लगाए गए इवेंट्स के मापदंडों का अध्ययन किया—जैसे कि टकराने वाले पिंडों का द्रव्यमान, उनकी दूरी और उनका स्पिन—और उन जटिल, बहु-आयामी पैटर्न को सीखा जो एक घटना को पता लगाने योग्य बनाते हैं। प्रशिक्षित होने के बाद, यह मॉडल एक एमुलेटर (emulator) के रूप में कार्य करता है, जो एक डिजिटल जुड़वां है जो बिना किसी नए, महंगे सिमुलेशन को चलाए, किसी भी नई घटना का पता लगाने की संभावना की तुरंत गणना कर सकता है।

इस कार्य के परिणाम दिखाते हैं कि एमुलेटर उल्लेखनीय रूप से सटीक है। जब शोधकर्ताओं ने मूल सिमुलेशन में उपयोग किए गए समान नियमों के आधार पर नए, नकली इवेंट्स उत्पन्न करके मॉडल का परीक्षण किया, तो उन नकली इवेंट्स का वितरण वास्तविक डेटा से लगभग पूरी तरह मेल खाता था। मॉडल ने विभिन्न गुणों के बीच के जटिल संबंधों को सफलतापूर्वक पुनरुत्पादित किया, जैसे कि पिंडों का द्रव्यमान उनके दूरी और स्पिन से कैसे संबंधित है। पारंपरिक, धीमी 'री-सैंपलिंग' पद्धति के मुकाबले एमुलेटर के भविष्यवाणियों की तुलना करने वाले परीक्षणों में, दोनों के बीच गहरा सामंजization पाया गया। हालाँकि, एमुलेटर ने उन पॉपुलेशन मॉडल्स के साथ काम करते समय एक विशिष्ट लाभ दिखाया जिनमें तीखे या शिखर वाले (peaked) फीचर्स होते हैं। इन मामलों में, पारंपरिक विधि अक्सर अविश्वसनीय परिणाम देती थी क्योंकि इसमें सटीक रूप से संकीर्ण फीचर्स की जांच करने के लिए पर्याप्त सैंपल नहीं थे, जिससे बड़ी अनिश्चितताएं पैदा होती थीं। इसके विपरीत, एमुलेटर ने इन कठिन मामलों के लिए भी सटीक अनुमान प्रदान किया, जिससे पुराने तकनीक में व्याप्त सांख्यिकीय शोर को प्रभावी ढंग से सुधारा जा सका।

इस सफलता में एक मामूली अपवाद है। बहुत कम मामलों में—एक चौथाई प्रतिशत से भी कम—मॉडल ने पता लगाने की संभावना 100 प्रतिशत से थोड़ी अधिक बताई। यह भौतिक रूप से असंभव है, क्योंकि कुछ भी निश्चितता से अधिक निश्चित नहीं हो सकता। हालाँकि, शोधकर्ताओं ने पाया कि ये अति-भविष्यवाणियाँ केवल उन्हीं क्षेत्रों में हुईं जहाँ पता लगाना पहले से ही लगभग सुनिश्चित है, जैसे कि बहुत विशाल पिंड जो पास में हैं। त्रुटि छोटी थी और उन क्षेत्रों तक सीमित थी जहाँ इसका महत्व सबसे कम था, इसलिए टीम ने 100 प्रतिशत से ऊपर के किसी भी मान को 100 प्रतिशत तक सीमित कर दिया। यह छोटी सी खामी इसकी उपयोगिता को कम नहीं करती है। शोधकर्ताओं ने अपने कोड और पूरी तरह से प्रशिक्षित मॉडल सार्वजनिक रूप से उपलब्ध करा दिए हैं, जिससे अन्य वैज्ञानिक अपने स्वयं के अध्ययनों के लिए पता लगाने की संभावनाओं का तेजी से मूल्यांकन कर सकें।

यह नया उपकरण गुरुत्वाकर्षण तरंग विज्ञान में डेटा को संभालने के तरीके में एक महत्वपूर्ण बदलाव का प्रतिनिधित्व करता है। 'ब्रूट-फोर्स काउंटिंग' पद्धति से एक 'लर्नड डेंसिटी मॉडल' की ओर बढ़ते हुए, टीम ने एक ऐसी प्रणाली बनाई है जो न केवल तेज़ है—एक मानक लैपटॉप पर सेकंडों में दस लाख घटनाओं का मूल्यांकन करने में सक्षम है—बल्कि सांख्यिकीय बाधाओं के प्रति अधिक मजबूत भी है। यह वैज्ञानिकों को अधिक विश्वास के साथ विविध प्रकार के कॉस्मिक परिदृश्यों का पता लगाने की अनुमति देता है, यह सुनिश्चित करता है कि उनके द्वारा बनाया गया ब्रह्मांड का मानचित्र केवल वह नहीं है जो उनके डिटेक्टरों ने पकड़ा है, बल्कि वह है जो वास्तव में वहाँ मौजूद है। जैसे ही अगला ऑब्जर्विंग रन शुरू होता है, यह एमुलेटर एक महत्वपूर्ण मार्गदर्शक के रूप में कार्य करेगा, जो उपकरणों के पूर्वाग्रहों को ठीक करने में मदद करेगा और पूरे ब्रह्मांड में टकराने वाले ब्लैक होल और न्यूट्रॉन सितारों की वास्तविक आबादी को प्रकट करेगा।