Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference

ब्रह्मांड की गहराइयों में, अधिकांश पदार्थ वह नहीं है जिसे हम देख सकते हैं, छू सकते हैं या साधारण उपकरणों से माप सकते हैं। यह अदृश्य है, जिसे केवल इसके गुरुत्वाकर्षण द्वारा तारों और आकाशगंगाओं पर पड़ने वाले खिंचाव से जाना जाता है। वैज्ञानिक इसे डार्क मैटर (dark matter) कहते हैं, और हालांकि हम जानते हैं कि यह अस्तित्व के लगभग एक चौथाई हिस्से का निर्माण करता है, लेकिन हमें नहीं पता कि यह किस चीज़ से बना है। एक प्रमुख विचार सुझाव देता है कि यह भारी, धीमी गति वाले कणों से बना है जो सामान्य पदार्थ से बहुत कम टकराते हैं। यदि ये कण मौजूद हैं, तो वे कभी-कभार पृथ्वी पर एक डिटेक्टर के भीतर परमाणुओं के नाभिकों से टकराएंगे, जिससे प्रकाश की एक छोटी सी चमक और एक छोटा विद्युत संकेत उत्पन्न होगा। इस मंद संकेत को खोजना एक ऐतिहासिक खोज होगी, जो डार्क ब्रह्मांड की वास्तविक प्रकृति को प्रकट करेगी।

चुनौती यह है कि ये संकेत अविश्वसनीय रूप से दुर्लभ होते हैं और प्राकृतिक रेडियोधर्मिता या अन्य कॉस्मिक किरणों से होने वाले बैकग्राउंड शोर (background noise) के साथ आसानी से भ्रमित हो सकते हैं। इन्हें खोजने के लिए, वैज्ञानिक तरल जेनॉन (liquid xenon) के विशाल टैंकों का उपयोग करते हैं, जिन्हें परम शून्य (absolute zero) के करीब ठंडा किया जाता है, और कॉस्मिक हस्तक्षेप से बचाने के लिए उन्हें जमीन के बहुत नीचे गहराई में दफनाया जाता है। जब एक डार्क मैटर कण जेनॉन परमाणु से टकराता है, तो वह दो अलग संकेत उत्पन्न करता है: प्रकाश की एक चमक और इलेक्ट्रॉनों का एक विस्फोट। इन दोनों संकेतों के अनुपात को मापकर, शोधकर्ता यह बता सकते हैं कि घटना डार्क मैटर कण के कारण हुई थी या किसी सामान्य बैकग्राउंड कण के कारण। हालांकि, इन संकेतों का सटीक पैटर्न इस बात पर निर्भर करता है कि डार्क मैटर के कण हमारी आकाशगंगा के माध्यम से बहते समय कितनी गति से चल रहे हैं। यह गति पूर्ण निश्चितता के साथ ज्ञात नहीं है, और आकाशगंगा की संरचना के बारे में विभिन्न धारणाएं सिग्नल के स्वरूप को बदल सकती हैं।

एक नए अध्ययन में, जर्मनी के कार्ल्सरूहे इंस्टीट्यूट ऑफ टेक्नोलॉजी के शोधकर्ताओं फेलिक्स कालहोफर और निकलास रियस ने इस अनिश्चितता से निपटने का एक चतुर तरीका विकसित किया है। आकाशगंगा की संरचना के हर संभावित बदलाव को ध्यान में रखने के लिए जटिल गणितीय सूत्रों की गणना करने के बजाय, उन्होंने 'सिमुलेशन-बेस्ड इन्फरेंस' (simulation-based inference) नामक एक विधि का उपयोग किया। उन्होंने एक कंप्यूटर प्रोग्राम बनाया जिसने लाखों सिम्युलेटेड उदाहरणों का अध्ययन करके डार्क मैटर सिग्नल और बैकग्राउंड शोर के बीच अंतर पहचानना सीखा। इन सिमुलेशन में, कंप्यूटर को ऐसे डेटा दिखाया गया जो आकाशगंगा के कणों की गति के बारे में कई अलग-अलग धारणाओं के तहत उत्पन्न किया गया था। इस तरह की विविध परिदृश्यों पर प्रशिक्षण प्राप्त करके, कंप्यूटर ने आकाशगंगा की गति के विशिष्ट विवरणों को अनदेखा करना और केवल उन मुख्य विशेषताओं पर ध्यान केंद्रित करना सीखा जो डार्क मैटर हिट का संकेत देती हैं।

शोधकर्ताओं ने इस दृष्टिकोण का परीक्षण XENONnT प्रयोग के एक मॉडल का उपयोग करके किया, जो वर्तमान में संचालित सबसे संवेदनशील डार्क मैटर डिटेक्टरों में से एक है। उन्होंने डिटेक्टर का एक डिजिटल जुड़वां (digital twin) बनाया, जो विभिन्न द्रव्यमान और अंतःक्रिया शक्ति वाले डים मैटर कणों के प्रति इसकी प्रतिक्रिया को सिम्युलेट करता है। फिर उन्होंने एक न्यूरल नेटवर्क, जो कृत्रिम बुद्धिमत्ता (AI) का एक प्रकार है, को एक क्लासिफायर के रूप में कार्य करने के लिए प्रशिक्षित किया। इस नेटवर्क को डेटा के जोड़े दिखाए गए: एक सेट जहाँ डार्क मैटर सिग्नल मौजूद था, और दूसरा जहाँ यह अनुपस्थित था। लक्ष्य यह था कि नेटवर्क एक ऐसा नियम सीख सके जो दोनों के बीच अंतर कर सके, प्रभावी रूप से यह गणना कर सके कि टिप्पणियों का एक विशिष्ट सेट डार्क मैटर स्रोत से आया है या यादृच्छिक शोर से।

इस पद्धति को जो विशेष रूप से शक्तिशाली बनाता है, वह यह है कि यह डार्क मैटर कणों की अज्ञात गति को कैसे संभालती है। पारंपरिक विश्लेषण में, वैज्ञानिकों को अक्सर इन कणों की गति को एक एकल, मानक मान पर स्थिर करना पड़ता है, जिससे त्रुटियां हो सकती हैं यदि वह मान गलत हो। इस नए दृष्टिकोण में, शोधकर्ताओं ने प्रशिक्षण डेटा में कई अलग-अलग गति मॉडल शामिल किए। कंप्यूटर ने गति को एक ऐसे चर (variable) के रूप में मानना सीखा जो एक उचित सीमा के भीतर कुछ भी हो सकता है। परिणामस्वरूप, जब नेटवर्क भविष्यवाणी करता है, तो इसने पहले से ही उन सभी विभिन्न संभावनाओं को ध्यान में रख लिया होता है। आकाशगंगा की संरचना के बारे में अनिश्चितता को प्रभावी रूप से औसत निकाल दिया जाता है, जिससे बिना किसी अतिरिक्त गणना के डार्क मैटर के बारे में एक स्पष्ट उत्तर मिलता है।

अध्ययन ने दिखाया कि यह पद्धति उल्लेखनीय रूप से अच्छी तरह काम करती है। जब शोधकर्ताओं ने सिम्युलेटेड डेटा पर इस प्रशिक्षित नेटवर्क का परीक्षण किया, तो इसने परिणामों को क्षेत्र में उपयोग की जाने वाली सबसे स्थापित सांख्यिकीय विधियों की अपेक्षाओं के अनुरूप प्रस्तुत किया। नेटवर्क ने सिमुलेशन में डार्क मैटर कणों के सही द्रव्यमान और अंतःक्रिया शक्ति की सफलतापूर्वक पहचान की, भले ही डेटा शोर भरा था या आकाशगंगा के बारे में अंतर्निहित धारणाएं मानक मॉडल से बहुत भिन्न थीं। वास्तव में, नेटवर्क ने इतना अच्छा प्रदर्शन किया कि यह उन चरम परिदृश्यों को भी संभाल सका जहाँ मानक धारणाएं पूरी तरह से गलत थीं, फिर भी विश्वसनीय परिणाम दिए। यह सुझाव देता है कि यह विधि मजबूत है और ब्रह्मांड की अव्यवस्थित वास्तविकता के साथ बेहतर ढंग से अनुकूलित हो सकती है।

शायद सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं ने प्रदर्शित किया है कि इस दृष्टिकोण को आसानी से स्केल (scale up) किया जा सकता है। जैसे-जैसे प्रयोग अधिक संवेदनशील होते जा रहे हैं और "न्यूट्रिनो फॉग" (neutrino fog - सौर न्यूट्रिनो से उत्पन्न संकेतों का एक बैकग्राउंड जो अंततः डार्क मैटर सिग्नल को बाधित कर देगा) में गहराई तक जाते हैं, अधिक जटिल अनिश्चितताओं को संभालने की आवश्यकता बढ़ती जाएगी। पारंपरिक तरीके इस जटिलता के साथ संघर्ष करेंगे, क्योंकि उन्हें प्रत्येक नए चर के लिए गणनाओं को फिर से चलाने के लिए भारी मात्रा में कंप्यूटिंग शक्ति की आवश्यकता होगी। हालांकि, सिमुलेशन-आधारित विधि इस जटिलता को अपने प्रशिक्षण चरण के दौरान ही संभाल लेती है। एक बार जब नेटवर्क प्रशिक्षित हो जाता है, तो यह नए डेटा का तुरंत विश्लेषण कर सकता है, चाहे प्रशिक्षण में कितने भी अलग-अलग खगोलीय मॉडल शामिल क्यों न किए गए हों। यह इसे अगली पीढ़ी की डार्क मैटर खोजों के लिए एक व्यावहारिक और कुशल उपकरण बनाता है।

निष्कर्ष पुष्टि करते हैं कि कृत्रिम बुद्धिमत्ता डार्क मैटर की खोज में एक महत्वपूर्ण साथी हो सकती है, मानव समझ को बदलने के लिए नहीं, बल्कि जटिल सांख्यिकी के भारी काम को संभालने के लिए। सिम्युलेटेड ब्रह्मांडों के एक विशाल पुस्तकालय से सीखकर, कंप्यूटर शोर के बीच स्पष्टता के साथ सिग्नल को ढूंढ सकता है जो सर्वोत्तम मानव-निर्मित विधियों के समान है। इसका मतलब यह नहीं है कि डार्क मैटर मिल गया है; अभी तक ऐसा कोई सिग्नल नहीं देखा गया है। लेकिन इसका मतलब यह है कि जब अगला प्रयोग शुरू होगा, तो वैज्ञानिकों के पास डेटा की व्याख्या करने के लिए एक अधिक सटीक, लचीला उपकरण होगा, जो एक वास्तविक खोज को प्रकाश की एक चाल (trick of the light) से अलग करने के लिए तैयार होगा, भले ही आकाशगंगा उन तरीकों से व्यवहार करे जिसकी हमने अपेक्षा नहीं की थी।