A Graph Attention Network Framework for Simultaneous Prediction of Galaxy and Dark Matter Halo Properties in GAMA DR4

ब्रह्मांड की गहराइयों में, एक अदृश्य ढांचा दृश्य ब्रह्मांड को एक साथ थामे रखता है। यह अदृश्य संरचना डार्क मैटर (dark matter) से बनी है, जो एक रहस्यमय पदार्थ है जो प्रकाश उत्सर्जित नहीं करता लेकिन एक शक्तिशाली गुरुत्वाकर्षण खिंचाव डालता है। खगोलशास्त्री जानते हैं कि इसका अस्तित्व है क्योंकि आकाशगंगाएँ इतनी तेज़ी से घूमती हैं कि केवल उन तारों और गैसों के बल पर उन्हें थामे रखना संभव नहीं है जिन्हें हम देख सकते हैं। ये आकाशगंगाएँ डार्क मैटर के विशाल, गोलाकार बादलों के भीतर रहती हैं, जिन्हें 'हेलो' (halos) कहा जाता है। एक आकाशगंगा और उसके डार्क मैटर घर के बीच के संबंध को समझना ब्रह्मांड के इतिहास का मानचित्र बनाने के लिए महत्वपूर्ण है, फिर भी इन अदृश्य हेलो के द्रव्यमान को सीधे मापना अविश्वसनीय रूप से कठिन है। वैज्ञानिक लंबे समय से जटिल कंप्यूटर सिमुलेशन या अप्रत्यक्ष तरीकों पर निर्भर रहे हैं, जो अक्सर उस अव्यवस्थित और परस्पर जुड़े यथार्थ को अनदेखा कर देते हैं कि आकाशगंगाएँ वास्तव में अंतरिक्ष में कैसे स्थित होती हैं।

भारतीय प्रौद्योगिकी संस्थान पटना के शोधकर्ताओं की एक टीम ने संबंधों को समझने के लिए डिज़ाइन किए गए आर्टिफिशियल इंटेलिजेंस के एक प्रकार का उपयोग करके इस पहेली को सुलझाने का एक नया तरीका विकसित किया है। प्रत्येक आकाशगंगा को एक अलग द्वीप मानने के बजाय, उन्होंने एक डिजिटल मानचित्र बनाया जहाँ प्रत्येक आकाशगंगा अपने पड़ोसियों से जुड़ी एक बिंदु है, बिल्कुल एक सोशल नेटवर्क की तरह जहाँ जुड़ाव की ताकत भौतिक निकटता और साझा समूह सदस्यता पर निर्भर करती है। उन्होंने इस प्रणाली को, जिसे वे GAMANet कहते हैं, GAMA सर्वे के वास्तविक अवलोकनों के एक विशाल संग्रह पर प्रशिक्षित किया, जो सैकड़ों हजारों आकाशगंगाओं का सूक्ष्मता से दस्तावेजीकरण करने वाला एक प्रोजेक्ट है। लगभग 20,000 आकाशगंगाओं के प्रकाश, रंग, आकार और गति के डेटा को इस AI में फीड करके, मॉडल ने तीन प्रमुख गुणों की एक साथ भविष्यवाणी करना सीखा: आकाशगंगा के तारों का द्रव्यमान, नए तारे बनने की दर, और उसके चारों ओर मौजूद अदृश्य डार्क मैटर हेलो का कुल द्रव्यमान।

शोधकर्ताओं ने केवल व्यक्तिगत आकाशगंगाओं को ही नहीं देखा; उन्होंने कंप्यूटर को उसके पड़ोस पर ध्यान देने के लिए भी सिखाया। उनकी प्रणाली में, एक आकाशगंगा केवल अपनी विशेषताओं का संग्रह नहीं है, बल्कि कनेक्शनों के एक जाल में एक नोड (node) है। AI ने सीखा कि एक क्लस्टर में मौजूद एक विशाल केंद्रीय आकाशगंगा, एक छोटे और अकेले उपग्रह आकाशगंगा की तुलना में स्थानीय डार्क मैटर के बारे में अधिक जानकारी रख सकती है। इसे संभालने के लिए, उन्होंने एक विशिष्ट प्रकार के न्यूरल नेटवर्क का उपयोग किया जो प्रत्येक पड़ोसी को महत्व का अलग-अलग स्तर प्रदान करता है, जिससे यह प्रभावी रूप से तय होता है कि भविष्यवाणी करने के लिए कौन सी निकटवर्ती आकाशगंगाएँ सबसे अधिक प्रासंगिक हैं। इस दृष्टिकोण ने मॉडल को उन सूक्ष्म पर्यावरणीय प्रभावों को पकड़ने की अनुमति दी जो आकाशगंगाओं के विकास को प्रभावित करते हैं, जैसे कि क्या वे एक घनिष्ठ समूह का हिस्सा हैं या खुले स्थान में तैर रही हैं।

जब इसे ऐसे डेटा पर परखा गया जिसे इसने पहले कभी नहीं देखा था, तो मॉडल ने उल्लेखनीय सटीकता के साथ प्रदर्शन किया। इसने उच्च सटीकता के साथ डार्क मैटर हेलो के द्रव्यमान की भविष्यवाणी की, डेटा की 95 प्रतिशत से अधिक विविधताओं को कैप्चर किया। यह आकाशगंगाओं के भीतर तारों के द्रव्यमान और उनके नए तारे बनाने की दर की भविष्यवाणी करने में और भी अधिक सटीक था। ये परिणाम महत्वपूर्ण हैं क्योंकि मॉडल को पूरी तरह से आकाश से प्राप्त वास्तविक अवलोकनों पर प्रशिक्षित किया गया था, न कि कंप्यूटर द्वारा बनाए गए सिम्युलेटेड ब्रह्मांडों पर। इसका अर्थ है कि निष्कर्ष वास्तविक ब्रह्मांड की वास्तविक जटिलता को दर्शाते हैं, जिसमें वास्तविक दुनिया के मापों में निहित खामियां और अनिश्चितताएं भी शामिल हैं। अध्ययन सुझाव देता है कि डार्क मैटर हेलो का द्रव्यमान मौलिक रूप से एक समूह-स्तरीय गुण है, जिसका अर्थ है कि किसी आकाशगंगा के छिपे हुए वजन को समझने के लिए, आपको उस पूरे आकाशगंगा परिवार को देखना होगा जिससे वह संबंधित है, न कि केवल उस आकाशगंगा को स्वयं।

इस पद्धति की सफलता इस बात को रेखांकित करती है कि खगोलशास्त्री बिग डेटा (big data) के प्रति अपना दृष्टिकोण कैसे बदल रहे हैं। ब्रह्मांड को एक ग्राफ के रूप में प्रस्तुत करके, जहाँ वस्तुओं की तुलना में उनके संबंध अधिक महत्वपूर्ण हैं, शोधकर्ता उस जानकारी को निकालने में सक्षम रहे जो पारंपरिक तरीके अक्सर चूक जाते हैं। मॉडल के आंतरिक विश्लेषण ने दिखाया कि इसने विभिन्न प्रकार की आकाशगंगाओं के बीच अंतर करना सीख लिया था, जो केवल डेटा के पैटर्न के आधार पर पुराने, लाल सितारों वाली आकाशगंगाओं को युवा, नीले सितारों वाली आकाशगंगाओं से अलग कर सकता था। इसने आकाशगंगाओं के भीतर तारों की गति के बारे में विवरणों का भी अनुमान लगाया, जो एक ऐसा गुण है जिसे इसे स्पष्ट रूप से खोजने के लिए नहीं बताया गया था, केवल आसपास के वातावरण का विश्लेषण करके। हालांकि वर्तमान प्रणाली के लिए पूरे डेटासेट को एक बार में मेमोरी में लोड करना आवश्यक है, जो भविष्य के विशाल सर्वेक्षणों के लिए इसके तत्काल उपयोग को सीमित करता है, लेकिन यह कार्य सिद्ध करता है कि ग्राफ-आधारित लर्निंग कॉस्मिक वेब (cosmic web) को डिकोड करने के लिए एक शक्तिशाली उपकरण है। यह अदृश्य वास्तुकला को समझने के लिए एक नया, सीधा मार्ग प्रदान करता है जो दृश्य ब्रह्मांड को आकार देती है, जिससे तारों के अराजक संग्रह को ब्रह्मांडीय संरचना की एक सुसंगत कहानी में बदल दिया जाता है।