Scalable and sequential inference of the neutron star equation of state with the Einstein Telescope

ब्रह्मांड के हृदय में गहराई में, पदार्थ एक ऐसी सघन और विचित्र अवस्था में मौजूद है जो हमारी रोजमर्रा की समझ को चुनौती देती है। जब एक तारा अपने स्वयं के गुरुत्वाकर्षण के कारण ढह जाता है, तो वह न्यूट्रॉन स्टार बन सकता है, जो एक शहर के आकार का गोला होता है जिसमें हमारे पूरे सूर्य से अधिक द्रव्यमान होता है, और इतना सघन रूप से पैक होता है कि उसके पदार्थ का एक छोटा चम्मच एक अरब टन वजन रखेगा। इन ब्रह्मांडीय पिंडों के भीतर, भौतिकी के नियम अपनी पूर्ण सीमा तक धकेले जाते हैं। इस तरह के अत्यधिक दबाव में पदार्थ के साथ क्या होता है, इसे समझने के लिए वैज्ञानिक "इक्वेशन ऑफ स्टेट" (अवस्था का समीकरण) का अध्ययन करते हैं, जो इस बात का विवरण है कि इन चरम घनत्वों पर पदार्थ कैसा व्यवहार करता है। दशकों से, शोधकर्ता पल्सरों से आने वाली रेडियो तरंगों और गर्म सतहों से आने वाली एक्स-रे का उपयोग करके इस विवरण को जोड़ने का प्रयास कर रहे हैं, लेकिन एक नया उपकरण उभरा है: गुरुत्वाकर्षण तरंगें। ये अंतरिक्ष-समय के ताने-बाने में उठने वाली लहरें हैं, जो दो न्यूट्रॉन सितारों के टकराने पर उत्पन्न होती हैं। जैसे-जैसे वे एक साथ घूमते हैं और एक-दूसरे से टकराते हैं, वे इन तरंगों पर एक सूक्ष्म छाप छोड़ते हैं, जिससे सितारों की आंतरिक संरचना का पता चलता है। आइंस्टीन टेलीस्कोप जैसे अगली पीढ़ी के डिटेक्टर, इन टकरावों को साल में केवल कुछ ही बार नहीं, बल्कि दसियों हज़ार बार सुनने का वादा करते हैं, जिससे गुरुत्वाकर्षण तरंगें ब्रह्मांड के निर्माण खंडों का अध्ययन करने का एक प्रमुख तरीका बन जाएंगी।

हालाँकि, क्षितिज पर एक बड़ी नई चुनौती मंडरा रही है। जबकि भविष्य के दूरबीनें इन ब्रह्मांडीय टकरावों की अभूतपूर्व बाढ़ का पता लगाएंगी, डेटा का विश्लेषण करने के लिए उपयोग की जाने वाली कंप्यूटर विधियाँ इतने बड़े आयतन के लिए तैयार नहीं हैं। पारंपरिक रूप से, वैज्ञानिक प्रत्येक घटना का एक-एक करके विश्लेषण करते हैं और फिर पूरी आबादी के बारे में जानने के लिए परिणामों को जोड़ते हैं। यह प्रक्रिया गणनात्मक रूप से बहुत महंगी है, और यदि कोई नई घटना आती है, तो पुराने तरीकों के लिए अक्सर पूरी गणना को शुरू से शुरू करने की आवश्यकता होती है। प्रति वर्ष अपेक्षित दसियों हज़ार घटनाओं के साथ, हर नई खोज के लिए विश्लेषण को फिर से शुरू करना बहुत लंबा समय ले लेगा, जिससे वास्तविक समय में समझ पाना असंभव हो जाएगा। समस्या केवल संकेतों की संख्या नहीं है, बल्कि नए डेटा के आगमन के साथ निरंतर अपने ज्ञान को अपडेट करने की आवश्यकता है, बिना उस काम को दोबारा किए जो पहले ही किया जा चुका है।

इसे हल करने के लिए, शोधकर्ताओं की एक टीम ने सूचना के इस आने वाले प्रवाह को संसाधित करने का एक नया तरीका विकसित किया है। उन्होंने एक ऐसा तरीका बनाया है जो कंप्यूटर को एक बढ़ती हुई घटनाओं की सूची से सीधे उस पर जो पहले से जानते हैं, उसी पर निर्माण करके सीखने की अनुमति देता है, न कि शून्य से शुरू करके। कल्पना कीजिए कि एक छात्र, जो हर बार नया तथ्य सीखने पर पूरी पाठ्यपुस्तक को फिर से पढ़ने के बजाय, बस अपने नोट्स को नई जानकारी के साथ अपडेट करता है। शोधकर्ताओं ने इस लक्ष्य को प्राप्त करने के लिए दो उन्नत सांख्यिकीय तकनीकों को जोड़ा। सबसे पहले, उन्होंने प्रत्येक व्यक्तिगत टकराव के विवरण को एक संक्षिप्त रूप में सारांशित करने के लिए एक शक्तिशाली प्रकार के कृत्रिम बुद्धिमत्ता (AI) का उपयोग किया जो काम करने में आसान हो। दूसरा, उन्होंने एक अनुक्रमिक एल्गोरिदम (sequential algorithm) का उपयोग किया जो मौजूदा चित्र में नए डेटा को छोटे, प्रबंधनीय बैचों में जोड़ सकता है। यह दृष्टिकोण कंप्यूटर को यह अनुकूल रूप से तय करने की अनुमति देता है कि कब घटनाओं का एक नया समूह न्यूट्रॉन स्टार के 'इक्वेशन ऑफ स्टेट' की समग्र समझ को बदलने के लिए पर्याप्त महत्वपूर्ण है, और कब नया डेटा एक बड़े अपडेट की आवश्यकता के बिना बहुत शांत है।

टीम ने भविष्य के आइंस्टीन टेलीस्कोप के एक महीने के अवलोकनों का अनुकरण करके इस प्रणाली का परीक्षण किया। उन्होंने लगभग 1,500 बाइनरी न्यूट्रॉन स्टार विलय के लिए डेटा उत्पन्न किया, जो उन संकेतों की नकल करता है जिन्हें टेलीस्कोप का पता लगाएगा। एक उच्च-प्रदर्शन वाले ग्राफिक्स प्रोसेसर पर अपने नए एल्गोरिदम को चलाकर, सिस्टम ने एक महीने के डेटा को कुछ ही घंटों में संसाधित कर दिया। इसके विपरीत, पारंपरिक तरीके इस आयतन के एक अंश को भी उचित समय सीमा में संभालने के लिए संघर्ष करेंगे। शोधकर्ताओं ने पाया कि यह प्रणाली घटनाओं को समूहों में बांटकर कुशलतापूर्वक काम करती है: जब संकेतों का एक नया बैच बहुत जानकारीपूर्ण था, तो कंप्यूटर ने विस्तृत अपडेट किया; जब संकेत कम प्रभावशाली थे, तो इसने उन्हें तब तक प्रतीक्षा सूची में रखा जब तक कि पर्याप्त संचय एक नई गणना को न्यायसंगत बनाने के लिए पर्याप्त न हो जाए। इस अनुकूल रणनीति का अर्थ था कि कंप्यूटर ने अपनी ऊर्जा केवल वहीं खर्च की जहाँ इसकी सबसे अधिक आवश्यकता थी।

परिणामों ने दिखाया कि यह विधि न्यूट्रॉन स्टार के गुणों को सफलतापूर्वक पुनर्गठित कर सकती है। सिम्युलेटेड महीने के अंत तक, एल्गोरिदम ने सघन पदार्थ के संभावित व्यवहार को एक बहुत ही सीमित दायरे तक कम कर दिया, जिससे 'टाइडल डिफॉर्मेबिलिटी' (ज्वारीय विरूपता)—जो यह मापता है कि सितारों को कितनी आसानी से कुचला जा सकता है—पर लगभग एक प्रतिशत की सीमा निर्धारित की गई। हालांकि सिम्युलेटेड डेटा में कुछ शोर (noise) था जिसके कारण अंतिम उत्तर में मामूली विचलन हुआ, शोधकर्ताओं ने पुष्टि की कि एक स्वच्छ वातावरण में, वास्तविक भौतिक गुणों की रिकवरी और भी सटीक थी। उन्होंने यह भी अनुमान लगाया कि वर्तमान हार्डवेयर के साथ, यही प्रणाली लगभग 30,000 घटनाओं वाले एक पूर्ण वर्ष के पता लगाने की प्रक्रिया को कुछ ही दिनों में संसाधित कर सकती है। यह प्रदर्शित करता है कि विशाल कैटलॉग का विश्लेषण करने की बाधा भौतिकी की कोई मौलिक सीमा नहीं है, बल्कि एक समाधान योग्य इंजीनियरिंग समस्या है।

यह कार्य अगली पीढ़ी के गुरुत्वाकर्षण-तरंग खगोल विज्ञान के युग के लिए एक व्यावहारिक मार्ग स्थापित करता है। यह सिद्ध करके कि अनुक्रमिक निष्कर्ष (sequential inference) संभव और कुशल है, शोधकर्ताओं ने दिखाया है कि वैज्ञानिक समुदाय आइंस्टीन टेलीस्कोप से अपेक्षित डेटा की बाढ़ के साथ तालमेल बिठा सकता है। यह विधि न्यूट्रॉन सितारों तक सीमित नहीं है; इसे ब्रह्मांड के अन्य प्रश्नों, जैसे ब्लैक होल के वितरण या ब्रह्मांड के विस्तार के बारे में भी लागू किया जा सकता है। जैसे-जैसे डिटेक्टर ऑनलाइन आते हैं और ब्रह्मांडीय टकरावों की दैनिक खोज शुरू करते हैं, यह नया दृष्टिकोण यह सुनिश्चित करता है कि प्रत्येक नई खोज को तुरंत हमारे ब्रह्मांड की बढ़ती समझ में एकीकृत किया जाएगा, जिससे डेटा की बाढ़ को ज्ञान की एक स्पष्ट और निरंतर धारा में बदला जा सकेगा।