Black Hole Love Numbers with Physics-Informed Neural Networks

गुरुत्वाकर्षण को अक्सर अंतरिक्ष और समय के घुमाव के रूप में वर्णित किया जाता है, जो एक चिकना ताना-बाना है जिसे विशाल पिंडों द्वारा विकृत किया जाता है। जब दो ऐसे पिंड, जैसे कि ब्लैक होल, एक-दूसरे के करीब आते हैं, तो वे इस ताने-बाने को एक लयबद्ध पैटर्न में खींचते और सिकोड़ते हैं। यदि इनमें से एक पिंड एक ठोस तारा या ग्रह होता, तो यह खिंचाव इसे उभारने और विकृत करने का कारण बनता, जिससे यह एक स्प्रिंग की तरह ऊर्जा संचित करता। वैज्ञानिक इस विकृत होने की प्रवृत्ति को मापने के लिए 'टाइडल लव नंबर' (tidal Love number) नामक मान का उपयोग करते हैं। साधारण पदार्थ के लिए, यह संख्या धनात्मक होती है और हमें बताती है कि वस्तु कितनी लचीली है। हालाँकि, ब्लैक होल के मामले में कहानी अलग है। सामान्य गुरुत्वाकर्षण सिद्धांत के अनुसार, ब्लैक होल इतना चरम होता है कि उसे बिल्कुल भी उभरना नहीं चाहिए; इसका टाइडल लव नंबर सैद्धांतिक रूप से शून्य होना चाहिए। फिर भी, क्योंकि ब्लैक होल घूमते हैं और अपने परिवेश के साथ जटिल तरीकों से अंतःक्रिया करते हैं, इसमें एक सूक्ष्म, परिमित प्रतिक्रिया होती है जिसमें ऊर्जा की हानि शामिल है—एक विसरणात्मक प्रभाव (dissipative effect) जिसे एक सरल शून्य की तुलना में समझना कहीं अधिक कठिन है।

भौतिकविदों के लिए चुनौती इस प्रतिक्रिया की अत्यधिक सटीकता के साथ गणना करना रही है। वे समीकरण जो यह बताते हैं कि एक ब्लैक होल इन टाइडल बलों के प्रति कैसे प्रतिक्रिया करता है, उन्हें हल करना अत्यंत कठिन है। इनमें विलक्षण बिंदु (singular points) शामिल हैं, जहाँ गणित अनियंत्रित व्यवहार करता है, और उत्तर इवेंट होराइजन (घटना क्षितिज) के किनारे और दूर अंतरिक्ष में मौजूद दो प्रतिस्पर्धी व्यवहारों के बीच के नाजुक संतुलन पर निर्भर करता है। पारंपरिक रूप से, वैज्ञानिक जटिल विश्लेणात्मक सूत्रों पर भरोसा करते हैं जो सरल मामलों में तो अच्छा काम करते हैं, लेकिन जब समीकरण बहुत अधिक उलझ जाते हैं या जब ब्लैक होल इस तरह से घूमता है कि गणित को स्वतंत्र हिस्सों में अलग नहीं किया जा सकता, तो वे विफल हो जाते हैं। इन सीमाओं से आगे बढ़ने के लिए, शोधकर्ताओं की एक टीम ने एक नए प्रकार के उपकरण की ओर रुख किया है: एक न्यूरल नेटवर्क जिसे न केवल डेटा में पैटर्न पहचानने के लिए, बल्कि सीधे भौतिकी के नियमों का पालन करने के लिए प्रशिक्षित किया गया है।

इस कार्य में, शोधकर्ताओं ने एक ऐसा सिस्टम विकसित किया जो ब्लैक होल के विक्षोभ (disturbance) समीकरणों के समाधान को शून्य से सीखता है। कंप्यूटर को ज्ञात उत्तरों के उदाहरण देने के बजाय, उन्होंने उसे खेल के नियम सिखाए। न्यूरल नेटवर्क को वे विभेदक समीकरण (differential equations) दिए गए जो यह नियंत्रित करते हैं कि एक घूमता हुआ ब्लैक होल एक स्थिर टाइडल खिंचाव के प्रति कैसे प्रतिक्रिया करता है। इसे सख्त सीमा शर्तें (boundary conditions) भी दी गईं: समाधान इवेंट होराइजन पर सुचारू और परिमित रहना चाहिए, और अनंत की ओर बढ़ते हुए इसे एक विशिष्ट तरीके से व्यवहार करना चाहिए। इसके बाद नेटवर्क ने अपने आंतरिक मापदंडों को लाखों बार समायोजित किया, ताकि एक ऐसा फलन (function) खोजा जा सके जो इन नियमों को हर जगह एक साथ संतुष्ट कर सके। लक्ष्य केवल एक समाधान खोजना नहीं था, बल्कि एक ऐसा समाधान खोजना था जो ब्लैक होल की प्रतिक्रिया को परिभाषित करने वाले सूक्ष्म, विशिष्ट नंबरों को निकालने के लिए पर्याप्त सटीक हो।

टीम ने एक विशिष्ट, नियंत्रित परिदृश्य पर ध्यान केंद्रित किया जहाँ सटीक उत्तर पहले से ही ज्ञात है, जिससे वे अपने तरीके का पूर्ण कठोरता के साथ परीक्षण कर सकें। उन्होंने एक घूमते हुए ब्लैक होल का सिमुलेशन तैयार किया और न्यूरल नेटवर्क को विभिन्न प्रकार के विक्षोभों के लिए समीकरणों को हल करने के लिए कहा, जिनमें स्कलर फील्ड से लेकर अधिक जटिल ग्रेविटेशनल वेव्स तक शामिल थे। नेटवर्क ने समाधान के आकार को सफलतापूर्वक सीखा, और ज्ञात सटीक उत्तरों के साथ एक सापेक्ष त्रुटि (relative error) एक लाख में एक भाग से भी कम दर्ज की। यह स्तर की सटीकता महत्वपूर्ण थी क्योंकि अंतिम उत्तर, यानी टाइडल लव नंबर, स्वयं समाधान नहीं है, बल्कि समाधान के व्यवहार से प्राप्त एक अनुपात है। यह एक बाल की मोटाई को उसके द्वारा डाली गई छाया को देखकर मापने जैसा है; यदि छाया थोड़ी भी धुंधली है, तो माप विफल हो जाता है।

शोध का एक बड़ा हिस्सा इस बात पर समर्पित था कि न्यूरल नेटवर्क के आउटपुट से उत्तर को कैसे पढ़ा जाए। शोधकर्ताओं ने सीखे गए समाधान से टाइडल प्रतिक्रिया निकालने के लिए आठ अलग-अलग तरीकों का परीक्षण किया। उन्होंने पाया कि कुछ सहज दृष्टिकोण, जैसे कि सीमा पर ही समाधान के ढलान (slope) को देखना, मौलिक रूप से त्रुटिपूर्ण थे। ये स्थानीय तरीके इसलिए विफल हुए क्योंकि उन्होंने उत्तर के एक बहुत छोटे, लुप्त होते घटक को अलग करने की कोशिश की जिसे समाधान के बड़े, प्रभावी हिस्से द्वारा दबा दिया गया था। इसके बजाय, टीम ने पाया कि सबसे विश्वसनीय तरीका पूरे स्थान के दायरे में समाधान को देखना था, जिसमें एक ग्लोबल फिटिंग तकनीक का उपयोग किया गया जो शोर (noise) को औसत निकालती है और तरंग के विभिन्न हिस्सों के बीच वास्तविक संबंध को पकड़ती है। इस वैश्विक दृष्टिकोण ने उन्हें सिग्नल को शोर से अलग करने में मदद की, जिससे सॉल्वर द्वारा की गई त्रुटियों और निष्कर्षण प्रक्रिया (extraction process) द्वारा की गई त्रुटियों के बीच अंतर स्पष्ट हुआ।

अध्ययन ने यह भी खुलासा किया कि न्यूरल नेटवर्क को कैसे प्रशिक्षित किया गया, यह अत्यंत महत्वपूर्ण था। केवल नेटवर्क को मुख्य समीकरण में त्रुटि को कम करने के लिए कहना पर्याप्त नहीं था। शोधकर्ताओं ने पाया कि उन्हें नेटवर्क को उबड़-खाबड़ या दोलन करने वाले डेरिवेटिव्स (derivatives) के लिए दंडित करना पड़ा, जिससे उसे एक ऐसा समाधान बनाने के लिए मजबूर किया गया जो न केवल मान में सही हो, बल्कि परिवर्तनों में भी सुचारू हो। इन अतिरिक्त बाधाओं को जोड़ने से, जो एक गणितीय स्मूथिंग फिल्टर के रूप में कार्य करती हैं, उन्होंने अंतिम परिणाम की सटीकता को कई गुना बढ़ा दिया। यह निष्कर्ष बताता है कि उन समस्याओं के लिए जिनमें नाजुक भौतिक प्रतिक्रियाएं शामिल हैं, डेरिवेटिव की गुणवत्ता उतनी ही महत्वपूर्ण है जितनी कि समाधान की गुणवत्ता।

परिणाम पुष्टि करते हैं कि न्यूरल नेटवर्क एक घूमते हुए ब्लैक होल की टाइडल प्रतिक्रिया को सटीक रूप से कंप्यूट कर सकता है, जिसमें विसरणात्मक भाग (जो ऊर्जा हानि को दर्शाता है) और रूढ़िवादी भाग (जो सैद्धांतिक रूप से शून्य है), दोनों शामिल हैं। नेटवर्क ने सफलतापूर्वक दिखाया कि रूढ़िवादी प्रतिक्रिया वास्तव में नगण्य है, जो केवल संख्यात्मक सटीकता की सीमाओं तक सीमित है, जबकि विसरणात्मक भाग को उच्च शुद्धता के साथ मापा गया था। यह सफलता महत्वपूर्ण है क्योंकि यह अधिक जटिल समस्याओं के लिए एक मार्ग प्रदर्शित करती है। भविष्य में, इसी ढांचे को उन ब्लैक होल्स पर लागू किया जा सकता है जो सरल तरीके से नहीं घूम रहे हैं, या उन गुरुत्वाकर्षण सिद्धांतों पर जो आइंस्टीन के सिद्धांतों से भिन्न हैं, जहाँ कोई सटीक गणितीय सूत्र मौजूद नहीं है। यह सिद्ध करके कि एक न्यूरल नेटवर्क पूर्व-मौजूदा विश्लेषणात्मक शॉर्टकटों पर निर्भर किए बिना ब्लैक होल की टाइडल प्रतिक्रिया की भौतिकी को सीख सकता है, शोधकर्ताओं ने ब्रह्मांड के सबसे चरम वातावरणों की खोज के लिए एक नया, मजबूत उपकरण स्थापित किया है।

यह कार्य कम्प्यूटेशनल भौतिकी के क्षेत्र के लिए एक व्यापक सबक भी देता है। यह दिखाता है कि केवल एक शक्तिशाली सॉल्वर होना ही पर्याप्त नहीं है; आपके पास परिणामों को पढ़ने का एक विश्वसनीय तरीका भी होना चाहिए। शोधकर्ताओं ने प्रदर्शित किया कि भौतिक अवलोकन (physical observable) को निकालने के लिए उपयोग की जाने वाली विधि, समीकरण को हल करने के लिए उपयोग की जाने वाली विधि जितनी ही महत्वपूर्ण है। उन मामलों में जहाँ उत्तर बड़ी संख्याओं के बीच एक छोटा सा अंतर होता है, एक मानक दृष्टिकोण विनाशकारी त्रुटियों की ओर ले जा सकता है, जबकि एक सावधानीपूर्वक डिज़ाइन की गई निष्कर्षण प्रक्रिया सत्य को प्रकट कर सकती है। समीकरण को हल करने और समाधान की व्याख्या करने के बीच का यह अंतर एक प्रमुख सीख है, जो उन कठिन समस्याओं को हल करने के लिए एक ब्लूप्रिंट प्रदान करता है जहाँ उत्तर एक जटिल प्रणाली के सूक्ष्म विवरणों में छिपा होता है।

अंततः, यह शोध पत्र कृत्रिम बुद्धिमत्ता का उपयोग करके ब्लैक होल टाइडल लव नंबरों की गणना करने के लिए एक प्रमाणित ढांचा प्रदान करता है। यह विभेदक समीकरणों की अमूर्त दुनिया और सटीक भौतिक भविष्यवाणियों की ठोस आवश्यकता के बीच के अंतर को पाटता है। एक कठोर गणितीय सेटअप को एक लचीले न्यूरल नेटवर्क आर्किटेक्चर के साथ जोड़कर, शोधकर्ताओं ने दिखाया है कि ब्लैक होल भौतिकी की विलक्षणताओं और जटिलताओं को उच्च स्तर के विश्वास के साथ नेविगेट करना संभव है। यह पद्धति अधिक सामान्य, आवृत्ति-निर्भर (frequency-dependent) परिदृश्यों में विस्तार करने के लिए तैयार है, जो सिमुलेशन के एक नए युग के द्वार खोलती है जहाँ एकमात्र सीमा भौतिक नियमों की जटिलता है, न कि किसी बंद-रूप सूत्र (closed-form formula) की उपलब्धता।