🔭 astrophysics

A Mathematical Modeling Method of the EHT Synthesized Beam for Radio Synthesis Imaging

यह शोध पत्र LiRBM का प्रस्ताव करता है, जो रैखिक रेडियल बेसिस फंक्शन्स पर आधारित एक उच्च-परिशुद्धता मॉडलिंग विधि है, जो ब्लैक होल इमेज बहाली और मात्रात्मक विश्लेषण को सुगम बनाने के लिए इवेंट होराइजन टेलिस्कोप के सिंथेसाइज्ड बीम को सटीक रूप से दर्शाने में मौजूदा तकनीकों से काफी बेहतर प्रदर्शन करता है।

मूल लेखक: Guoshengyi Wu, Li Zhang

प्रकाशित 2026-09-11

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Guoshengyi Wu, Li Zhang

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक ब्लैक होल को देखने के लिए, खगोलविदों को एक ऐसे टेलीस्कोप के माध्यम से देखना होता है जो कांच की एक एकल ट्यूब नहीं, बल्कि दुनिया भर में बिखकी रेडियो डिशों का एक ग्रह-स्तर का नेटवर्क है। यह नेटवर्क, जिसे इवेंट होराइजन टेलीस्कोप (Event Horizon Telescope) के रूप में जाना जाता है, हवाई से लेकर दक्षिण ध्रुव तक के टेलीस्कोपों को जोड़कर एक एकल उपकरण बनाता है जिसकी विभेदन क्षमता (resolving power) पृथ्वी के आकार के दर्पण के बराबर होती है। क्योंकि ये डिशें एक-दूसरे से बहुत दूर हैं और आकाश के हर इंच को कवर नहीं करती हैं, इसलिए यह टेलीस्कोप एक साफ, स्पष्ट तस्वीर नहीं बनाता है। इसके बजाय, यह एक धुंधली, शोर भरी छवि कैप्चर करता है जो अपने स्वयं के कवरेज के अंतराल से अत्यधिक विकृत होती है। यह विरूपण प्रकाश और अंधकार की एक विशिष्ट लहरदार पैटर्न, जिसे सिंथेटिक बीम (synthesized beam) कहा जाता है, द्वारा होता है, जो टेलीस्कोप की सीमाओं के फिंगरप्रिंट की तरह कार्य करता है। इस उलझे हुए डेटा से ब्लैक होल के वास्तविक आकार को पुनः प्राप्त करने के लिए, वैज्ञानिकों को इस फिंगरप्रिंट को अत्यधिक सटीकता के साथ समझना होगा। यदि वे इन लहरों के पैटर्न को गणितीय रूप से वर्णित नहीं कर सकते, तो वे धुंध को हटा नहीं पाएंगे, और ब्लैक होल की छवि शोर के पीछे छिपी रह जाएगी।

वर्षों से, शोधकर्ता इन छवियों को साफ करने के लिए उन तरीकों का उपयोग करने का प्रयास करते रहे हैं जो टेलीस्कोप के विरूपण को एक सरल, स्थानीय समस्या के रूप में देखते हैं। कुछ दृष्टिकोण यह मान लेते हैं कि धुंध एक चिकनी, एकल पहाड़ी की तरह दिखती है, जबकि अन्य विरूपण के छोटे, दोहराए जाने वाले पैच को घटाकर छवि को ठीक करने का प्रयास करते हैं। ये विधियाँ कुछ कार्यों के लिए पर्याप्त रूप से काम करती हैं, लेकिन जब विरूपण जटिल होता है, जिसमें केंद्र से दूर तक फैली हुई तीखी चोटियाँ और गहरी घाटियाँ होती हैं, तो वे संघर्ष करती हैं। एक नए अध्ययन में, गुइझोउ यूनिवर्सिटी के शोधकर्ता गुओशेंगी वू और ली झांग ने इस विरूपण को मैप करने का एक अलग तरीका प्रस्तावित किया। उन्होंने टेलीस्कोप के त्रुटि पैटर्न को केवल एक अनुमान लगाने योग्य सरल आकार के रूप में नहीं, बल्कि एक जटिल परिदृश्य (landscape) के रूप में देखा जिसे एक विशिष्ट गणितीय उपकरण का उपयोग करके शून्य से फिर से बनाया जा सकता है। उनका लक्ष्य एक एकल, निरंतर समीकरण बनाना था जो टेलीस्कोप के विरूपण के प्रत्येक उतार-चढ़ाव और लहर को वर्णित कर सके, जिससे ब्लैक होल की वास्तविक छवि के अधिक सटीक पुनर्निर्माण की अनुमति मिल सके।

टीम ने गैलेक्सी M87 में पहले देखे गए सुपरमैसिव ब्लैक होल की पहली छवि के डेटा पर ध्यान केंद्रित किया, जिसे 2017 में कैप्चर किया गया था। उन्होंने टेलीस्कोप के विरूपण का प्रतिनिधित्व करने वाले कच्चे डेटा—पिक्सेल का एक ग्रिड जो दिखाता है कि सिग्नल कहाँ मजबूत और कहाँ कमजोर था—को लिया और 'लीनियर रेडियल बेसिस फंक्शन मॉडलिंग' (linear radial basis function modeling) नामक एक तकनीक लागू की। कल्पना कीजिए कि आप एक मानचित्र पर विशिष्ट बिंदुओं पर खूंटियों (pegs) का एक सेट रखकर एक जटिल, ऊबड़-खाबड़ इलाके को फिर से बनाने की कोशिश कर रहे हैं और फिर उनके ऊपर एक लचीली चादर फैला रहे हैं। शोधकर्ताओं ने छवि के माध्यम से इन हजारों "खूंटियों" को रखा, जिनमें से प्रत्येक एक संदर्भ बिंदु के रूप में कार्य करता है। फिर उन्होंने गणना की कि मानचित्र पर किसी भी नए बिंदु और इन खूंटियों के बीच की दूरी ने चादर की ऊंचाई को कैसे प्रभावित किया। इन सभी खूंटियों के प्रभाव को जोड़कर, वे एक चिकना, निरंतर सतह उत्पन्न कर सके जो अविश्वसनीय सटीकता के साथ मूल अव्यवस्थित डेटा से मेल खाती थी। पुराने तरीकों के विपरीत जो धुंध के आकार का अनुमान लगाने या उसे एक सरल वक्र (curve) में फिट करने पर निर्भर थे, इस दृष्टिकोण ने डेटा को ही आकार निर्धारित करने दिया, जिसमें बिंदुओं के बीच की दूरी का उपयोग मॉडल बनाने के लिए किया गया।

परिणामों ने दिखाया कि यह नया तरीका, जिसे लेखक LiRBM कहते हैं, क्षेत्र में उपयोग की जाने वाली मानक तकनीकों से कहीं बेहतर है। जब टीम ने अपने मॉडल की पारंपरिक तरीकों के साथ तुलना की, तो अंतर स्पष्ट था। पुराने तरीकों ने बड़ी त्रुटियां छोड़ीं, जहाँ मॉडल लहरों के सूक्ष्म विवरणों और विरूपण की गहरी घाटियों को पकड़ने में विफल रहा। इसके विपरीत, नए मॉडल ने मूल डेटा के साथ सटीकता का एक ऐसा स्तर प्रदर्शित किया जो त्रुटि में कमी के मामले में 88 प्रतिशत से अधिक बेहतर था। इसने लगभग 0.99 के समानता स्कोर के साथ छवि की संरचना को संरक्षित किया, जिसका अर्थ है कि गणितीय मॉडल वास्तविक डेटा के लगभग समान था। सबसे महत्वपूर्ण बात यह है कि मॉडल ने केवल विवरणों को सुचारू नहीं किया; इसने लहरों की तीखी चोटियों और विशिष्ट स्थितियों को बरकरार रखा, जो यह जानने के लिए अत्यंत महत्वपूर्ण है कि टेलीस्कोप ने प्रकाश को कैसे विकृत किया है।

यह सफलता महत्वपूर्ण है क्योंकि ब्लैक होल की अंतिम छवि की गुणवत्ता पूरी तरह से इस बात पर निर्भर करती है कि वैज्ञानिक डेटा से टेलीस्कोप के अपने हस्ताक्षर को कितनी अच्छी तरह हटा पाते हैं। यदि विरूपण का मॉडल थोड़ा भी गलत है, तो छवि को साफ करने की प्रक्रिया नई त्रुटियां पैदा कर सकती है या ब्लैक होल की वास्तविक विशेषताओं को मिटा सकती है। विरूपण का एक अत्यधिक सटीक, निरंतर गणितीय विवरण प्रदान करके, यह नया तरीका खगोलविदों को वास्तविक छवि को बहाल करने के लिए एक बेहतर उपकरण देता है। यह उन्हें यह सिम्युलेट करने की अनुमति देता है कि टेलीस्कोप एक छवि को कैसे खराब करता है और बिना अनुमान लगाए इसे साफ करने के विभिन्न तरीकों का परीक्षण करने की अनुमति देता है। शोधकर्ताओं ने पाया कि उनका मॉडल तब सबसे अच्छा काम करता है जब वह दूरी और सिग्नल की ताकत के बीच एक सरल, रैखिक संबंध का उपयोग करता है, जिससे उन जटिल, समायोज्य नॉब्स (adjustable knobs) की आवश्यकता से बचा जा सके जो अक्सर पुराने मॉडलों को अस्थिर बना देते थे।

यह अध्ययन यह दावा नहीं करता है कि इसने ब्लैक होल इमेजिंग की हर समस्या को हल कर लिया है, लेकिन यह डेटा को संभालने के तरीके में एक महत्वपूर्ण प्रगति प्रदान करता है। टीम ने प्रदर्शित किया कि उनकी विधि को 2017 के M87 अवलोकनों के विशिष्ट डेटा पर लागू किया जा सकता है, जिससे टेलीस्कोप के व्यवहार का एक पुनरुत्पादनीय (reproducible) मानचित्र तैयार हुआ। हालांकि मॉडल वर्तमान में इस विशिष्ट अवलोकन सेट के लिए अनुकूलित है, लेकिन दृष्टिकोण स्वयं इतना लचीला है कि इसे अन्य ब्लैक होल छवियों और विभिन्न टेलीस्कोप कॉन्फ़िगरेशन पर परखा जा सकता है। शोधकर्ता स्वीकार करते हैं कि भविष्य के कार्य में विभिन्न स्थितियों के तहत स्थिरता सुनिश्चित करने के लिए विविध प्रकार के डेटा पर इस पद्धति का परीक्षण करना होगा। फिलहाल, हालांकि, उन्होंने दिखाया है कि टेलीस्कोप के विरूपण को केवल एक अनुमान लगाने योग्य आकार के बजाय एक जटिल परिदृश्य के रूप में मानकर, ब्रह्मांड को बहुत अधिक स्पष्टता के साथ देखना संभव है। धुंध के मॉडलिंग का यह नया तरीका ब्लैक होल के छिपे हुए विवरणों को पूरी तरह से प्रकट होने के एक कदम और करीब ले आता है।

तकनीकी सारांश: रेडियो सिंथेसिस इमेजिंग के लिए EHT सिंथेसाइज्ड बीम की एक गणितीय मॉडलिंग विधि

समस्या विवरण
इवेंट होराइजन टेलिस्कोप (EHT) ब्लैक होल की इमेजिंग के लिए वेरी-लॉन्ग-बेसलाइन इंटरफेरोमेट्री (VLBI) का उपयोग करता है, जो कि सिंथेसाइज्ड बीम, या पॉइंट स्प्रेड फंक्शन (PSF) से अत्यधिक प्रभावित होती है। विरल स्थानिक आवृत्ति नमूनाकरण (sparse spatial frequency sampling) के तहत, इमेजिंग प्रक्रिया एक जटिल सिंथेसाइज्ड बीम के साथ संवलित (convolved) होती है, जिसकी विशेषता एक केंद्रीय मुख्यलोब (mainlobe) और जटिल साइडलोब संरचनाएं हैं। सटीक इमेज रेस्टोरेशन और त्रुटि प्रसार विश्लेषण के लिए PSF का एक निरंतर कार्यात्मक प्रतिनिधित्व (continuous functional representation) आवश्यक है। होगबोम क्लीन (Högbom CLEAN), क्लार्क क्लीन (Clark CLEAN) और एस्प-क्लीन (Asp-Clean) जैसी मौजूदा विधियाँ मुख्य रूप से डिकनवोल्यूशन और कंप्यूटेशनल त्वरण के लिए स्थानीय सन्निकटन (जैसे कि परिमित बीम पैच या एकल गाऊसी मुख्यलोब) का उपयोग करती हैं, लेकिन वे पूर्ण स्थानिक आकारिकी (spatial morphology), जिसमें जटिल साइडलोब दोलन और ध्रुवीयता (polarity) शामिल है, को कैप्चर करने में सक्षम उच्च-परिशुद्धता, निरंतर गणितीय मॉडल प्रदान करने में अक्सर विफल रहती हैं। अन्य क्षेत्रों (जैसे कि एडेप्टिव ऑप्टिक्स, ऑप्टिकल माइक्रोस्कोपी) में पिछले PSF मॉडलिंग दृष्टिकोणों ने ब्लाइंड डिकनवोल्यूशन, डीप लर्निंग या बहुपद फिटिंग (polynomial fitting) का उपयोग किया है, लेकिन वे अक्सर EHT डेटा में निहित विशिष्ट संरचनात्मक जटिलता और विरल नमूनाकरण बाधाओं के साथ संघर्ष करते हैं।

कार्यप्रणाली
यह शोध पत्र LiRBM (लिनियर RBF-आधारित बीम मॉडलिंग) का प्रस्ताव करता है, जो लिनियर रेडियल बेसिस फंक्शन (RBFs) पर आधारित एक उच्च-परिशुद्धता मॉडलिंग विधि है। मुख्य कार्यप्रणाली इस प्रकार है:

डेटा सैंपलिंग: एक 128×128 पिक्सेल EHT सिंथेसाइज्ड बीम (जो 2017 M87* अवलोकनों से प्राप्त है) के नमूनाकृत इमेज पिक्सेल को RBF केंद्रों के रूप में उपयोग किया गया है। अध्ययन में समान नमूनाकरण (uniform sampling) के माध्यम से चयनित 4,096 केंद्र बिंदुओं का उपयोग किया गया है।
मॉडल निर्माण: मॉडल इन केंद्रों से दूरी प्रतिक्रियाओं के भारित सुपरपोजिशन (weighted superposition) को निष्पादित करके एक निरंतर फलन $f(x,y)$ का निर्माण करता है। सामान्य रूप $f(x,y) = \sum_{i=1}^{N} w_i \phi(r_i)$ है, जहाँ $r_i$ $i$ -वें केंद्र और एक क्वेरी पॉइंट के बीच यूक्लिडियन दूरी है, और $w_i$ एक रैखिक प्रणाली के माध्यम से हल किए गए भार गुणांक (weight coefficients) हैं।
बेसिस फंक्शन चयन: लेखक छह प्रकार के बेसिस फंक्शन का मूल्यांकन करते हैं: लिनियर ( $\phi(r)=r$ ), थिन प्लेट ( $\phi(r)=r^2\ln(r)$ ), गाऊसी (Gaussian), मल्टीक्वाड्रिक (Multiquadric), इनवर्स (Inverse), और क्यूबिक (Cubic)। एक प्रमुख पद्धतिगत विकल्प लिनियर बेसिस फंक्शन का उपयोग करना है, जिसमें स्पष्ट रूप से कोई आकार पैरामीटर $\epsilon$ शामिल नहीं है। यह गाऊसी या मल्टीक्वाड्रिक जैसे कार्यों से जुड़ी संख्यात्मक स्थिरता समस्याओं और पैरामीटर संवेदनशीलता से बचता है, जहाँ स्थानिक पैमाने से मेल खाने के लिए $\epsilon$ को ट्यून करना पड़ता है। यह विधि निरंतर फलन बनाने के लिए नमूना बिंदुओं के बीच की दूरी संबंधों का लाभ उठाती है, जो इसे स्थानिक-डेटा इंटरपोलेशन और निरंतर स्थानिक-रिस्पॉन्स फिटिंग के लिए विशेष रूप से उपयुक्त बनाती है।
मूल्यांकन प्रोटोकॉल: मॉडल का मूल्यांकन मीन एब्सोल्यूट रेसिडुअल (MAR), मैक्सिमम एब्सोल्यूट रेसिडुअल (MaxAR), रेसिडुअल स्टैंडर्ड डेविएशन ( $\sigma_e$ ), रूट मीन स्क्वायर एरर (RMS), और स्ट्रक्चरल सिमिलरिटी इंडेक्स (SSIM) का उपयोग करके किया जाता है। मूल्यांकन पूर्ण PSF, मुख्यलोब क्षेत्र, और संयुक्त मुख्यलोब एवं प्रथम साइडलोब क्षेत्र पर किया गया है।

प्रमुख योगदान

LiRBM फ्रेमवर्क: लिनियर रेडियल बेसिस फंक्शनों का उपयोग करके EHT सिंथेसाइज्ड बीम का एक निरंतर, कार्यात्मक प्रतिनिधित्व, जो आकार पैरामीटर ट्यूनिंग की आवश्यकता के बिना बीम की स्थानिक संरचना को प्रभावी ढंग से दर्शाने के लिए दूरी संबंधों का उपयोग करता है।
तुलनात्मक विश्लेषण: छह RBF बेसिस फंक्शनों का एक व्यवस्थित तुलनात्मक विश्लेषण, जो यह प्रदर्शित करता है कि लिनियर बेसिस फंक्शन इस विशिष्ट अनुप्रयोग के लिए त्रुटि मेट्रिक्स और स्थिरता के मामले में अन्य (थिन प्लेट, गाऊसी और क्यूबिक सहित) से बेहतर प्रदर्शन करता है।
स्थापित विधियों के विरुद्ध बेंचमार्किंग: क्लार्क क्लीन (स्थानीय बीम पैच) और एस्प-क्लीन2016 (एकल गाऊसी मुख्यलोब) में उपयोग की जाने वाली सन्निकटन रणनीतियों के विरुद्ध LiRBM का सीधा मात्रात्मक तुलना, जो मॉडलिंग सटीकता को डिकनवोल्यूशन दक्षता से अलग करने के लिए उसी EHT PSF डेटा पर उनके प्रदर्शन की पुनर्गणना करता है।
पुनरुत्पादक मॉडल आउटपुट: 4,096 केंद्र निर्देशांकों और संबंधित भार गुणांकों का एक पूर्ण सेट प्रदान करना, जो बाद के मात्रात्मक विश्लेषण के लिए निरंतर PSF मॉडल के सटीक पुनरुत्पादन की अनुमति देता है।

परिणाम

वैश्विक प्रदर्शन: परीक्षण किए गए छह बेसिस फंक्शनों में से, लिनियर बेसिस फंक्शन ने निम्नतम त्रुटि मेट्रिक्स प्राप्त किए: मीन एब्सोल्यूट रेसिडुअल (0.010511), मैक्सिमम एब्सोल्यूट रेसिडुअल (0.124657), और रेसिडुअल स्टैंडर्ड डेविएशन (0.015405)। दूसरे सबसे अच्छे तरीके (थिन प्लेट) की तुलना में, LiRBM ने मीन एब्सोल्यूट रेसिडुअल में 40.40% और रेसिडुअल स्टैंडर्ड डेविएशन में 38.10% की कमी की।
सामान्य विधियों के साथ तुलना: क्लार्क क्लीन और एस्प-क्लीन2016 के आधार वाले सन्निकटन तरीकों के साथ तुलना करने पर, LiRBM ने श्रेष्ठ निष्ठा (fidelity) प्रदर्शित की। LiRBM ने 0.015405 का RMS और 0.992112 का SSIM प्राप्त किया। इसके विपरीत, क्लार्क क्लीन सन्निकटन ने 0.138998 का RMS और 0.303455 का SSIM दिया, जबकि एस्प-क्लीन2016 ने 0.216112 का RMS और 0.229640 का SSIM दिया।
स्थानीय संरचना संरक्षण:
- मुख्यलोब (Mainlobe): मुख्यलोब क्षेत्र में, LiRBM ने 0.039695 का RMS और 0.958808 का SSIM प्राप्त किया, जिससे शिखर स्थिति (peak position), चौड़ाई और कंटूर को सफलतापूर्वक संरक्षित किया गया।
- मुख्यलोब + प्रथम साइडलोब: प्रथम साइडलोब सहित क्षेत्र में, RMS घटकर 0.030138 हो गया और SSIM बढ़कर 0.987305 हो गया। मॉडल ने ध्रुवीयता रिवर्सल या मिसअलाइनमेंट पेश किए बिना सकारात्मक मुख्यलोब और नकारात्मक साइडलोब की ध्रुवीयता, सापेक्ष स्थिति और दोलन अनुक्रम को सफलतापूर्वक बनाए रखा।
रेसिडुअल वितरण: रेसिडुअल शून्य के आसपास वितरित पाए गए और इनमें कोई केंद्रित उच्च-त्रुटि क्षेत्र नहीं था, जो बीम क्रॉस-सेक्शन में समान त्रुटि नियंत्रण को दर्शाता है।

महत्व और दावे
शोध पत्र का दावा है कि LiRBM मौजूदा स्थानीय सन्निकटन या गाऊसी-फिटिंग विधियों की तुलना में सिंथेसाइज्ड बीम के लिए एक उच्च-परिशुद्धता गणितीय मॉडल स्थापित करता है। एक निरंतर कार्यात्मक प्रतिनिधित्व प्रदान करके, यह विधि बाद के मात्रात्मक विश्लेषण, क्षरण सिमुलेशन (degradation simulation) और खगोलीय इमेज रेस्टोरेशन का समर्थन करती है। लेखक इस बात पर जोर देते हैं कि लिनियर बेसिस फंक्शन की ट्यून करने योग्य आकार पैरामीटर $\epsilon$ पर निर्भरता की कमी इसकी स्थिरता और EHT सिंथेसाज़्ड बीम की स्थानिक संरचना को प्रभावी ढंग से मिलाने की क्षमता में योगदान करती है। अध्ययन निष्कर्ष निकालता है कि LiRBM EHT छवियों की स्थानिक संरचना को सटीक रूप से चित्रित कर सकता है, जो महत्वपूर्ण रूपात्मक विशेषताओं जैसे कि केंद्रीय मुख्यलोब, साइडलोब दोलन और एज एटेन्यूएशन (edge attenuation) को सुरक्षित रखता है, जो अक्सर मानक डिकनवोल्यूशन वर्कफ़्लो में खो जाते हैं या अनुमानित होते हैं। लेखक नोट करते हैं कि वर्तमान मॉडल उपयोग किए गए प्रयोगात्मक नमूनों और पैरामीटर स्थितियों के लिए विशिष्ट है और सुझाव देते हैं कि भविष्य के कार्य में सामान्यीकरण का आकलन करने के लिए विभिन्न बीम संरचनाओं और शोर स्तरों के साथ क्रॉस-वैलिडेशन शामिल होना चाहिए।

इसी तरह के और पेपर