Deep Learning for f (T) Gravity: Joint PINN Reconstruction and MCMC Analysis of Data Sets

द दशकों से, खगोलशास्त्री ब्रह्मांड को निरंतर बढ़ती गति से फैलते हुए देख रहे हैं। 1990 के दशक के अंत में हुई इस खोज ने इस लंबे समय से चली आ रही धारणा को उलट दिया कि गुरुत्वाकर्षण को ब्रह्मांड की गति को धीमा कर देना चाहिए। इस त्वरण (acceleration) की व्याख्या करने के लिए, वैज्ञानिकों ने 'डार्क एनर्जी' नामक एक रहस्यमय बल के अस्तित्व का प्रस्ताव रखा, जिसे अक्सर खाली स्थान को भरने वाली एक स्थिर ऊर्जा के रूप में मॉडल किया जाता है। हालाँकि, यह मानक स्पष्टीकरण, जिसे 'लैम्ब्डा कोल्ड डार्क मैटर' मॉडल के रूप में जाना जाता है, गहरे सैद्धांतिक पहेलियों का सामना करता है। यह भौतिकविदों को यह सोचने पर मजबूर करता है कि ब्रह्मांड अभी क्यों त्वरित हो रहा है, और यह इस विशिष्ट रहस्यमय धक्के की ताकत के पीछे कोई मौलिक कारण भी नहीं बताता है। इन कमियों के कारण, शोधकर्ताओं ने यह पता लगाने के लिए अन्वेषण करना शुरू कर दिया है कि क्या गुरुत्वाकर्षण स्वयं सबसे बड़े पैमानों पर अलग तरह से व्यवहार कर सकता है, शायद ब्रह्मांड के खिंचने के साथ अपने नियम बदल देता है। ऐसा ही एक विचार 'टेलीपैरेलल ग्रेविटी' (teleparallel gravity) नामक सिद्धांत है, जो गुरुत्वाकर्षण के बल को अंतरिक्ष के झुकने के रूप में नहीं, बल्कि ब्रह्मांड के ताने-बाने के एक घुमाव या मरोड़ (torsion) के रूप में वर्णित करता है।

भारत के शोधकर्ताओं की एक टीम ने इन विचारों का परीक्षण करने के लिए एक नया दृष्टिकोण अपनाया है। यह अनुमान लगाने के बजाय कि इस घुमावदार गुरुत्वाकर्षण के नियम कैसे दिख सकते हैं, उन्होंने एक कंप्यूटर प्रणाली बनाई जिसे सीधे डेटा से नियमों को सीखने के लिए डिज़ाइन किया गया था। उन्होंने खगोलीय अवलोकनों के दो विशाल संग्रहों को संयोजित किया: एक जो ब्रह्मांड के इतिहास के विभिन्न समयों में विस्तार की गति को मापता है, और दूसरा जो ब्रह्मांडीय दूरियों को मैप करने के लिए विस्फोटित तारों की चमक को ट्रैक करता है। इस डेटा को 'फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क' नामक कृत्रिम बुद्धिमत्ता के एक विशेष प्रकार में फीड करके, शोधकर्ताओं ने कंप्यूटर को ब्रह्मांड के विस्तार के इतिहास को पुनर्गठित करने की अनुमति दी, जबकि वह भौतिकी के नियमों का कड़ाई से पालन करता था। इस प्रणाली ने गुरुत्वाकर्षण बल के किसी विशिष्ट आकार को नहीं माना; इसने केवल अवलोकनों को सिद्धांत के आकार का मार्गदर्शन करने दिया।

परिणामस्वरूप, ब्रह्मांड अरबों वर्षों में कैसे फैला है, इसका एक सहज और निरंतर चित्र प्राप्त हुआ। इस पुनर्गठित इतिहास से, टीम ने उस घुमावदार गुरुत्वाकर्षण के विशिष्ट गणितीय रूप को निकाला जो इस प्रकार के विस्तार को उत्पन्न करने के लिए आवश्यक होगा। इसके बाद, उन्होंने इस जटिल, डेटा-संचालित आकार को एक 'क्यूबिक पॉलिनॉमियल' (cubic polynomial) का उपयोग करके एक प्रबंधनीय सूत्र में सरल बनाया, जो एक प्रकार का समीकरण है जो जटिल पैटर्न में फिट होने के लिए मुड़ और घूम सकता है। अपने निष्कर्षों को सुदृढ़ बनाने के लिए, उन्होंने इस समीकरण के नंबरों के लिए सबसे संभावित मूल्यों की गणना करने और अनिश्चितता की सीमा को मैप करने के लिए उन्नत सांख्यिकीय विधियों का उपयोग किया। विश्लेषण ने दिखाया कि पुनर्गठित मॉडल अवलोकनात्मक डेटा के साथ अच्छी तरह से फिट बैठता है, और मापे गए रेडशिफ्ट (redshifts) की पूरी सीमा में विस्तार के इतिहास का बारीकी से अनुसरण करता है।

जब शोधकर्ताओं ने अपने नए, डेटा-संचालित मॉडल की तुलना गुरुत्वाकर्षण के मानक सिद्धांत से की, तो परिणाम सूक्ष्म थे। मानक मॉडल, जो एक स्थिर कॉस्मोलॉजिकल कॉन्स्टेंट (cosmological constant) मानता है, अभी भी डेटा के लिए थोड़ा बेहतर सांख्यिकीय फिट प्रदान करता है, क्योंकि इसे अवलोकनों की व्याख्या करने के लिए कम धारणाओं की आवश्यकता होती है। हालाँकि, नया मॉडल विफल नहीं हुआ; यह ब्रह्मांड का एक व्यवहार्य विवरण बना रहा जो मानक सिद्धांत से एक सहज और व्यवस्थित तरीके से विचलित होता है। अध्ययन ने प्रदर्शित किया कि गुरुत्वाकर्षण के नियमों में हल्के बदलाव वर्तमान अवलोकनों द्वारा अभी भी स्वीकार्य हैं। इस कार्य की सबसे महत्वपूर्ण उपलब्धि अनिवार्य रूप से यह सिद्ध करना नहीं थी कि मानक मॉडल गलत है, बल्कि एक शक्तिशाली नई पद्धति का प्रदर्शन करना था। डीप लर्निंग को सांख्यिकीय विश्लेषण के साथ जोड़कर, शोधकर्ताओं ने एक लचीला पाइपलाइन बनाया जो सीधे आकाश से गुरुत्वाकर्षण सिद्धांतों को पुनर्गठित कर सकता है, जो भविष्य के अधिक सटीक डेटा के विरुद्ध संशोधित गुरुत्वाकर्षण सिद्धांतों का परीक्षण करने का एक तरीका प्रदान करता है, बिना पूर्व निर्धारित विचारों में फंसे।