SympGal-NODE: Continuous-Time Symplectic Neural ODEs for Relativistic Stellar Swarms: Predicting Escape Times, Exit Trajectories, and Tidal Horizons

एक विशाल, घूमते हुए तारों के बादल की कल्पना करें, एक तारकीय झुंड (stellar swarm), जो एक द्विआधारी ब्लैक होल प्रणाली या किसी आकाशगंगा के घने केंद्र के अत्यधिक गुरुत्वाकर्षण में तैर रहा है। इन क्षेत्रों में, हमारे सौर मंडल को नियंत्रित करने वाले गुरुत्वाकर्षण के सरल नियम पर्याप्त नहीं हैं। तारे इतनी तेज़ी से चलते हैं और गुरुत्वाकर्षण इतना तीव्र होता है कि उन्हें सापेक्षता के जटिल नियमों द्वारा वर्णित किया जाना चाहिए, जहाँ स्थान और समय स्वयं मुड़ते और घूमते हैं। ऐसे झुंड के भविष्य की भविष्यवाणी करना खगोल विज्ञान की सबसे कठिन चुनौतियों में से एक है। वैज्ञानिकों को यह जानने की आवश्यकता है कि कौन से तारे क्लस्टर में बंधे रहेंगे, कौन से बाहर आकाशगंगा में फेंक दिए जाएंगे, और वे ठीक कब और कैसे निकलेंगे। यह केवल जिज्ञासा का विषय नहीं है; इन पलायन मार्गों को समझना खगोलविदों को स्टार स्ट्रीम्स के उद्गम को ट्रैक करने, गहरे अंतरिक्ष में उपग्रहों के व्यवहार की भविष्यवाणी करने और सुपरमैसिव ब्लैक होल के पास होने वाली हिंसक टक्करों का मॉडल बनाने में मदद करता है।

समस्या यह है कि इन पथों की गणना करना अविश्वसनीय रूप से कठिन है। पारंपरिक कंप्यूटर विधियों के लिए प्रत्येक एकल तारे और प्रत्येक अन्य तारे के बीच के गुरुत्वाकर्षण खिंचाव की जाँच करने की आवश्यकता होती है। दस लाख तारों के झुंड के लिए, यह एक ऐसा कम्प्यूटेशनल अड़चन पैदा करता है जो इतना गंभीर है कि एक छोटी अवधि का अनुकरण (simulation) करने में भी शक्तिशाली सुपर कंप्यूटरों पर लाखों घंटे लग सकते हैं। इसके अलावा, मानक कंप्यूटर मॉडल अक्सर छोटी, अदृश्य त्रुटियाँ करते हैं जो समय के साथ जमा होती रहती हैं। ये त्रुटियाँ नकली रूप से सितारों को ऊर्जा खोने या प्राप्त करने का कारण बनती हैं, जिससे एक नकली विघटन (dissolution) होता है जो वास्तविकता में कभी नहीं होता है। यह एक मानचित्र पर तूफान को ट्रैक करने की तरह है जो धीरे-धीरे हवा के पैटर्न को विकृत कर देता है जब तक कि तूफान स्क्रीन पर गायब न हो जाए या फट न जाए, चाहे वास्तविक मौसम कुछ भी हो।

इसे हल करने के लिए, क्वान वान नामक एक शोधकर्ता ने SympGal-NODE नामक एक नया कम्प्यूटेशनल ढांचा विकसित किया है। यह प्रणाली इन सापेक्षतावादी तारकीय झुंडों के दीर्घकालिक भाग्य की अभूतपूर्व गति और सटीकता के साथ भविष्यवाणी करने के लिए डिज़ाइन की गई है। मानक गणितीय शॉर्टकट का उपयोग करने के बजाय जो त्रुटियां पैदा करते हैं, यह नया उपकरण सख्त भौतिक नियमों की नींव पर बनाया गया है। यह तारों की गति को स्थान और समय की मौलिक ज्यामिति को संरक्षित करने वाले एक निरंतर प्रवाह के रूप में मानता है। ऐसा करके, यह सुनिश्चित करता है कि तार क्लस्टर के संभावित पथों का कुल आयतन स्थिर रहे, जिससे उस कृत्रिम वाष्पीकरण (evaporation) को रोका जा सके जो पुराने तरीकों को प्रभावित करता है। यह प्रणाली दस मिलियन तारों तक के झुंडों को संभालने में सक्षम है, जो एक साधारण कंप्यूटर हार्डवेयर पर सिम्युलेट करने के लिए पहले असंभव था।

इस उपलब्धि का मूल आधार यह है कि यह सॉफ्टवेयर गुरुत्वाकर्षण को कैसे समझता है। यह भौतिकी के सबसे उन्नत सिद्धांतों को शामिल करता है, जिसमें आइंस्टीन के सापेक्षता के प्रभाव, स्पिन के कारण विशाल तारों का हल्का उभार, और पास के सूर्यों से निकलने वाले प्रकाश द्वारा लगाया गया दबाव शामिल है। हर तारे को एक साथ हर दूसरे तारे के साथ परस्पर क्रिया करते हुए मानने के बजाय, यह प्रणाली एक स्मार्ट रूटिंग विधि का उपयोग करती है। यह पहचानती है कि एक तारा मुख्य रूप से अपने निकटतम विशाल पिंडों से प्रभावित होता है, जबकि दूर के तारे केवल एक सौम्य, पृष्ठभूमि खिंचाव (background pull) में योगदान देते हैं। यह कंप्यूटर को अनावश्यक गणनाओं को अनदेखा करने की अनुमति देता है, जिससे प्रक्रिया पारंपरिक सिम्प्लेक्टिक इंटीग्रेटर्स की तुलना में 28.4 गुना तेज़ हो जाती है, और यह एक सामान्य डेस्कटॉप कंप्यूटर में पाए जाने वाले मानक ग्राफिक्स कार्ड पर भी चल सकती है।

नासा के जेपीएल हॉरिज़न्स (JPL Horizons) सिस्टम के वास्तविक दुनिया के डेटा के विरुद्ध परीक्षण करते समय, जो क्षुद्रग्रहों और ग्रहों की सटीक स्थिति को ट्रैक करता है, इस नए मॉडल ने अपनी योग्यता सिद्ध की। एपोफिस (Apophis) नामक एक विशिष्ट क्षुद्रग्रह के परीक्षण में, जो 2029 में पृथ्वी के बहुत करीब से गुजरेगा, शोधकर्ताओं ने चालीस-पाँच दिनों की अवधि का अनुकरण किया जहाँ कोई अवलोकन संभव नहीं था। इस "ब्लैकआउट" के दौरान, पृथ्वी के आकार और सूर्य के विकिरण द्वारा क्षुद्रग्रह का पथ अत्यधिक विकृत हो गया था। पारंपरिक कंप्यूटर मॉडल अंतराल के बाद क्षुद्रग्रह की स्थिति की सटीक भविष्यवाणी करने में विफल रहे, और सैकड़ों हजारों किलोमीटर की चूक कर गए। हालाँकि, नए सिस्टम ने क्षुद्रग्रह को उसके सही पथ पर बनाए रखा, जिसमें त्रुटि केवल लगभग एक हजार किलोमीटर थी। सटीकता का यह स्तर प्रदर्शित करता है कि मॉडल एक विश्वसनीय भौतिक फिल्टर के रूप में कार्य कर सकता है, जो डेटा गायब होने पर भी कक्षा की अखंडता को बनाए रखता है।

व्यक्तिगत पथों से परे, मॉडल पूरे स्टार क्लस्टर्स के सामूहिक भाग्य की सफलतापूर्वक भविष्यवाणी करता है। यह उन विशिष्ट "निकास गलियारों" (exit corridors) की पहचान कर सकता है जहाँ से तारे झुंड की गुरुत्वाकर्षण पकड़ से निकलने की सबसे अधिक संभावना रखते हैं। ये निकास यादृच्छिक नहीं हैं; वे गुरुत्वाकर्षण क्षेत्र में संकीर्ण छिद्रों के माध्यम से होते हैं, जो पानी के एक विशिष्ट नोजल से बहने के समान है। प्रणाली इन पलायन मार्गों का मानचित्र बनाती है और गणना करती है कि तारे ठीक कब निकलेंगे, यह अंतर करते हुए कि कौन से तारे आकाशगंगा में फेंके जाएंगे और कौन से केंद्रीय कोर में टकरा जाएंगे। लाखों तारों वाले सिमुलेशन में, मॉडल ने क्लस्टर की संरचना और अर्ध-आयु (half-life) को उस निष्ठा के साथ संरक्षित किया जिसे पुराने तरीके नहीं मिल सके, जिससे उस कृत्रिम विखंडन से बचा जा सका जो आमतौर पर सिम्युलेटेड क्लस्टर्स को बहुत जल्दी गायब कर देता है।

इस कार्य के परिणाम कम्प्यूटेशनल एस्ट्रोफिजिक्स के लिए एक नए मार्ग का सुझाव देते हैं। आर्टिफिशियल इंटेलिजेंस की डीप लर्निंग क्षमताओं को सिम्प्लेक्टिक ज्यामिति के अटल नियमों के साथ जोड़कर, शोधकर्ता ने एक ऐसा उपकरण बनाया है जो तेज़ भी है और भौतिक रूप से ईमानदार भी। यह केवल एक स्टार क्लस्टर के भविष्य का अनुमान नहीं लगाता है; यह ऊर्जा और संवेग के संरक्षण का सम्मान करते हुए इसकी गणना करता है जो ब्रह्मांड को नियंत्रित करता है। यह दृष्टिकोण वैज्ञानिकों को पहले की तुलना में बहुत बड़े पैमाने पर और लंबे समय तक सिमुलेशन चलाने की अनुमति देता है, जिससे तारकीय झुंडों के विकास, वे सुपरमैसिव ब्लैक होल को कैसे खिलाते हैं, और वे अरबों वर्षों में आकाशगंगाओं की संरचना को कैसे आकार देते हैं, इसकी गहरी समझ के द्वार खुलते हैं। यह कार्य एक कठोर प्रदर्शन है कि मशीन लर्निंग, जब सही भौतिक सिद्धांतों द्वारा बाधित हो, तो उन समस्याओं को हल कर सकती है जिन्हें कभी असाध्य माना जाता था।