এআই কসমোলজি টুল মহাবিশ্ব কীভাবে বদলায় তা আরও স্পষ্টভাবে দেখার প্রতিশ্রুতি দিচ্ছে

কসমিক পরিবর্তনকে আরও সরাসরি মাপার নতুন প্রচেষ্টা

নতুনভাবে বর্ণিত একগুচ্ছ AI অ্যালগরিদমকে সময়ের সঙ্গে সঙ্গে মহাবিশ্ব কীভাবে বদলায় তা অনুসরণ করার আরও ভালো উপায় হিসেবে উপস্থাপন করা হচ্ছে। কাজটির কভারেজে GAME নামে উল্লেখিত এই পদ্ধতিটি পর্যবেক্ষণমূলক ডেটা থেকে কসমিক সিস্টেমগুলোর আচরণ আরও নির্ভুলভাবে পুনর্গঠন করতে জ্যোতির্বিজ্ঞানীদের সাহায্য করার জন্য তৈরি, বিশেষ করে যখন কাজটি কেবল একটি বিস্তৃত প্রবণতা ফিট করার বদলে সেই সিস্টেমগুলো কত দ্রুত বদলাচ্ছে তা অনুমান করার সঙ্গে সম্পর্কিত।

এই পার্থক্য গুরুত্বপূর্ণ। আধুনিক কসমোলজি মূলত স্ট্যান্ডার্ড কসমোলজিক্যাল মডেলের ওপর নির্ভরশীল, যা গ্যালাক্সি গঠন এবং মহাকাশের ত্বরান্বিত সম্প্রসারণসহ মহাবিশ্বের বৃহৎ-স্কেলের বৈশিষ্ট্য ব্যাখ্যা করতে অসাধারণভাবে সফল। কিন্তু শক্তিশালী একটি মডেলেরও স্বাধীন পরীক্ষার দরকার হয়। গবেষকেরা চান এমন পদ্ধতি, যা পূর্বনির্ধারিত তাত্ত্বিক কাঠামোর মধ্যে উত্তরগুলোকে জোর করে বসিয়ে না দিয়ে, ডেটা থেকে কসমিক ফাংশন পুনর্গঠন করতে পারে।

বিদ্যমান পদ্ধতিগুলো কেন হোঁচট খায়

উৎস উপাদানে আলোচিত গবেষণাটি জেনেটিক অ্যালগরিদমের ওপর আলোকপাত করে, যা প্রাকৃতিক নির্বাচনের অনুপ্রেরণায় তৈরি গণনামূলক কৌশল। এগুলো উপকারী, কারণ এগুলো বহু সম্ভাব্য সমাধান খুঁজে বের করে এবং আগেভাগে খুব বেশি ধারণা না করেই পর্যবেক্ষণকৃত ডেটার সঙ্গে মিলে যায় এমন ফাংশন শনাক্ত করতে পারে। তাত্ত্বিকভাবে, এটিই কসমোলজিতে এগুলোকে আকর্ষণীয় করে তোলে, যেখানে বিজ্ঞানীরা চান ডেটা যতটা সম্ভব স্পষ্টভাবে কথা বলুক।

সমস্যা হলো, গবেষকদের যখন ডেরিভেটিভ বা কোনো কিছু কত দ্রুত বদলাচ্ছে তার মাপ দরকার হয়, তখন সাধারণ জেনেটিক অ্যালগরিদম অস্থির হতে পারে। একটি best-fit ফাংশন উপলব্ধ পর্যবেক্ষণের সঙ্গে ভালোভাবে মিলে যেতে পারে, তবু সরাসরি পর্যবেক্ষণযোগ্য নয় এমন পরিমাণগুলোর জন্য অস্থির বা বিভ্রান্তিকর অনুমান দিতে পারে। কসমোলজিতে, সেই derived quantities-ই প্রায়ই সেই জায়গা যেখানে আকর্ষণীয় পদার্থবিদ্যা লুকিয়ে থাকে।

উৎস পাঠ্য এটিকে দীর্ঘদিনের blind spot হিসেবে বর্ণনা করেছে। প্রথাগত পদ্ধতিগুলো বৃহত্তর চিত্র ধরতে পারে, কিন্তু সূক্ষ্ম পরিমাপগুলোতে টাল খেতে পারে, যেগুলোর মাধ্যমে যাচাই করা যায় গৃহীত মডেলটি পুরোপুরি সঠিক কি না। ডেরিভেটিভ তথ্য যদি ভঙ্গুর হয়, তবে গবেষকেরা মহাবিশ্বের এমন আচরণের ইঙ্গিত হারিয়ে ফেলতে পারেন, যা তাদের বর্তমান কাঠামো পুরোপুরি ব্যাখ্যা করতে পারে না।

নতুন পদ্ধতিটি কী উন্নত করতে চায়

প্রদত্ত প্রার্থনা অনুযায়ী, নতুন প্রস্তাবিত কৌশল সেই দৃষ্টিকে আরও ধারালো করতে চায়। কাজটি ফেব্রুয়ারিতে arXiv প্রিপ্রিন্ট সার্ভারে এসেছে, অর্থাৎ এটি জনসমক্ষে প্রকাশিত, তবে এখনও একে প্রাথমিক গবেষণা হিসেবেই ধরতে হবে, চূড়ান্ত সমঝোতা হিসেবে নয়। তবু ধারণাটি উল্লেখযোগ্য: AI-নির্দেশিত পুনর্গঠনে nonobservable change rates আরও ভালোভাবে সামলাতে পারলে, বিজ্ঞানীরা মহাবিশ্বের ইতিহাস যাচাই করার জন্য আরও নির্ভরযোগ্য একটি সরঞ্জাম পেতে পারেন।

প্রতিবেদিত মূল দাবি হলো, নতুন অ্যালগরিদমগুলো সময়ের সঙ্গে মহাবিশ্ব কীভাবে বদলায় তা দেখাতে নাটকীয়ভাবে ভালো। এর গভীর তাৎপর্য একটি নির্দিষ্ট শতাংশের তুলনায় পদ্ধতিগত সুবিধায় বেশি। গবেষকেরা যদি শব্দযুক্ত জ্যোতির্বৈজ্ঞানিক ডেটা থেকে আরও পরিষ্কার ডেরিভেটিভ তথ্য পুনর্গঠন করতে পারেন, তাহলে স্ট্যান্ডার্ড কসমোলজিক্যাল মডেলটি সম্পূর্ণ কি না বা সূক্ষ্ম অসঙ্গতি নতুন পদার্থবিজ্ঞানের ইঙ্গিত দেয় কি না, তা পরীক্ষা করার জন্য তাদের আরও শক্তিশালী নির্ণয়মূলক টুল থাকবে।

এটি কেন শুধু একটি অ্যালগরিদমের চেয়ে বেশি গুরুত্বপূর্ণ

কসমোলজি এখন ক্রমশ ডেটা-সমৃদ্ধ একটি বিজ্ঞান। টেলিস্কোপ ও সার্ভেগুলো বিপুল তথ্য তৈরি করে, কিন্তু সেই তথ্য থেকে পদার্থগত অর্থ বের করা কঠিন। শুধু ডেটা ফিট করা পদ্ধতি যথেষ্ট নয়; বিজ্ঞানীদের ত্বরণ হার, গঠনগত বৃদ্ধি, এবং মহাবিশ্বের বিকল্প ব্যাখ্যাগুলোর মধ্যে পার্থক্য করতে সাহায্য করে এমন অন্যান্য পরিবর্তনশীল পরিমাণের জন্যও শক্তিশালী অনুমান পদ্ধতি দরকার।

এই কারণেই AI পদ্ধতিগুলো জ্যোতির্বিজ্ঞানে ক্রমাগত দৃষ্টি আকর্ষণ করছে। তাদের মূল্য শুধু স্বয়ংক্রিয়করণ নয়। সঠিকভাবে নকশা করা হলে, এগুলো অনুমান-যন্ত্রে পরিণত হতে পারে, এমন প্যাটার্ন শনাক্ত করে যা প্রচলিত বিশ্লেষণ সমতল করে ফেলে বা কম দক্ষতার সঙ্গে সামলায়। এই ক্ষেত্রে, প্রস্তাবিত অগ্রগতি এই নয় যে AI তত্ত্বের জায়গা নেয়; বরং এটি তত্ত্বকে আরও কঠিন ও স্বাধীন এক পরীক্ষা দিতে পারে।

বর্তমান কসমোলজিতে “ফাটল” উন্মোচনের সম্ভাবনা বিশেষভাবে গুরুত্বপূর্ণ, কারণ এই ক্ষেত্রটি আগেই অমীমাংসিত প্রশ্নের সঙ্গে লড়ছে। জ্যোতির্বিজ্ঞানীরা একটি শক্তিশালী কার্যকর মডেল তৈরি করেছেন, কিন্তু এটি সব পর্যবেক্ষণ পুরোপুরি ব্যাখ্যা করতে পারে কি না, বিশেষ করে মহাবিশ্বের সম্প্রসারণের ইতিহাস নিয়ে, তা নিয়ে বিতর্ক চলছে। উন্নত পুনর্গঠন টুলগুলো এই অসঙ্গতিগুলো পরিমাপ-সীমার কারণে, পরিসংখ্যানগত ভ্রান্তি, নাকি মডেলের প্রকৃত ফাঁক থেকে আসছে, তা নির্ধারণে সাহায্য করতে পারে।

সতর্ক থাকা জরুরি

সতর্ক দৃষ্টিভঙ্গি বজায় রাখার কারণও আছে। উৎস উপাদান এটিকে প্রিপ্রিন্ট হিসেবে চিহ্নিত করেছে, এবং প্রিপ্রিন্ট প্রায়ই peer review-এর আগে বা চলাকালীন পরিবর্তিত হয়। লেখাটি কর্মক্ষমতার দাবির পেছনের পুরো প্রযুক্তিগত benchmark বিবরণ দেয় না, তাই সবচেয়ে রক্ষনীয় takeaway হলো গবেষকেরা এমন একটি পদ্ধতি প্রস্তাব করেছেন, যা তাঁদের মতে কসমোলজিক্যাল বিশ্লেষণে ডেরিভেটিভ পুনর্গঠনকে উল্লেখযোগ্যভাবে উন্নত করে।

তবু এটুকুই এই উন্নয়নকে নজরকাড়া করে তোলে। কসমোলজি শুধু বড় টেলিস্কোপ ও গভীর সার্ভের মাধ্যমে নয়, বরং সেই যন্ত্রগুলো যা দেখে, তা বোঝার জন্য উন্নত গাণিতিক উপকরণের মাধ্যমেও অগ্রসর হয়। GAME বা সম্পর্কিত পদ্ধতিগুলো যদি যাচাইয়ে টিকে যায়, তবে এগুলো মহাবিশ্বের ইতিহাস ও ভবিষ্যৎ আচরণ আরও নির্ভুলভাবে পরীক্ষা করতে ব্যবহৃত বিশ্লেষণাত্মক টুলকিটের অংশ হয়ে উঠতে পারে।

এখন গল্পটি এই নয় যে AI কসমোলজি সমাধান করে ফেলেছে; বরং গবেষকেরা ক্ষেত্রটির সবচেয়ে সূক্ষ্ম পরিমাপগুলোর একটি আরও নির্ভরযোগ্য করতে চাইছেন। এমন এক শাস্ত্রে যেখানে ছোট পরিবর্তন বড় সিদ্ধান্ত বদলে দিতে পারে, এটি একটি অর্থপূর্ণ উন্নয়ন।

এই নিবন্ধটি Live Science-এর প্রতিবেদনের ওপর ভিত্তি করে। মূল নিবন্ধটি পড়ুন.