एआय कॉस्मॉलॉजी साधन विश्व कसे बदलते याचा अधिक स्पष्ट दृष्टिकोन देण्याचे आश्वासन देते

कोस्मिक बदल अधिक थेट मोजण्याचा नवा प्रयत्न

नव्याने वर्णन केलेल्या AI अल्गोरिदमच्या संचाला काळानुसार विश्व कसे बदलते हे शोधण्यासाठी अधिक चांगली पद्धत म्हणून मांडले जात आहे. या कामाच्या कव्हरेजमध्ये GAME म्हणून उल्लेखलेल्या या दृष्टिकोनाची रचना खगोलीय निरीक्षणांमधून ब्रह्मांडीय प्रणालींचे वर्तन अधिक अचूकपणे पुनर्प्राप्त करण्यासाठी करण्यात आली आहे, विशेषतः जेव्हा केवळ व्यापक कल बसवण्याऐवजी त्या प्रणाली किती वेगाने बदलत आहेत याचा अंदाज घ्यायचा असतो.

हा फरक महत्त्वाचा आहे. आधुनिक ब्रह्मांडशास्त्र मोठ्या प्रमाणावर मानक ब्रह्मांडीय मॉडेलवर अवलंबून आहे, ज्याने आकाशगंगा निर्मिती आणि अवकाशाच्या वेगवान विस्तारासह विश्वाच्या मोठ्या-स्केल वैशिष्ट्यांचे स्पष्टीकरण देण्यात उल्लेखनीय यश मिळवले आहे. पण मजबूत मॉडेललाही स्वतंत्र चाचण्यांची गरज असते. संशोधकांना अशी पद्धत हवी आहे जी पूर्वनिश्चित सैद्धांतिक साच्यात उत्तरे बसवण्याशिवाय डेटामधून कोस्मिक फलने पुनर्रचित करू शकेल.

विद्यमान पद्धती का अडखळतात

स्रोत सामग्रीत अधोरेखित केलेला अभ्यास जेनेटिक अल्गोरिदमवर लक्ष केंद्रित करतो, ज्या नैसर्गिक निवडीपासून प्रेरित संगणकीय तंत्र आहेत. हे उपयुक्त असतात कारण ते अनेक संभाव्य उपाय शोधतात आणि पूर्वग्रह न ठेवता निरीक्षित डेटाशी जुळणारी फलने ओळखू शकतात. सिद्धांततः, त्यामुळे ते ब्रह्मांडशास्त्रासाठी आकर्षक ठरतात, कारण वैज्ञानिकांना डेटा शक्य तितका स्पष्ट बोलावा असे वाटते.

समस्या अशी की, संशोधकांना डेरिव्हेटिव्हज, म्हणजे एखादी गोष्ट किती वेगाने बदलते याची मोजमापे, हवी असतील तर मानक जेनेटिक अल्गोरिदम अविश्वसनीय ठरू शकतात. एक सर्वोत्तम-जुळणारे फलन उपलब्ध निरीक्षणांशी चांगले बसू शकते, तरीही थेट निरीक्षण न झालेल्या प्रमाणांसाठी अस्थिर किंवा दिशाभूल करणारे अंदाज देऊ शकते. ब्रह्मांडशास्त्रात, त्या व्युत्पन्न प्रमाणांमध्येच अनेकदा रंजक भौतिकी असते.

स्रोत मजकूर याचे वर्णन दीर्घकाळच्या अंधबिंदू म्हणून करतो. पारंपरिक पद्धती व्यापक चित्र पकडू शकतात, पण मान्य केलेले मॉडेल पूर्णपणे योग्य आहे का हे तपासण्यासाठी आवश्यक सूक्ष्म मापनांवर डगमगू शकतात. जर डेरिव्हेटिव्ह माहिती नाजूक असेल, तर संशोधक त्यांच्या सध्याच्या चौकटीत पूर्णपणे न समजावता येणाऱ्या विश्वाच्या वर्तनाची चिन्हे चुकवू शकतात.

नव्या पद्धतीचा उद्देश काय सुधारण्याचा आहे

दिलेल्या उमेदवारानुसार, नव्याने प्रस्तावित रणनीती हा दृष्टीकोन अधिक तीक्ष्ण करण्याचा प्रयत्न करते. हे काम फेब्रुवारीमध्ये arXiv प्रिप्रिंट सर्व्हरवर आले, म्हणजे ते सार्वजनिकरीत्या प्रसिद्ध झाले आहे, पण तरीही प्राथमिक संशोधन म्हणूनच पाहिले पाहिजे, स्थिर झालेल्या सहमतीसारखे नाही. तरीही, कल्पना महत्त्वाची आहे: AI-मार्गदर्शित पुनर्रचनेत nonobservable change rates अधिक चांगल्या प्रकारे हाताळता आले, तर शास्त्रज्ञांना विश्वाच्या इतिहासाची चाचणी घेण्यासाठी अधिक विश्वासार्ह साधन मिळू शकते.

नोंदवलेला मुख्य दावा असा आहे की नवीन अल्गोरिदम काळानुसार विश्व कसे बदलते हे दाखवण्यात लक्षणीयरीत्या चांगले आहेत. त्याचे खोल महत्त्व एखाद्या विशिष्ट टक्केवारीपेक्षा पद्धतशास्त्रीय लाभात आहे. जर संशोधक गोंगाटयुक्त खगोलीय डेटामधून स्पष्ट डेरिव्हेटिव्ह माहिती पुनर्प्राप्त करू शकले, तर मानक ब्रह्मांडीय मॉडेल पूर्ण आहे की सूक्ष्म ताण नवीन भौतिकीकडे इशारा करतात, हे तपासण्यासाठी त्यांना अधिक मजबूत निदान साधन मिळेल.

हे एकाच अल्गोरिदमपेक्षा का महत्त्वाचे आहे

ब्रह्मांडशास्त्र आता अधिकाधिक डेटा-समृद्ध शास्त्र बनत आहे. टेलिस्कोप आणि सर्व्हे प्रचंड माहिती तयार करतात, पण त्या माहितीमधून भौतिक अर्थ काढणे कठीण आहे. फक्त डेटा जुळवणाऱ्या पद्धती पुरेशा नाहीत; वैज्ञानिकांना वेगवाढ दर, रचना वाढ, आणि विश्वाबद्दलच्या स्पर्धात्मक स्पष्टीकरणांमध्ये फरक ओळखण्यास मदत करणाऱ्या इतर बदलणाऱ्या प्रमाणांसाठीही मजबूत अनुमान पद्धती लागतात.

याच कारणामुळे AI पद्धती खगोलशास्त्रात सतत लक्ष वेधून घेत आहेत. त्यांचे मूल्य केवळ स्वयंचलनात नाही. योग्यरित्या डिझाइन केल्यास, त्या अनुमान साधने बनू शकतात, पारंपरिक विश्लेषणाने गुळगुळीत केलेले किंवा कमी प्रभावीपणे हाताळलेले नमुने ओळखू शकतात. या प्रकरणात, प्रस्तावित प्रगती AI सिद्धांताची जागा घेतो असे नाही; उलट, तो सिद्धांताला अधिक कठोर आणि स्वतंत्र चाचणी देऊ शकतो.

सध्याच्या ब्रह्मांडशास्त्रातील “भेगा” उघड करण्याची शक्यता विशेषतः महत्त्वाची आहे, कारण हे क्षेत्र आधीच अनुत्तरित प्रश्नांशी झुंजत आहे. खगोलशास्त्रज्ञांनी एक शक्तिशाली कार्यक्षम मॉडेल विकसित केले आहे, पण ते सर्व निरीक्षणे पूर्णपणे समाविष्ट करते का, विशेषतः विश्वाच्या विस्ताराच्या इतिहासाच्या संदर्भात, याबद्दल वाद सुरू आहे. अधिक चांगली पुनर्रचना साधने हे ताण मापन मर्यादांमुळे, सांख्यिकीय कलाकृतींमुळे, की मॉडेलमधील वास्तविक उणिवांमुळे येतात, हे ठरविण्यास मदत करू शकतात.

सावधगिरी अजूनही आवश्यक

मोजून-मापून विचार करण्याचीही कारणे आहेत. स्रोत सामग्री या कामाला प्रिप्रिंट म्हणून ओळखते, आणि प्रिप्रिंट्स अनेकदा peer review आधी किंवा दरम्यान बदलतात. लेखात कामगिरीच्या दाव्यामागील पूर्ण तांत्रिक benchmark तपशील दिलेले नाहीत, त्यामुळे सर्वात बचावात्मक निष्कर्ष असा की संशोधकांनी अशी पद्धत मांडली आहे जी त्यांच्या मते ब्रह्मांडीय विश्लेषणातील डेरिव्हेटिव्ह पुनर्रचना लक्षणीयरीत्या सुधारते.

तरीही, इतकेही या विकासाला पाहण्यासारखे बनवते. ब्रह्मांडशास्त्र केवळ मोठ्या दुर्बिणी आणि खोल सर्व्हेनेच नव्हे, तर त्या साधनांनी काय पाहिले त्याचे स्पष्टीकरण देण्यासाठी चांगल्या गणिती साधनांनीही पुढे जाते. GAME किंवा तत्सम पद्धती तपासणीमध्ये टिकल्या, तर त्या विश्वाच्या इतिहास आणि भविष्यातील वर्तनाची अधिक अचूक चाचणी घेण्यासाठी वापरल्या जाणाऱ्या विश्लेषणात्मक टूलकिटचा भाग बनू शकतात.

सध्या कथा ही नाही की AI ने ब्रह्मांडशास्त्र सोडवले आहे; तर संशोधक या क्षेत्रातील सर्वात नाजूक मापनांपैकी एक अधिक विश्वासार्ह करण्याचा प्रयत्न करत आहेत. ज्या शास्त्रात सूक्ष्म बदल मोठे निष्कर्ष बदलू शकतात, तिथे ही अर्थपूर्ण घडामोड आहे.

हा लेख Live Science च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.