🔭 astrophysics

DeepVoid: A Deep Learning Void Detector

यह शोधपत्र DeepVoid को प्रस्तुत करता है, जो एक U-Net-आधारित डीप लर्निंग मॉडल है जिसे भौतिक ज्वारीय टेंसर (tidal tensor) परिभाषाओं पर प्रशिक्षित किया गया है ताकि उच्च-रिज़ॉल्यूशन डार्क मैटर सिमुलेशन और विरल गैलेक्सी ट्रेसर वितरण दोनों में कॉस्मिक वॉइड्स का सटीक रूप से पता लगाया जा सके, जो क्यूरिकुलर लर्निंग (curricular learning) के अनुप्रयोग के माध्यम से बड़े इंटरट्रेसर पृथक्करणों पर भी उच्च प्रदर्शन मेट्रिक्स प्राप्त करता है।

मूल लेखक: Sam Kumagai, Michael S. Vogeley, Miguel A. Aragon-Calvo, Kelly A. Douglass, Segev BenZvi, Mark Neyrinck

प्रकाशित 2026-02-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sam Kumagai, Michael S. Vogeley, Miguel A. Aragon-Calvo, Kelly A. Douglass, Segev BenZvi, Mark Neyrinck

मूल पेपर CC BY 4.0 (http://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

यहाँ DeepVoid पेपर का सरल, रोज़मर्रा की भाषा में अनुवाद दिया गया है, जिसमें कुछ रचनात्मक उपमाओं (analogies) का उपयोग किया गया है।

बड़ी तस्वीर: ब्रह्मांड के "खाली" स्थानों को खोजना

कल्पना कीजिए कि ब्रह्मांड एक ठोस चीज़ नहीं, बल्कि एक विशाल, 3D स्पंज की तरह है। स्पंज का अधिकांश हिस्सा "चीज़" (गैलेक्सी, तारे और डार्क मैटर) से बना है जो धागों और परतों के एक जाल में व्यवस्थित है। लेकिन स्पंज के छेद? वे कॉस्मिक वॉइड्स (Cosmic Voids) हैं। ये विशाल, खाली क्षेत्र हैं जहाँ लगभग कुछ भी मौजूद नहीं है।

वैज्ञानिक इन वॉइड्स का अध्ययन करना पसंद करते हैं क्योंकि वे विशाल प्रयोगशालाओं की तरह काम करते हैं। चूंकि वे इतने खाली हैं, इसलिए वे यह परीक्षण करने के लिए बेहतरीन जगह हैं कि गुरुत्वाकर्षण कैसे काम करता है, ब्रह्मांड कैसे फैल रहा है, और "डार्क एनर्जी" क्या कर रही है।

समस्या: इन छेदों को खोजना कठिन है।
यदि आप ब्रह्मांड के मानचित्र को देखते हैं, तो गैलेक्सियाँ रात के आकाश में तारों की तरह हैं। पास के क्षेत्रों में, आकाश तारों से भरा होता है, इसलिए आप उनके बीच के काले पैच को आसानी से देख सकते हैं। लेकिन जैसे-जैसे हम ब्रह्मांड में गहराई तक देखते हैं (अतीत की ओर), तारे एक-दूसरे से दूर होते जाते हैं। मानचित्र "विरल" (sparse) या "पिक्सेलेटेड" हो जाता है। यह एक बादल के आकार को खोजने की कोशिश करने जैसा है जब आप केवल कुछ बिखरी हुई बारिश की बूंदों को ही देख पा रहे हों। पारंपरिक गणितीय उपकरण उस बादल की रूपरेखा बनाने में संघर्ष करते हैं जब डेटा इतना बिखरा हुआ हो।

समाधान: DeepVoid (AI स्पंज-निचोड़ने वाला)

इस पेपर के लेखकों ने DeepVoid नामक एक नया टूल बनाया है। इसे एक सुपर-स्मार्ट AI जासूस के रूप में सोचें जिसे डेटा के अस्त-व्यस्त होने पर भी "खालीपन के आकार" को पहचानने के लिए प्रशिक्षित किया गया है।

उन्होंने इसे चरण-दर-चरण इस प्रकार बनाया है:

1. प्रशिक्षण का मैदान: एक "परफेक्ट" ब्रह्मांड

AI को सिखाने के लिए, आपको एक ऐसे शिक्षक की आवश्यकता है जो उत्तर जानता हो। लेखकों ने IllustrisTNG नामक एक सुपर-कंप्यूटर सिमुलेशन का उपयोग किया।

उपमा: एक वीडियो गेम की दुनिया की कल्पना करें जहाँ भौतिकी (physics) एकदम सटीक है। इस खेल में, आप "डार्क मैटर" (गैलेक्सियों को जोड़ने वाला अदृश्य गोंद) के हर एक कण को देख सकते हैं।
सच्चाई: इस परफेक्ट दुनिया में, उन्होंने एक भौतिक सूत्र (जिसे टाइडल टेंसर/Tidal Tensor कहा जाता है) का उपयोग करके एक "सत्य मानचित्र" (truth map) बनाया। इस मानचित्र ने ब्रह्मांड के हर स्थान को रंग दिया: वॉइड (Void) के लिए नीला, वॉल (Wall) के लिए हरा, फिलामेंट (Filament/धागा) के लिए लाल, और हेलो (Halo/गैलेक्सी क्लस्टर) के लिए पीला।
पाठ: उन्होंने AI को इस परफेक्ट ब्रह्मांड के हज़ारों स्लाइस दिखाए, और कहा, "यह नीला पैच देखो। यह एक वॉइड है। यह लाल धागा देखो? यह एक फिलामेंट है।"

2. मस्तिष्क: U-Net

उन्होंने जिस AI का उपयोग किया है उसे U-Net कहा जाता है।

उपमा: एक जासूस की कल्पना करें जो आवर्धक लेंस (magnifying glasses) की एक श्रृंखला के माध्यम से अपराध स्थल को देखता है।
- पहले, वे बड़ी तस्वीर पाने के लिए पूरे कमरे को देखते हैं (क्या कोई पैटर्न है?)।
- फिर, वे विवरण देखने के लिए ज़ूम इन करते हैं (क्या वह एक उंगली का निशान है?)।
- फिर, वे अंतिम निष्कर्ष निकालने के लिए विवरणों को बड़ी तस्वीर के साथ मिलाने के लिए वापस ज़ूम आउट करते हैं।
U-Net 3D डेटा के साथ ऐसा ही करता है। यह एक वॉइड के "स्थानिक हस्ताक्षर" (spatial signature) को पहचानना सीखता है—सिर्फ यह नहीं कि वह खाली है, बल्कि यह भी कि उसके आस-पास का पदार्थ कैसे व्यवस्थित है।

3. चुनौती: एक "विरल" (Sparse) ब्रह्मांड

AI उस "परफेक्ट" सिमुलेशन में वॉइड खोजने में बहुत अच्छा था जहाँ हर कण दिखाई दे रहा था। लेकिन वास्तविक गैलेक्सी सर्वेक्षण (जैसे जिन्हें हम वास्तव actually टेलीस्कोप से करते हैं) विरल होते हैं। हम यहाँ-वहाँ केवल कुछ ही गैलेक्सियाँ देख पाते हैं।

समस्या: यदि आप इस विरल, "पिक्सेलेटेड" डेटा को उस AI को देते हैं जिसे परफेक्ट डेटा पर प्रशिक्षित किया गया है, तो वह भ्रमित हो जाता है। यह एक चेहरे को पहचानने की कोशिश करने जैसा है जब आपके पास केवल कुछ बिखरे हुए पिक्सेल हों।

4. गुप्त नुस्खा: "करिकुलम लर्निंग" (Curriculum Learning)

यह इस पेपर का सबसे चतुर हिस्सा है। लेखकों ने AI को सीधे गहरे पानी में नहीं फेंका। उन्होंने करिकुलम लर्निंग का उपयोग किया।

उपमा: तैरना सीखने के बारे में सोचें।
- चरण 1 (आसान): आप उथले हिस्से से शुरू करते हैं (घना डेटा)। AI वॉइड कैसा दिखता है, इसके बुनियादी नियम सीखता है।
- चरण 2 (मध्यम): आप गहरे हिस्से में जाते हैं, लेकिन आपने फ्लोटीज़ (floaties) पहनी हुई है (थोड़ा विरल डेटा)। AI उस ज्ञान के साथ अभ्यास करता है जो उसके पास पहले से है।
  la चरण 3 (कठिन): आप फ्लोटीज़ उतार देते हैं और खुले समुद्र में तैरते हैं (बहुत विरल डेटा)। क्योंकि AI ने उथले हिस्से से बुनियादी बातें सीख ली हैं, इसलिए वह बिना घबराए कठिन परिस्थितियों के अनुकूल हो सकता है।
परिणाम: इस तरह से AI को प्रशिक्षित करके, इसने वॉइड्स की पहचान करना सीखा, तब भी जब डेटा अत्यंत विरल था (जैसे कि एक गैलेक्सी मानचित्र देखना जहाँ गैलेक्सियाँ सामान्य से 10 गुना अधिक दूर हैं)।

परिणाम: यह कितना अच्छा है?

परफेक्ट दुनिया में: AI लगभग पूर्ण था। इसने 96% वॉइड्स को सही ढंग से खोजा और शायद ही कभी गलती की।
विरल दुनिया में: भले ही डेटा बहुत "शोर भरा" (noisy) और विरल था, फिर भी AI ने 89% वॉइड्स को सही ढंग से खोजा। यह एक बड़ी सफलता है!
गति: यह अविश्वसनीय रूप से तेज़ भी है। एक पारंपरिक गणितीय विधि को ब्रह्मांड के एक हिस्से का विश्लेषण करने में लगभग 88 मिनट लगते हैं। DeepVoid इसे 15 मिनट में कर देता है।

यह क्यों मायने रखता है?

हम नए, शक्तिशाली टेलीस्कोप (जैसे रोमन स्पेस टेलीस्कोप और यूक्लिड) लॉन्च करने वाले हैं जो ब्रह्मांड को पहले से कहीं अधिक गहराई से मैप करेंगे। ये मानचित्र बहुत विरल होंगे।

DeepVoid वह टूल है जो हमें ब्रह्मांड के इन गहरे, अंधेरे कोनों में कॉस्मिक वेब को आखिरकार "देखने" में मदद करेगा। यह हमें निम्नलिखित में मदद करेगा:

ब्रह्मांड का मानचित्र बनाना: हम खाली स्थानों के 3D मानचित्र बनाने में सक्षम होंगे।
भौतिकी का परीक्षण करना: उन खाली स्थानों का उपयोग यह परीक्षण करने के लिए किया जाएगा कि क्या आइंस्टीन का गुरुत्वाकर्षण सिद्धांत सही है या क्या "डार्क एनर्जी" ब्रह्मांड के विस्तार के तरीके को बदल रही है।
गैलेक्सियों को समझना: यह देखना कि गैलेक्सियाँ तब कैसे व्यवहार करती हैं जब वे एक विशाल वॉइड के पास होती हैं बनाम जब वे एक भीड़भाड़ वाले क्लस्टर में होती हैं।

सारांश

लेखकों ने एक 3D AI जासूस बनाया है जिसने ब्रह्मांड के "छेद" खोजने के लिए प्रशिक्षण लिया है। उन्होंने इसे एक परफेक्ट कंप्यूटर सिमुलेशन का उपयोग करके सिखाया और फिर इसे वास्तविक दुनिया के अव्यवस्थित डेटा को संभालने में मदद करने के लिए एक स्मार्ट प्रशिक्षण पद्धति (करिकुलम लर्निंग) का उपयोग किया। अब, हमारे पास ब्रह्मांड के खाली स्थानों की खोज करने और डार्क एनर्जी के रहस्यों को खोलने के लिए एक शक्तिशाली नया टूल है।

यहाँ शोध पत्र "DeepVoid: A Deep Learning Void Detector" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

कॉस्मिक वॉइड्स (cosmic voids - दस मेगापारसेक तक फैले कम घनत्व वाले क्षेत्र) ब्रह्मांड विज्ञान के लिए महत्वपूर्ण प्रयोगशालाएँ हैं, जो डार्क एनर्जी, मॉडिफाइड ग्रेविटी और न्यूट्रिनो गुणों के बारे में अंतर्दृष्टि प्रदान करते हैं। हालाँकि, अवलोकन संबंधी डेटा (observational data) में वॉइड्स की पहचान करना महत्वपूर्ण चुनौतियाँ पेश करता है:

परिभाषा की अस्पष्टता (Definition Ambiguity): वॉइड की कोई सार्वभौमिक रूप से स्वीकृत परिभाषा नहीं है। पारंपरिक तरीके घनत्व थ्रेशोल्ड (density thresholds) या वॉटरशेड एल्गोरिदम पर निर्भर करते हैं, जो चुने गए मापदंडों के आधार पर काफी भिन्न कैटलॉग दे सकते हैं।
विरल नमूनाकरण (Sparse Sampling): आगामी गैलेक्सी सर्वे (जैसे DESI, LSST, Euclid) उच्च रेडशिफ्ट पर ब्रह्मांड का अध्ययन करते हैं जहाँ गैलेक्सी ट्रेसर विरल (sparse) होते हैं। पारंपरिक वॉइड फाइंडर कम संख्या घनत्व और "ट्रेसर बायस" (जहाँ गैलेक्सियाँ अंतर्निहित डार्क मैटर वितरण का पूर्णतः अनुसरण नहीं करतीं) के कारण संघर्ष करते हैं।
गणना लागत (Computational Cost): सर्वेक्षण सीमाओं, रेडशिफ्ट-स्पेस डिस्टॉर्शन और गुरुत्वाकर्षण क्षमता (gravitational potential) को सीधे देखने में असमर्थता के कारण, अवलोकन संबंधी डेटा से टाइडल टेंसर (एक भौतिक परिभाषा) की गणना करना कठिन है।

लेखक DeepVoid का प्रस्ताव करते हैं, जो एक डीप लर्निंग फ्रेमवर्क है जिसे कॉस्मिक वॉइड्स का पता लगाने और कॉस्मिक वेब (वॉइड्स, वॉल्स, फिलामेंट्स और हैलोस) को सेगमेंट करने के लिए डिज़ाइन किया गया है, जो विरल ट्रेसर वितरण में भी गुरुत्वाकर्षण के भौतिक हस्ताक्षरों को सीखता है।

2. कार्यप्रणाली (Methodology)

A. "ग्राउंड ट्रुथ" की भौतिक परिभाषा (Physical Definition of the "Truth")

मनमानी घनत्व थ्रेशोल्ड पर निर्भर रहने के बजाय, लेखक वॉइड्स को टाइडल टेंसर (tidal tensor) के आधार पर परिभाषित करते हैं, जो गुरुत्वाकर्षण क्षमता ( $\Phi$ ) से प्राप्त होता है।

टाइडल टेंसर ( $T_{ij}$ ): इसे गुरुत्वाकर्षण क्षमता के हेसियन (Hessian) के रूप में गणना की जाती है ( $T_{ij} = \partial^2 \Phi / \partial x_i \partial x_j$ )।
वर्गीकरण तर्क (Classification Logic): टाइडल टेंसर के आइजनवैल्यूज़ ( $\lambda_i$ $λ_{i}$ ) के आधार पर:
- वॉइड (Void): 0 पॉजिटिव आइजनवैल्यू (सभी दिशाओं में विस्तार)।
- वॉल (Wall): 1 पॉजिटिव आइजनवैल्यू।
- फिलामेंट (Filament): 2 पॉजिटिव आइजनवैल्यू।
- हैलो (Halo): 3 पॉजिटिव आइजनवैल्यू।
थ्रेशोल्डिंग: यह सुनिश्चित करने के लिए कि परिणामी वॉल्यूम अंश (लगभग 65% वॉइड, 26% वॉल, 9% फिलामेंट, 0.5% हैलो) शून्य-थ्रेशोल्ड दृष्टिकोण की तुलना में अवलोकन संबंधी अपेक्षाओं के साथ बेहतर मेल खाते हैं, एक गैर-शून्य आइजनवैल्यू थ्रेशोल्ड ( $\lambda_{th} = 0.65$ ) लागू किया जाता है।
डेटा जनरेशन: ग्राउंड ट्रुथ मास्क IllustrisTNG300 सिमुलेशन (विशेष रूप से TNG300-3-Dark रन, $205 h^{-1}$ Mpc बॉक्स) से पूर्ण डार्क मैटर (DM) पार्टिकल डेंसिटी फील्ड का उपयोग करके बनाए गए हैं।

B. डीप लर्निंग आर्किटेक्चर (Deep Learning Architecture)

यह मॉडल एक 3D U-Net आर्किटेक्चर का उपयोग करता है, जो एक सेमेंटिक सेगमेंटेशन के लिए डिज़ाइन किया गया कनवल्शनल न्यूरल नेटवर्क (CNN) है।

इनपुट: 3D डेंसिटी कॉन्ट्रास्ट फील्ड्स ( $\delta$ )।
आउटपुट: प्रत्येक वोक्सेल (voxel) के लिए एक 4-क्लास प्रोबेबिलिटी मैप (Void, Wall, Filament, Halo)।
प्रमुख घटक:
- एनकोडर-डिकोडर (Encoder-Decoder): फीचर्स को संकुचित करता है और स्थानिक विवरणों को पुनर्गठित करता है।
- स्किप कनेक्शन (Skip Connections): स्थानीय संरचनात्मक जानकारी को संरक्षित करने के लिए एनकोडर से उच्च-रिज़ॉल्यूशन वाले फीचर्स को डिकोडर के साथ जोड़ता है।
- एक्टिवेशन (Activation): हिडन लेयर्स के लिए ReLU; अंतिम मल्टीक्लास आउटपुट के लिए Softmax।
- लॉस फंक्शन: स्पार्स कैटेगोरिकल क्रॉस-एन्ट्रॉपी (SCCE)।
- रेगुलराइजेशन: बैच नॉर्मलाइजेशन (एक्सप्लोडिंग ग्रेडिएंट्स से बचने के लिए चुनि적으로 लागू) और डेटा ऑग्मेंटेशन (90° रोटेशन)।

C. करिकुलम लर्निंग (CL) रणनीति

विरल गैलेक्सी ट्रेसर्स की चुनौती से निपटने के लिए, लेखक करिकुलम लर्निंग का उपयोग करते हैं:

बेस ट्रेनिंग: मॉडल को घने DM पार्टिकल फील्ड ( $\lambda \approx 0.33 h^{-1}$ Mpc) पर प्रशिक्षित किया जाता है।
प्रगतिशील कठिनाई (Progressive Difficulty): बेस मॉडल के वेट्स (weights) का उपयोग प्रोग्रेसिवली विरल सबहेलो सैंपल्स पर प्रशिक्षण के लिए इनिशियलाइजेशन के रूप में किया जाता है।
फ्रीजिंग मैकेनिज्म (Freezing Mechanism): CL के दौरान, भौतिक पैटर्न को सुरक्षित रखने के लिए एनकोडिंग लेयर्स (फीचर एक्सट्रैक्शन) के वेट्स को फ्रीज कर दिया जाता है, जबकि डिकोडिंग लेयर्स को विरल डेटा की व्याख्या करने के लिए फाइन-ट्यून किया जाता है।
टारगेट स्पैरसिटी: मॉडल का परीक्षण $\lambda = 10 h^{-1}$ Mpc तक के इंटरट्रेसर सेपरेशन पर किया जाता है, जो गहरे गैलेक्सी सर्वे का अनुकरण करता है।

3. प्रमुख योगदान (Key Contributions)

फिजिक्स-इन्फॉर्म्ड डीप लर्निंग: यह एक ऐसी विधि प्रदर्शित करता है जहाँ "सत्य" को ह्यूरिस्टिक डेंसिटी कट्स के बजाय भौतिक नियमों (टाइडल टेंसर) द्वारा परिभाषित किया जाता है, जिससे नेटवर्क गुरुत्वाकर्षण-संचालित संरचनाओं की आकृति विज्ञान (morphology) को सीख पाता है।
विरलता के प्रति मजबूती (Robustness to Sparsity): करिकुलम लर्निंग का उपयोग करके यह घने सिमुलेशन डेटा और विरल अवलोकन संबंधी डेटा के बीच के अंतर को सफलतापूर्वक पाटता है, जिससे प्रशिक्षण घनत्व से $\sim 30,000$ गुना कम ट्रेसर घनत्व में भी वॉइड डिटेक्शन संभव होता है।
मल्टीक्लास सेगमेंटेशन: कई वॉइड फाइंडर के विपरीत, जो केवल वॉइड कैटलॉग आउटपुट करते हैं, DeepVoid पूरे कॉस्मिक वेब (वॉइड्स, वॉल्स, फिलामेंट्स, हैलोस) का एक साथ सेमेंटिक सेगमेंटेशन करता है।
दक्षता (Efficiency): इसका इन्फरेंस (inference) पारंपरिक FFT-आधारित टाइडल टेंसर गणना की तुलना में काफी तेज है (V100 GPU पर $512^3$ क्यूब के लिए 15 मिनट बनाम 88 मिनट)।

4. परिणाम (Results)

घने डेटा पर प्रदर्शन (Base Model)

पूर्ण DM डेंसिटी फील्ड ( $\lambda = 0.33 h^{-1}$ Mpc) पर प्रशिक्षित:

वॉइड F1 स्कोर: 0.96 (वॉइड वोक्सेल्स के लगभग पूर्ण पता लगाने का संकेत)।
मैथ्यूज कोरिलेशन कोएफिशिएंट (MCC): 0.81 (सभी वर्गों के लिए मजबूत सहसंबंध का संकेत)।
विजुअल एग्रीमेंट: प्रेडिक्टेड सेगमेंटेशन और टाइडल टेंसर ट्रुथ टेबल के बीच उत्कृष्ट दृश्य मिलान।

विरल डेटा पर प्रदर्शन (Curriculum Learning)

सबहेलो के साथ प्रशिक्षित $\lambda = 10 h^{-1}$ Mpc (गहरे सर्वे का अनुकरण):

वॉइड F1 स्कोर: 0.89 (बेस मॉडल से मामूली गिरावट, लेकिन अत्यधिक विरलता को देखते हुए अत्यधिक मजबूत)।
MCC: 0.60।
तुलना: बिना CL के सीधे विरल डेटा पर प्रशिक्षण करने से खराब परिणाम मिले (MCC $\approx$ 0.07, जो लगभग रैंडम गेसिंग के बराबर है)। सफलता के लिए CL अनिवार्य था।
गिरावट (Degradation): जबकि वॉइड डिटेक्शन मजबूत बना रहता है, "वॉल्स" का वर्गीकरण अधिक महत्वपूर्ण रूप से घट जाता है (वॉइड्स या फिलामेंट्स के रूप में गलत वर्गीकृत), क्योंकि विरल नमूनाकरण में छोटे पैमाने की संरचनात्मक जानकारी खो जाती है।

मात्रात्मक मेट्रिक्स (Quantitative Metrics)

प्रिसिजन-रिकॉल (Precision-Recall): मॉडल $\lambda = 10 h^{-1}$ Mpc पर भी वॉइड्स के लिए उच्च औसत प्रिसिजन (0.91) बनाए रखता है।
भौतिक वैधता (Physical Validity): प्रेडिक्टेड वॉइड्स, वॉल्स और फिलामेंट्स के भीतर डेंसिटी प्रोफाइल अपेक्षित भौतिक वितरणों से मेल खाते हैं, जो पुष्टि करता है कि मॉडल शोर के बजाय भौतिक संरचनाओं को सीख रहा है।

5. महत्व और भविष्य का दृष्टिकोण (Significance and Future Outlook)

कॉस्मोलॉजिकल उपयोगिता: DeepVoid उच्च-रेडशिफ्ट, विरल गैलेक्सी सर्वे से वॉइड कैटलॉग बनाने में सक्षम बनाता है जहाँ पारंपरिक तरीके विफल हो जाते हैं। यह अल्कोक-पैकज़िंस्की प्रभाव (Alcock-Paczyński effect) और ISW प्रभाव का उपयोग करके डार्क एनर्जी और मॉडिफाइड ग्रेविटी सिद्धांतों के परीक्षण के लिए महत्वपूर्ण है।
स्केलेबिलिटी: यह दृष्टिकोण DESI, LSST और Euclid जैसे आगामी सर्वेक्षणों पर लागू करने के लिए डिज़ाइन किया गया है।
भविष्य का कार्य: लेखक योजना बना रहे हैं:
- मॉक गैलेक्सी कैटलॉग पर प्रशिक्षण देना जिसमें बायस (bias), रेडशिफ्ट-स्पेस डिस्टॉर्शन (RSD) और सर्वे मास्क शामिल हों।
- पर्यावरणीय निर्भरता को और अधिक परिष्कृत करने के लिए गैलेक्सी गुणों (ल्यूमिनोसिटी, कलर) को शामिल करना।
- सबसे विरल डेटासेट पर प्रदर्शन में सुधार के लिए उन्नत आर्किटेक्चर (Transformers, ResNets) और बड़े सिमुलेशन वॉल्यूम का पता लगाना।

संक्षेप में, DeepVoid वॉइड खोजने में एक प्रतिमान बदलाव (paradigm shift) का प्रतिनिधित्व करता है, जो ह्यूरिस्टिक डेंसिटी थ्रेशोल्ड से भौतिकी-आधारित डीप लर्निंग दृष्टिकोण की ओर बढ़ता है, जो आधुनिक कॉस्मोलॉजिकल सर्वेक्षणों में निहित विरलता के विरुद्ध भी मजबूत है।