🔭 astrophysics

Beyond Spherical geometry: Unraveling complex features of objects orbiting around stars from its transit light curve using deep learning

यह अध्ययन प्रदर्शित करता है कि डीप न्यूरल नेटवर्क उनके लाइट कर्व्स से ट्रांजिटिंग ऑब्जेक्ट्स की निम्न-क्रम की ज्यामितीय विशेषताओं, जैसे कि समग्र आकार और अभिविन्यास, को सफलतापूर्वक पुनर्गठित कर सकते हैं, जबकि उच्च-क्रम के विवरणों जैसे कि उत्केंद्रता (eccentricity) और गैर-उत्तल (non-convex) विशेषताओं का अनुमान लगाने में अंतर्निहित सीमाओं को भी प्रकट करते हैं।

मूल लेखक: Ushasi Bhowmick, Shivam Kumaran

प्रकाशित 2026-04-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ushasi Bhowmick, Shivam Kumaran

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

कल्पना कीजिए कि आप एक जासूस हैं जो यह पता लगाने की कोशिश कर रहे हैं कि एक रहस्यमय वस्तु कैसी दिखती है, लेकिन आप केवल दीवार पर उसकी परछाई देख सकते हैं। वास्तव में यह शोध पत्र इसी के बारे में है।

अंतरिक्ष की विशालता में, जब कोई ग्रह, धूमकेतु, या यहाँ तक कि एक अजीब आकार का क्षुद्रग्रह (asteroid) किसी तारे के सामने से गुजरता है, तो वह तारे के प्रकाश को कुछ हद तक रोक देता है। इससे चमक में एक गिरावट आती है जिसे ट्रांजिट लाइट कर्व (transit light curve) कहा जाता है। दशकों से, खगोलशास्त्री ग्रहों को खोजने के लिए इन गिरावटों का उपयोग करते आए हैं। लेकिन आमतौर पर, वे मान लेते हैं कि ग्रह एक पूर्ण गोला (perfect sphere) है।

यह शोध पत्र एक अधिक साहसी प्रश्न पूछता है: क्या हम केवल उसके साये की टेढ़ी-मेढ़ी रेखा को देखकर उस वस्तु के वास्तविक अजीब आकार का पता लगा सकते हैं?

यहाँ उनके साहसिक कार्य का विवरण दिया गया है, जिसे रोजमर्रा के उदाहरणों के माध्यम से समझाया गया है।

1. समस्या: "परछाई की पहेली" (The Shadow Puzzle)

लेखक एक पेचीदा समस्या की ओर इशारा करते हैं: कई अलग-अलग आकार बिल्कुल एक जैसी परछाई बना सकते हैं।

उदाहरण: कल्पना कीजिए कि आपने कागज का एक सपाट टुकड़ा लिया है जिसे सितारे के आकार में काटा गया है। यदि आप उस पर रोशनी डालते हैं, तो आपको सितारे की छाया मिलती है। लेकिन यदि आप कागज को पलट दें, या यदि आपके पास कोई दूसरा आकार हो जो ठीक उसी तरह से प्रकाश को रोकता है, तो छाया बिल्कुल एक जैसी दिखेगी।
विज्ञान में, इसे एक "इल-पोज़्ड प्रॉब्लम" (ill-posed problem) कहा जाता है। यह एक केक के एक छोटे से टुकड़े को चखकर उसकी सटीक रेसिपी बताने की कोशिश करने जैसा है। इसमें बहुत सारी संभावनाएं हैं।

2. समाधान: "डिजिटल शैडो लैब" (The Digital Shadow Lab)

चूंकि हम इसे केवल गणित से आसानी से हल नहीं कर सकते, इसलिए लेखकों ने एक विशाल डिजिटल लाइब्रेरी बनाई।

उन्होंने Yuti नामक एक कंप्यूटर प्रोग्राम का उपयोग करके लाखों यादृच्छिक (random), अजीब 2D आकारों (जैसे धब्बे, त्रिकोण और टेढ़े-मेढ़े आकार) का अनुकरण (simulate) किया।
फिर उन्होंने कंप्यूटर में प्रत्येक आकार पर "रोशनी डाली" ताकि उसका ट्रांजिट लाइट कर्व (उसकी छाया) बनाया जा सके।
अब उनके पास एक विशाल डेटासेट था: आकार A $\rightarrow$ छाया A, आकार B $\rightarrow$ छाया B, और इसी तरह।

3. गुप्त हथियार: "शेप ट्रांसलेटर" (The Shape Translator - Deep Learning)

छाया से सीधे आकार को वापस बनाने की कोशिश करने के बजाय (जो बहुत जटिल है), उन्होंने एक डीप लर्निंग AI को एक अनुवादक (translator) के रूप में प्रशिक्षित किया।

उन्होंने हर आकार को नेस्टेड एलिप्स (nested ellipses) (एक के भीतर एक अंडाकार आकृतियों) के एक सेट में विभाजित किया। इसे रूसी गुड़िया (Russian nesting dolls) की तरह समझें, लेकिन गुड़ियों के बजाय, ये गणितीय अंडाकार हैं।
पहला अंडाकार मुख्य बड़ा आकार है। अगले अंडाकार छोटे उभार, लहरें और विवरण जोड़ते हैं।
AI का काम छाया (लाइट कर्व) को देखना और इन नेस्टेड अंडाकारों के माप का अनुमान लगाना था।

4. परिणाम: AI ने क्या सीखा?

परिणाम "वाह!" और "इतना भी नहीं" का मिश्रण थे।

बड़ी तस्वीर (मुख्य अंडाकार): AI मुख्य आकार के आकार (size), झुकाव (tilt) और चपटापन (eccentricity) का अनुमान लगाने में शानदार था।
- रूपक: यदि वस्तु एक चपटी, झुकी हुई पैनकेक थी, तो AI आपको बता सकता था कि वह कितनी चपटी और कितनी झुकी हुई थी।
छोटे विवरण (नन्हे उभार): जैसे ही AI छोटे, उच्च-क्रम के अंडाकारों (छोटे उभार और गड्ढों) का अनुमान लगाने की कोशिश करता, वह संघर्ष करने लगता।
- रूपक: वह बता सकता था कि वस्तु एक "ऊबड़-खाबड़ आलू" है, लेकिन वह यह नहीं बता सकता था कि त्वचा पर छोटे कंकड़ ठीक कहाँ चिपके हुए हैं।
"फ्लिप" की समस्या: यदि वस्तु को उल्टा कर दिया जाए, तो AI भ्रमित हो जाता था। चूंकि उलटे आकार की छाया भी वैसी ही होती है, इसलिए AI कभी-कभी सही आकार तो बताता था लेकिन गलत दिशा (orientation) बता देता था।
"छेद" की समस्या: AI उन आकारों के लिए बहुत बुरा था जिनमें कॉन्केव (concave) भाग (छिद्र या गहरे गड्ढे, जैसे अर्धचंद्र या डोनट) होते हैं।
- क्यों? एक डोनट की छाया अक्सर एक ठोस गोले की छाया जैसी ही दिखती है। AI ने सीखा कि एक अजीब, खोखले आकार के बजाय एक ठोस, चिकना आकार बताना अधिक सुरक्षित है।

5. यह क्यों मायने रखता है?

आप पूछ सकते हैं, "तो क्या हुआ? हमें पता है कि ग्रह ज्यादातर गोल होते हैं।"
लेकिन ब्रह्मांड अजीब चीजों से भरा है!

टाइडल डिस्टॉर्शन (Tidal Distortion): कुछ ग्रह अपने तारों के इतने करीब होते हैं कि तारे का गुरुत्वाकर्षण उन्हें फुटबॉल के आकार में खींच देता है।
बिखरते हुए ग्रह (Disintegrating Planets): कुछ ग्रह पिघलकर खत्म हो रहे होते हैं, जिससे पीछे धूल और मलबे की लकीरें छूट जाती हैं जो धूमकेतुओं जैसी दिखती हैं।
एलियन मेगास्ट्रक्चर: (सिर्फ मनोरंजन के लिए) यदि कोई एलियन सभ्यता एक विशाल, अजीब आकार का डायसन स्फीयर (Dyson sphere) बनाती है, तो यह विधि हमें यह पहचानने में मदद कर सकती है कि वह "ग्रह" एक गोला नहीं है।

निष्कर्ष (The Bottom Line)

यह शोध पत्र एक 'प्रूफ-ऑफ-कांसेप्ट' है। यह दिखाता है कि ट्रांजिट लाइट कर्व में छिपे हुए ज्यामितीय रहस्य होते हैं, लेकिन वे एक धुंधली तस्वीर की तरह हैं।

हम स्पष्ट रूप से सामान्य आकार और दिशा (बड़ी तस्वीर) देख सकते हैं।
हम बारीक विवरण या खोखले हिस्सों (हाई डेफिनेशन) को पूरी तरह से पुनर्गठित नहीं कर सकते।

लेखकों ने AI का उपयोग यह मानचित्रित करने के लिए किया कि उस छाया में कितनी जानकारी छिपी हुई है। उन्होंने पाया कि हालांकि हम एक 1D छाया से एक जटिल 3D वस्तु को पूरी तरह से पुनर्गठित नहीं कर सकते, लेकिन हम निश्चित रूप से यह बता सकते हैं कि वह एक अजीब, खिंचा हुआ या झुका हुआ ऑब्जेक्ट है, जो हमारी आकाशगंगा के कुछ सबसे विचित्र पिंडों को खोजने का रास्ता खोलता है।

यहाँ भौमिक और कुमारन (2026) के शोध पत्र "Beyond Spherical Geometry: Unraveling Complex Features of Objects Orbiting Around Stars From Its Transit Light Curve Using Deep Learning" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र एक पारगमन (transit) प्रकाश वक्र (light curve) से किसी पारगमन वस्तु (जैसे, एक्सोप्लैनेट, क्षुद्रग्रह, या कृत्रिम संरचना) की 2D ज्यामिति को निर्धारित करने की इल-पोज़्ड इनवर्स समस्या (ill-posed inverse problem) को संबोधित करता है।

चुनौती: एक 2D आकार से 1D प्रकाश वक्र का मानचित्रण स्वाभाविक रूप से 'मैनी-टू-वन' (many-to-one) होता है। विभिन्न आकार (जैसे, उलटी दिशाएँ, गैर-उत्तल/non-convex विशेषताएं) समान या अविभेद्य प्रकाश वक्र उत्पन्न कर सकते हैं, जिससे अनिश्चितता (degeneracies) पैदा होती है।
लक्ष्य: यह निर्धारित करना कि ज्यामितीय विशेषताएं (आकार, अभिविन्यास, उत्केंद्रता, जटिलता) वास्तव में प्रकाश वक्र में कितनी अंतर्निहित हैं और उन्हें मशीन लर्निंग का उपयोग करके किस सीमा तक पुन: प्राप्त किया जा सकता है, जिससे सुलभ जानकारी और अंतर्निहित अस्पष्टताओं के बीच अंतर किया जा सके।

2. कार्यप्रणाली (Methodology)

A. डेटा जनरेशन और सिमुलेशन

आकार लाइब्रेरी (Shape Library): लेखकों ने 30,000 यादृच्छिक 2D आकारों की एक लाइब्रेरी बनाई।
- जनरेशन: आकार बेज़ियर कर्व्स (Bézier curves) का उपयोग करके बनाए गए, जिनमें रैंडमाइज्ड कंट्रोल पॉइंट्स, रेडियल और "एजी" (edgy) पैरामीटर्स का उपयोग किया गया।
- जटिलता मीट्रिक (Complexity Metric): डेटासेट को विभिन्न स्तरों की दृश्य जटिलता (सरल वृत्तों से लेकर जटिल, गैर-उत्तल आकारों तक) में समान रूप से वितरित करने के लिए ग्लोबल डिस्टेंस एंट्रॉपी और लोकल एंगल एंट्रॉपी पर आधारित एक जटिलता मीट्रिक ( $C$ ) का उपयोग किया गया।
- नॉर्मलाइजेशन: आकार के प्रभाव को हटाने के लिए सभी आकारों को एक यूनिट सर्कल के रूप में स्केल किया गया और मूल बिंदु (origin) पर केंद्रित किया गया।
लाइट कर्व सिमुलेशन: इन आकारों के लिए ट्रांजिट लाइट कर्व उत्पन्न करने के लिए युति सिम्युलेटर (Yuti simulator) का उपयोग किया गया।
- पैरामीटर्स: निश्चित कक्षीय दूरी ( $3R_{\star}$ ), इम्पैक्ट पैरामीटर ($0 $), और त्रिज्या अनुपात ($ R_p/R_{\star} = 0.3$)।
- मान्यताएं: केवल ज्यामितीय इनवर्जन समस्या को अलग करने के लिए कोई लिम्ब डार्केनिंग (limb darkening), रोटेशन, या क्षणिक विरूपण (transient deformations) नहीं माना गया।
- सैंपलिंग: प्रति ट्रांजिट 300 बिंदुओं पर सैंपल किए गए 5 मिलियन मोंटे-कार्लो बिंदुओं का उपयोग किया गया।

B. आकार अपघटन (Shape Decomposition - Low-Dimensional Embedding)

प्रत्यक्ष पिक्सेल-आधारित पुनर्निर्माण की अस्पष्टता से बचने के लिए, लेखकों ने आकारों को एलिप्टिकल फूरियर डिस्क्रिप्टर्स (Elliptical Fourier Descriptors - EFD) में विघटित किया।

प्रतिनिधित्व: एक 2D बंद वक्र को $N$ एलिप्टिकल घटकों के योग के रूप में पैरामीटराइज किया जाता है:
$x(t) = \sum a_n \cos(2n\pi t + \phi_n) \dots$
पैरामीटर्स: प्रत्येक क्रम $n$ $n$ को चार मापदंडों द्वारा परिभाषित किया गया है:
- $a_n$ : सेमी-मेजर एक्सिस (स्केल)।
- $b_n$ : सेमी-माइनर एक्सिस (उत्केंद्रता)।
- $\Theta_n$ : ओरिएंटेशन एंगल (अभिविन्यास कोण)।
- $\phi_n$ : स्टार्टिंग फेज (प्रारंभिक चरण)।
ट्रंकेशन (Truncation): विश्लेषण से पता चला कि क्रम $N=20$ तक श्रृंखला को सीमित करने से पर्याप्त पुनर्निर्माण सटीकता प्राप्त हुई (95% आकारों का इंटरसेक्शन ओवर यूनियन, IoU > 0.9 था)।

C. मशीन लर्निंग आर्किटेक्चर

कार्य: डीप न्यूरल नेटवर्क (DNNs) को इनवर्स मैपिंग $Y^{-1}$ सीखने के लिए प्रशिक्षित करना: इनपुट = लाइट कर्व (300 तत्व) $\rightarrow$ आउटपुट = फूरियर गुणांक (Fourier coefficients)।
रणनीति: एक एकल नेटवर्क जो सभी मापदंडों की भविष्यवाणी करता है, के बजाय, प्रत्येक विशिष्ट गुणांक (या समूहों जैसे $|\Theta|$ और $\text{sign}(\Theta)$ ) के लिए स्वतंत्र नेटवर्क को प्रशिक्षित किया गया। इसने प्रत्येक पैरामीटर की संवेदनशीलता के अनुरूप आर्किटेक्चर अनुकूलन की अनुमति दी।
आर्किटेक्चर: लाइट कर्व से टेम्पोरल फीचर्स निकालने के लिए कन्वोल्यूशनल लेयर्स (Convolutional Layers) और डेंस लेयर्स (Dense Layers) को मिलाने वाले हाइब्रिड मॉडल।
डिजेनेरेसी (Degeneracies) को संभालना:
- फ्लिप डिजेनेरेसी (Flip Degeneracy): चूंकि ट्रांजिट अक्ष के साथ आकार को पलटने से समान लाइट कर्व प्राप्त होता है, इसलिए ओरिएंटेशन ( $\Theta$ ) और फेज ( $\phi$ ) का चिन्ह अस्पष्ट होता है। लेखकों ने प्रत्येक के परिमाण ( $|\Theta|, |\phi|$ ) और चिन्ह (बाइनरी क्लासिफायर) को स्वतंत्र रूप से प्रेडिक्ट करने के लिए अलग-अलग नेटवर्क प्रशिक्षित किए।
- उच्च-क्रम रुझान (High-Order Trends): उच्च-क्रम के सेमी-मेजर एक्सिस ( $a_n$ ) के लिए, लेखकों ने व्यक्तिगत उच्च-क्रम गुणांकों के बजाय रुझान मापदंडों ( $\Lambda_a, \gamma_a$ ) की भविष्यवाणी करने के लिए नेटवर्क को प्रशिक्षित किया।

3. मुख्य परिणाम

A. प्रथम-क्रम पुनर्निर्माण (The "Effective Ellipse")

प्रदर्शन: न्यूरल नेटवर्क ने पहले-क्रम के गुणांकों ( $a_1, b_1, \Theta_1$ $a_{1}, b_{1}, Θ_{1}$ ) के लिए उच्च सटीकता प्राप्त की।
- कोरिलेशन ( $r$ -score): $a_1$ और $b_1$ के लिए $>0.95$ ।
- स्लोप (Slope): $\approx 1.0$ , जो निष्पक्ष भविष्यवाणियों का संकेत देता है।
निहितार्थ: "प्रभावी दीर्घवृत्त" (effective ellipse) का समग्र पैमाना, उत्केंद्रता और ओरिएंटेशन (जो आकार की प्रमुख विषमता है) लाइट वक्र में मजबूती से अंतर्निहित हैं।

B. उच्च-क्रम गुणांक

पैमाना ( $a_n$ ): नेटवर्क ने $n > 5$ के लिए $a_n$ के लॉगरिदमिक रुझान को सफलतापूर्वक सीखा। $n > 5$ के लिए व्यक्तिगत मानों की भविष्यवाणी ट्रेंड लाइन से बेहतर नहीं की जा सकी।
उत्केंद्रता ( $b_n/a_n$ ): भविष्यवाणियां क्रम 5 तक सटीक थीं। इसके बाद, कोरिलेशन तेजी से गिर गया, जो दर्शाता है कि सूक्ष्म-स्तरीय उत्केंद्रता विवरण लाइट वक्र में खो जाते हैं।
ओरिएंटेशन ( $\Theta_n, \phi_n$ ):
- परिमाण ( $|\Theta|, |\phi|$ ) क्रम 4 तक मध्यम कोरिलेशन दिखाते हैं, जो उच्च क्रमों के लिए लगभग रैंडम स्तर ( $r \approx 0.25$ ) तक गिर जाता है।
- चिन्ह भविष्यवाणी (Sign Prediction): क्रम 2–3 के लिए साइन (sign) के लिए बाइनरी क्लासिफायर ने केवल 50–65% सटीकता प्राप्त की, जो उच्च क्रमों के लिए 50% (रैंडम चांस) तक गिर गई। यह पुष्टि करता है कि सूक्ष्म-स्तर के विक्षेपणों की दिशा काफी हद तक डिजेनरेट है।

C. पुनर्निर्माण की गुणवत्ता और गैर-उत्तलता (Non-Convexity)

IoU प्रदर्शन: मूल और पुनर्निर्मित आकारों के बीच मीडियन IoU 0.67 था, जिसमें 76% नमूनों का IoU > 0.5 था।
गैर-उत्तलता सीमा (Non-Convexity Limitation): पुनर्निर्मित आकार मूल आकारों की तुलना में लगातार अधिक उत्तल (convex) थे। नेटवर्क गैर-उत्तल विशेषताओं (जैसे "C" आकार या रिंग) को रिकवर करने में संघर्ष करता था, और अक्सर उन्हें भरने के लिए एक उत्तल हल (convex hull) बना देता था।
अभिविन्यास निर्भरता (Orientation Dependence): गैर-उत्तल विशेषताओं के पुनर्निर्माण की क्षमता ट्रांजिट पथ के सापेक्ष वस्तु के ओरिएंटेशन पर अत्यधिक निर्भर थी। कुछ ओरिएंटेशन गैर-उत्तलता की आंशिक रिकवरी की अनुमति देते थे, जबकि अन्य में उस विशेषता का पूर्ण नुकसान हो जाता था।

D. जटिलता भविष्यवाणी (Complexity Prediction)

नेटवर्क वैश्विक जटिलता मीट्रिक ( $C$ ) की भविष्यवाणी $r=0.73$ के कोरिलेशन के साथ कर सका।
डिसीजन बाउंड्री: अनुमानित जटिलता ( $C_p$ ) की तुलना पुनर्निर्मित आकार की जटिलता ( $C_s$ ) से करके, लेखकों ने एक क्लासिफायर विकसित किया जो एक नए, अज्ञात लाइट वक्र के लिए पुनर्निर्माण की गुणवत्ता (IoU) का अनुमान लगाने में 86.7% सटीकता के साथ काम कर सकता है।

4. महत्व और योगदान

सूचना सीमाओं का निर्धारण: यह अध्ययन ट्रांजिट लाइट कर्व से रिकवर की जा सकने वाली ज्यामितीय जानकारी पर एक कठोर, डेटा-संचालित सीमा प्रदान करता है। यह पुष्टि करता है कि जबकि स्थूल आकार गुण (आकार, उत्केंद्रता, मुख्य ओरिएंटेशन) रिकवर किए जा सकते हैं, सूक्ष्म विवरण और गैर-उत्तल विशेषताएं अक्सर डिजेनेरेसी के कारण खो जाती हैं।
पद्धतिगत नवाचार: एलिप्टिकल फूरियर डिस्क्रिप्टर्स का उपयोग और मैग्निट्यूड/साइन के लिए अलग-अलग नेटवर्क का संयोजन, आकार इनवर्जन की इल-पोज़्ड प्रकृति को संभालने के लिए एक मजबूत ढांचा प्रदान करता है, जो प्रत्यक्ष पिक्सेल पुनर्निर्माण की कमियों से बचता है।
खगोल भौतिक अनुप्रयोग (Astrophysical Applications):
- एक्सोप्लैनेट लक्षण वर्णन: यह गोलाकार ग्रहों और महत्वपूर्ण ज्वारीय विरूपण (tidal distortion) या घूर्णन समतलता (rotational flattening) वाले ग्रहों के बीच अंतर कर सकता है।
- असामान्य ट्रांजिट: यह "विदेशी" (exotic) ट्रांजिट, जैसे कि विघटित होते ग्रह, एक्सोमून, रिंग वाले संसार, या संभावित मेगास्ट्रक्चर (डायसन स्फीयर) के लक्षण वर्णन के लिए एक उपकरण प्रदान करता है, जो गोलाकार समरूपता से विचलन की पहचान कर सकता है।
- शोर मजबूती (Noise Robustness): प्रारंभिक विश्लेषण से पता चलता कि विधि SNR > 40 के लिए प्रभावी रहती है, जो केप्लर/TESS उम्मीदवारों के एक बड़े हिस्से को कवर करती है।

5. सीमाएं और भविष्य का कार्य

सरलीकृत मान्यताएं: वर्तमान मॉडल एक निश्चित ट्रांजिट पैरामीटर, कोई लिम्ब डार्केनिंग नहीं, और 2D स्थिर आकारों को मानता है। वास्तविक दुनिया के अनुप्रयोगों के लिए परिवर्तनशील इम्पैक्ट पैरामीटर और लिम्ब डार्केनिंग वाले शोर युक्त डेटा पर प्रशिक्षण की आवश्यकता है।
3D और रोटेशन: यह अध्ययन 2D प्रोजेक्शन तक सीमित है। भविष्य के कार्यों को 3D वस्तुओं और घूमती हुई निकायों को संबोधित करना होगा, जो समय-परिवर्तित लाइट कर्व पेश करते हैं।
छेद और रिंग (Holes and Rings): वर्तमान बेज़ियर/EFD पद्धति स्वाभाविक रूप से उन आकारों को नहीं संभालती जिनमें छेद (जैसे रिंग) या स्व-प्रतिच्छेदी वक्र (self-intersecting curves) होते हैं, जो कुछ खगोलीय परिदृश्यों में सामान्य हैं।

निष्कर्षतः, यह शोध पत्र प्रदर्शित करता है कि डीप लर्निंग ट्रांजिट लाइट कर्व को इनवर्ट करने और किसी वस्तु के "प्रभावी दीर्घवृत्त" (effective ellipse) को रिकवर करने और उसकी जटिलता का अनुमान लगाने में सफलतापूर्वक सक्षम है, लेकिन यह उच्च-क्रम के विवरणों और गैर-उत्तल ज्यामिति की रिकवरी के संबंध में एक मौलिक सीमा तक पहुँच जाता है।