A Search for Binary Black Hole Mergers in LIGO O1-O3 Data with Convolutional Neural Networks
यह शोध पत्र बाइनरी ब्लैक होल विलय का पता लगाने के लिए वास्तविक LIGO डेटा पर प्रशिक्षित कनवल्शनल न्यूरल नेटवर्क का उपयोग करते हुए एक मशीन लर्निंग पाइपलाइन प्रस्तुत करता है, जो अवलोकन रन O1–O3 के दौरान सूचीबद्ध 75 में से 57 घटनाओं की सफलतापूर्वक पहचान करता है और कम-विलंबता वाले गुरुत्वाकर्षण तरंगों के पता लगाने को सक्षम करने के लिए इसकी फॉल्स अलार्म दर को स्पष्ट करता है।
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 ब्रह्मांड एक विशाल, अंधेरा महासागर है। लंबे समय तक, हम केवल इसकी सतह ही देख सकते थे। लेकिन 2015 में, वैज्ञानिकों ने एक विशेष प्रकार का "पानी के नीचे का माइक्रोफ़ोन" बनाया जिसे LIGO कहा जाता है, जो भारी वस्तुओं के आपस में टकराने से उत्पन्न होने वाली लहरों को सुन सकता है, जैसे कि दो ब्लैक होल का आपस में मिलना। इन लहरों को गुरुत्वाकर्षण तरंगें (gravitational waves) कहा जाता है।
तब से, वैज्ञानिकों ने इन टकरावों के 200 से अधिक मामले खोजे हैं। लेकिन समुद्र को सुनना कठिन है। माइक्रोफ़ोन इतने संवेदनशील हैं कि वे सब कुछ सुन लेते हैं: एक दूर के तूफान की गड़गड़ाहट, एक दरवाज़े के कब्ज़े की चूँ-चूँ, और ब्लैक होल का वास्तविक टकराव। यह एक भीड़ भरे स्टेडियम में किसी विशिष्ट व्यक्ति की फुसफुसाहट सुनने जैसा है।
यह शोध पत्र एक कंप्यूटर को एक सुपर-स्मार्ट श्रोता बनने के सिखाने के बारे में है, जो शोर के बीच ब्लैक होल के टकराव की फुसफुसाहट को तुरंत पहचान सके।
समस्या: बहुत अधिक शोर
पारंपरिक रूप से, वैज्ञानिक इन टकरावों को माइक्रोफ़ोन में मौजूद ध्वनि की तुलना "अपेक्षित ध्वनियों" (टेम्पलेट्स) के एक विशाल पुस्तकालय से करके खोजते हैं। यह हर संभव फुसफुसाहट के शब्दकोश रखने और फिर रिकॉर्डिंग की हर एक शब्द से तुलना करने जैसा है। यह काम करता है, लेकिन यह धीमा और गणनात्मक रूप से भारी है। यदि कोई ब्लैक होल टकराता है, तो हम इसे तेज़ी से जानना चाहते हैं ताकि हम आकाश में उस स्थान पर अपनी दूरबीनों को केंद्रित कर सकें और देख सकें कि क्या वहां प्रकाश की कोई चमक (एक "इलेक्ट्रोमैग्नेटिक फॉलो-अप") है।
समाधान: एक न्यूरल नेटवर्क "डिटेक्टिव"
लेखकों ने एक न्यूरल नेटवर्क (Neural Network) बनाया, जो एक प्रकार का कंप्यूटर मस्तिष्क है जिसे पैटर्न सीखने के लिए डिज़ाइन किया गया है, ठीक वैसे ही जैसे एक बच्चा कुत्तों की कई तस्वीरें देखकर कुत्ते को पहचानना सीखता है।
उन्होंने इस जासूस को इस प्रकार प्रशिक्षित किया:
- प्रशिक्षण शिविर (The Training Camp): उन्होंने LIGO के "सन्नाटे" (जो वास्तव में शोर से भरा होता है) की वास्तविक रिकॉर्डिंग ली और उनमें से आधे में गुप्त रूप से नकली ब्लैक होल टकराव की आवाज़ें डाल दीं।
- पाठ (The Lesson): उन्होंने कंप्यूटर मस्तिष्क को ये रिकॉर्डिंग दिखाईं, और बताया, "इसमें एक टकराव है, इसमें नहीं है।"
- ट्विस्ट (The Twist): अपने जासूस को और स्मार्ट बनाने के लिए, उन्होंने उसे केवल एक माइक्रोफ़ोन की रिकॉर्डिंग नहीं दिखाई। उन्होंने उसे एक ही समय में दो माइक्रोफ़ोन (LIGO के दो डिटेक्टर हैं, एक वाशिंगटन में और एक लुइसियाना में) दिखाए। उन्होंने कंप्यूटर मस्तिष्क को सिखाया कि एक वास्तविक टकराव दोनों स्थानों पर लगभग एक ही समय पर होना चाहिए। यदि केवल एक माइक्रोफ़ोन "टकराव" सुनता है, तो वह शायद एक स्थानीय गड़बड़ी (glitch) है।
खोज: महासागर की स्कैनिंग
टीम ने इस प्रशिक्षित जासूस को लिया और उसे LIGO डिटेक्टरों के तीन साल के डेटा (जिसे O1, O2, और O3 कहा जाता है) को स्कैन करने दिया।
- स्पीड रन (The Speed Run): सबसे पहले, जासूस ने संभावित संदिग्धों को खोजने के लिए पूरे महासागर का एक त्वरित, कम-रिज़ॉल्यूशन वाला स्कैन किया।
- नज़दीकी जांच (The Close-Up): जिन संदिग्धों को उसने पाया, उसके लिए उसने यह सुनिश्चित करने के लिए एक धीमी, उच्च-रिज़ॉल्यूशन वाली जांच की कि वे वास्तविक हैं या नहीं।
परिणाम: एक अच्छी पकड़, कुछ गलत अलार्म
उन 75 ज्ञात ब्लैक होल टकरावों में से, जो आधिकारिक कैटलॉग के अनुसार उन तीन वर्षों के दौरान हुए थे, इस नए AI पाइपलाइन ने 57 को खोज निकाला।
- यह 18 को क्यों चूक गया? जिन्हें यह चूक गया, वे आमतौर पर बहुत शांत (कम वॉल्यूम वाले) थे या उनमें बहुत छोटे ब्लैक होल शामिल थे। यह ऐसा है जैसे जासूस ने फुसफुसाहट को इसलिए मिस कर दिया क्योंकि वह बहुत धीमी थी या व्यक्ति बहुत दूर था।
- गलत अलार्म (The False Alarms): पाइपलाइन ने 57 "गलत अलार्म" भी चिह्नित किए। ये वे क्षण थे जहाँ दो माइक्रोफ़ोनों में शोर संयोग से बिल्कुल एक साथ आ गया, जिससे वह एक टकराव जैसा लगा।
- इसे कैसे ठीक किया गया: लेखकों ने दिखाया कि यदि आप इन गलत अलार्मों पर एक त्वरित गणितीय जांच (जिसे 'पैरामीटर इन्फरेंस' कहा जाता है) चलाते हैं, तो आप साबित कर सकते हैं कि वे वास्तविक नहीं हैं। यह किसी व्यक्ति की फुसफुसाहट के बजाय उसकी आईडी चेक करने जैसा है; यदि आईडी आवाज़ से मेल नहीं खाती, तो आप जानते हैं कि वह नकली है।
"टाइम-शिफ्ट" टेस्ट
यह साबित करने के लिए कि उनका जासूस केवल अनुमान नहीं लगा रहा है, उन्होंने एक चतुर तरकीब अपनाई। उन्होंने दो माइक्रोफ़ोनों के डेटा को लिया और उन्हें समय के अनुसार शिफ्ट कर दिया ताकि वे पूरी तरह से आउट-ऑफ-सिंक हो जाएं। चूंकि एक वास्तविक ब्लैक होल का टकराव दो अलग-अलग स्थानों पर अलग-अलग समय पर नहीं हो सकता, इसलिए इस शिफ्ट किए गए डेटा में मिला हर सिग्नल एक गलत अलार्म ही था।
उन्होंने इस शिफ्ट किए गए डेटा पर 100 साल का डेटा चलाया। इससे उन्हें यह गणना करने में मदद मिली कि उनका जासूस कितनी बार "भेड़िया आया" चिल्लाता है जब वास्तव में कोई भेड़िया नहीं होता। उन्होंने पाया कि उनका सिस्टम बहुत विश्वसनीय है, जिसमें सबसे तेज़ संकेतों के लिए गलत अलार्म की दर बहुत कम है।
अन्य लोगों से तुलना
यह पेपर अपने AI जासूस की तुलना दो अन्य समान AI प्रणालियों (AresGW और AFrame) से करता है।
- अन्य प्रणालियों ने कम ब्लैक होल खोजे (उपलब्ध 65 में से लगभग 38 से 40)।
- इस नए पाइपलाइन ने उन्हीं घटनाओं में से 49 को खोज निकाला।
- जबकि अन्य प्रणालियाँ सबसे हल्के गलत अलार्मों को अनदेखा करने में थोड़ी बेहतर थीं, यह नया पाइपलाइन कुल मिलाकर अधिक घटनाओं को पकड़ने में बेहतर था।
निष्कर्ष (The Bottom Line)
यह शोध पत्र दिखाता है कि हम ब्लैक होल के टकरावों को पहले की तुलना में बहुत तेज़ी से और अधिक कुशलता से खोजने के लिए मशीन लर्निंग का उपयोग कर सकते हैं। हालांकि इसने हर एक टकराव (विशेष रूप से शांत वाले) को नहीं खोजा, लेकिन इसने अधिकांश को खोज निकाला और यह भी साबित किया कि यह बहुत कम गलत अलार्म दर के साथ ऐसा कर सकता है।
लेखक निष्कर्ष निकालते हैं कि यह एक बड़ी प्रगति है। भविष्य में, इस तरह का AI वास्तविक समय में डेटा को स्कैन करने के लिए उपयोग किया जा सकता है, जिससे खगोलविदों को तुरंत पता चल सके कि कब एक ब्लैक होल टकराया है ताकि वे प्रकाश के फीका पड़ने से पहले अपनी दूरबीनों को आकाश की ओर मोड़ सकें। वे इस AI को अन्य प्रकार के ब्रह्मांडीय टकरावों, जैसे न्यूट्रॉन सितारों के टकराने के लिए भी सुनने हेतु प्रशिक्षित करने की योजना बना रहे हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।