🔭 astrophysics

Simulation-Based Inference for Probabilistic Galaxy Detection and Deblending

यह शोधपत्र BLISS को प्रस्तुत करता है, जो एक सिमुलेशन-आधारित अनुमान ढांचा (सिमुलेशन-आधारित इन्फरेंस फ्रेमवर्क) है जो भीड़भाड़ वाले खगोलीय चित्रों में आकाशगंगाओं के गुणों का संभाव्य रूप से पता लगाने, उन्हें डीब्लेंड करने और मापने के लिए कन्वोल्यूशनल न्यूरल नेटवर्क और डिनोइजिंग ऑटोएनकोडर्स का उपयोग करता है, जो नियतात्मक (डिटरमिनिस्टिक) विधियों की तुलना में मिश्रित और धुंधली वस्तुओं के फ्लक्स सटीकता में महत्वपूर्ण सुधार प्रदर्शित करता है।

मूल लेखक: Ismael Mendoza, Derek Hansen, Runjing Liu, Zhe Zhao, Ziteng Pang, Axel Guinot, Camille Avestruz, Jeffrey Regier, the LSST Dark Energy Science Collaboration

प्रकाशित 2026-03-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ismael Mendoza, Derek Hansen, Runjing Liu, Zhe Zhao, Ziteng Pang, Axel Guinot, Camille Avestruz, Jeffrey Regier, the LSST Dark Energy Science Collaboration

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 दूरबीन के माध्यम से भरे हुए रात के आकाश को देख रहे हैं। अतीत में, तारे और आकाशगंगाएँ इतनी दूर थीं कि आप आसानी से किसी एक की ओर इशारा करके कह सकते थे, "वह एक तारा है," या "वह एक आकाशगंगा है।"

लेकिन अब, कल्पना कीजिए कि ब्रह्मांड इतना भीड़भाड़ वाला हो गया है कि रोशनी एक-दूसरे के ऊपर आ रही है। यह रात में एक शहर को विमान से देखने जैसा है: स्ट्रीटलाइट्स, कार की हेडलाइट्स और इमारतों की खिड़कियां सब मिलकर एक विशाल, चमकते हुए ढेर में बदल जाती हैं। खगोल विज्ञान में, इसे ब्लेंडिंग (blending) कहा जाता है।

अगली पीढ़ी के टेलीस्कोपों (जैसे रुबिन ऑब्जर्वेटरी) के लिए, यह "ढेर" सबसे बड़ी समस्या होगी। यदि हम यह नहीं बता सके कि एक आकाशगंगा कहाँ समाप्त होती है और दूसरी कहाँ शुरू होती है, तो हम उन्हें सटीक रूप से नहीं माप पाएंगे। और यदि हम उन्हें सटीक रूप से नहीं माप सकते, तो हम यह नहीं समझ पाएंगे कि ब्रह्मांड कैसे फैल रहा है या डार्क एनर्जी क्या है।

यह शोध पत्र BLISS (बेयसियन लाइट सोर्स सेपरेटर) नामक एक नए उपकरण को पेश करता है जो इस समस्या को हल करता है। यह कैसे काम करता है, यहाँ सरल भाषा में समझाया गया है:

1. पुराना तरीका बनाम नया तरीका

पुराना तरीका ("कट-एंड-पेस्ट" विधि): पारंपरिक उपकरण एक धुंधली छवि को देखते हैं और सबसे चमकीले स्थान के चारों ओर एक बॉक्स बनाने की कोशिश करते हैं। वे कहते हैं, "ठीक है, यह धब्बा एक वस्तु है।" यदि दो आकाशगंगाएँ एक-दूसरे के ऊपर आ रही हैं, तो पुराना उपकरण उनमें से एक को पूरी तरह से मिस कर सकता है या दोनों की संयुक्त रोशनी को एक ही विशाल, अजीब आकाशगंगा के रूप में माप सकता है। यह 'डिटरमिनिस्टिक' (deterministic) है: यह आपको एक उत्तर देता है और कहता है, "यही है।"
नया तरीका (BLISS): BLISS एक जासूस की तरह है जो केवल अनुमान नहीं लगाता; वह संभावनाओं (probabilities) की गणना करता है। यह कहने के बजाय कि, "यहाँ निश्चित रूप से एक आकाशगंगा है," यह कहता है, "90% संभावना है कि यहाँ दो आकाशगंगाएँ हैं, और यहाँ उनके केंद्र होने की संभावना है, और 10% संभावना है कि वास्तव में तीन आकाशगंगाएँ हैं।" यह अनिश्चितता को अनदेखा करने के बजाय उसे स्वीकार करता है।

2. BLISS कैसे काम करता है: तीन-चरणीय जासूसी टीम

BLISS तीन AI "जासूसों" (न्यूरल नेटवर्क) की एक टीम का उपयोग करता है जो छवि को साफ करने के लिए मिलकर काम करते हैं।

जासूस #1: द स्पॉटर (डिटेक्शन एनकोडर - पहचानकर्ता)
कल्पना कीजिए कि आप भीड़ की एक धुंधली फोटो देख रहे हैं। स्पॉटर छवि को स्कैन करता है और कहता है, "मुझे यहाँ एक चेहरा दिख रहा है, और वहाँ दूसरा चेहरा।" यह केवल स्थान का अनुमान नहीं लगाता; यह उस जगह के चारों ओर एक धुंधला घेरा बनाता है जहाँ चेहरा हो सकता है। यह हमें बताता है: "मुझे काफी यकीन है कि यहाँ एक आकाशगंगा है, लेकिन मैं 100% निश्चित नहीं हूँ कि इसका केंद्र बिल्कुल कहाँ है।"
जासूस #2: द आईडी कार्ड रीडर (क्लासिफिकेशन एनकोडर - वर्गीकरणकर्ता)
एक बार जब स्पॉटर एक "चेहरा" ढूंढ लेता है, तो आईडी रीडर काम संभाल लेता है। क्या यह एक तारा है (जो केवल प्रकाश का एक बिंदु है) या एक आकाशगंगा (जो सितारों का एक घूमता हुआ बादल है)? यह आकार को देखता है और कहता है, "95% संभावना है कि यह एक आकाशगंगा है।"
जासूस #3: द रिस्टोरर (डीब्लेंडिंग एनकोडर - पुनर्स्थापक)
यह एक जादुई ट्रिक है। कल्पना कीजिए कि आपके पास दो लोगों के गले मिलने की फोटो है, और उनके कपड़े एक ही रंग में मिल गए हैं। रिस्टोरर, स्पॉटर से मिले "धुंधले घेरे" और रीडर से मिली "ID" को लेता है, और फिर एक विशेष AI ट्रिक (ऑटोएनकोडर) का उपयोग करके उन्हें डिजिटल रूप से "अन-हग" (अलग) करता है। यह पुनर्निर्माण करता है कि प्रत्येक आकाशगंगा कैसी दिखती यदि वह एक साफ, शोर-मुक्त कमरे में अकेली खड़ी होती।

3. "टाइल" रणनीति

ब्रह्मांड विशाल है, और छवियां बहुत बड़ी हैं। BLISS पूरे पहेली को एक साथ हल करने की कोशिश नहीं करता है। इसके बजाय, यह छवि को छोटे, ओवरलैपिंग वर्गाकार टाइल्स (एक मोज़ेक की तरह) में काट देता है।

यह एक टाइल के लिए पहेली सुलझाता है, फिर अगली टाइल पर जाता है।
क्योंकि टाइल्स एक-दूसरे के ऊपर आती हैं (overlap), AI अपने पड़ोसियों को देख सकता है। यदि एक आकाशगंगा एक टाइल में आधी है और दूसरी में आधी, तो AI पूरी तस्वीर को समझने के लिए दोनों से जानकारी का उपयोग करता है।

4. "प्रोबेबिलिस्टिक" (संभाव्य) होना क्यों एक गेम चेंजर है

शोध पत्र की सबसे बड़ी सफलता यह नहीं है कि BLISS आकाशगंगाओं को अलग कर सकता है; बल्कि यह है कि यह इस बात का हिसाब रखता है कि वह कितना अनिश्चित है।

"जुआरी" का उदाहरण:
- पुरानी विधि: एक जुआरी एक घोड़े पर $100 का दांव लगाता है और कहता है, "यह घोड़ा जीतेगा।" यदि घोड़ा हार जाता है, तो जुआरी गलत था, और दांव हार गया।
- BLISS: एक जुआरी कहता है, "मुझे लगता है कि घोड़े A की 60% संभावना है, घोड़े B की 30% संभावना है, और घोड़े C की 10% संभावना है।"
- परिणाम: जब वैज्ञानिक इन आकाशगंगाओं की चमक (फ्लक्स) को मापने के लिए BLISS का उपयोग करते हैं, तो उन्हें केवल एक संख्या नहीं मिलती। उन्हें संभावनाओं की एक सीमा मिलती है। शोध पत्र दिखाता है कि इस "संभावनाओं की सीमा" (कई अलग-अलग परिदृश्यों का नमूना लेना) का उपयोग करके, उन्हें केवल एक "सबसे संभावित" उत्तर चुनने की तुलना में बहुत अधिक सटीक औसत माप मिलता है।

5. मुख्य निष्कर्ष

लेखकों ने BLISS का परीक्षण उन सिम्युलेटेड छवियों पर किया जो बिल्कुल वैसी ही हैं जैसी भविष्य में रुबिन ऑब्जर्वेटरी देखेगी। उन्होंने पाया कि:

यह उन मंद आकाशगंगाओं को भी खोज लेता है जिन्हें अन्य उपकरण मिस कर देते हैं।
यह ओवरलैपिंग आकाशगंगाओं को बहुत बेहतर तरीके से अलग करता है।
यह आकाशगंगाओं की चमक मापने में त्रुटियों को कम करता है, विशेष रूप से तब जब वे बहुत घनी और मंद होती हैं।

संक्षेप में: BLISS एक स्मार्ट, संभाव्य AI सिस्टम है जो ब्रह्मांड के लिए एक सुपर-पावर्ड फोटो एडिटर की तरह काम करता है। यह केवल एक धुंधली छवि को स्पष्ट छवि में बदलने की कोशिश नहीं करता; यह गणना करता है कि वहां वास्तव में क्या होने की कितनी संभावना है, जिससे खगोलविदों को ब्रह्मांड को उस स्तर की सटीकता के साथ मापने की अनुमति मिलती है जो पहले असंभव था। यह उस डार्क एनर्जी को समझने की दिशा में एक महत्वपूर्ण कदम है जो हमारे ब्रह्मांड को फैला रही है।

यहाँ "सिमुलेशन-आधारित इन्फरेंस फॉर प्रोबेबिलिस्टिक गैलेक्सी डिटेक्शन एंड डीब्लेन्डिंग" (BLISS) पेपर का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

अगली पीढ़ी के स्टेज-IV डार्क एनर्जी सर्वे, जैसे कि वेरा सी. रुबिन ऑब्जर्वेटरी का 'लिगेसी सर्वे ऑफ स्पेस एंड टाइम' (LSST), आकाश में आकाशगंगाओं (galaxies) का अभूतपूर्व घनत्व देखेंगे। इन गहरे सर्वेक्षणों में एक प्राथमिक चुनौती ब्लेंडिंग (blending) है, जहाँ कई आकाशगंगाओं और तारों का प्रकाश एक ही पिक्सेल या रेजोल्यूशन एलिमेंट के भीतर ओवरलैप हो जाता है।

प्रभाव: ब्लेंडिंग वीक ग्रेविटेशनल लेंसिंग (कॉस्मिक शियर) और फोटोमेट्री में व्यवस्थित त्रुटियाँ (systematic errors) उत्पन्न करती है। यह आकार के मापन (shape measurements) को पक्षपाती बनाती है, फ्लक्स अनुमानों को विकृत करती है, और "अनरेकग्नाइज्ड ब्लेंड्स" (जहाँ दो स्रोतों को एक के रूप में पहचाना जाता है) की ओर ले जाती है, जो $S_8$ जैसे कॉस्मोलॉजिकल मापदंडों को $2\sigma$ से अधिक बायस कर सकता है।
वर्तमान विधियों की सीमाएँ: पारंपरिक उपकरण जैसे SourceExtractor (SExtractor) नियतात्मक थ्रेशोल्डिंग (deterministic thresholding) का उपयोग करते हैं और ओवरलैपिंग स्रोतों को प्रभावी ढंग से संभालने में सक्षम नहीं हैं (क्योंकि वे पिक्सेल को केवल एक ही ऑब्जेक्ट को सौंप सकते हैं)। जबकि आधुनिक डीब्लेंडर्स (जैसे Scarlet, MuSCADeT) संयुक्त मॉडलिंग का उपयोग करते हैं, वे अक्सर नियतात्मक होते हैं और स्रोत के गुणों में अंतर्निहित अनिश्चितता को मापने में विफल रहते हैं, जो कॉस्मोलॉजिकल विश्लेषण में त्रुटियों को प्रसारित करने के लिए अत्यंत महत्वपूर्ण है।

2. कार्यप्रणाली: BLISS फ्रेमवर्क (Methodology: The BLISS Framework)

लेखक BLISS (बायेसियन लाइट सोर्स सेपरेटर) का प्रस्ताव करते हैं, जो एक सिमुलेशन-आधारित इन्फरेंस (SBI) फ्रेमवर्क है जो प्रकाश स्रोतों के गुणों के पोस्टीरियर डिस्ट्रीब्यूशन (posterior distribution) का अनुमान लगाता है। BLISS डिटेक्शन, क्लासिफिकेशन और डीब्लेन्डिंग करने के साथ-साथ अनिश्चितता को मापने के लिए डीप लर्निंग और वेरिएशनल इन्फरेंस को जोड़ता है।

मुख्य आर्किटेक्चर (Core Architecture)

BLISS छवियों को मनमाने आकार की छवियों को संभालने के लिए ओवरलैपिंग पैडेड टाइल्स (53 $\times$ 53 पिक्सेल) में विभाजित करके प्रोसेस करता है। यह फॉरवर्ड एमोर्टाइज्ड वेरिएशनल इन्फरेंस (FAVI) के माध्यम से प्रशिक्षित तीन न्यूरल नेटवर्क एनकोडर्स का उपयोग करता है:

डिटेक्शन एनकोडर (Detection Encoder):
- इनपुट: पैडेड टाइल्स।
- आउटपुट: टाइल के लिए एक प्रोबेबिलिस्टिक कैटलॉग, विशेष रूप से स्रोतों की संख्या ( $n_t \in \{0,1\}$ ) और टाइल के भीतर स्रोत के सेंट्रॉइड स्थान ( $\ell_t$ ) पर पोस्टीरियर डिस्ट्रीब्यूशन।
- तंत्र: यह स्रोत की उपस्थिति के लिए बर्नौली डिस्ट्रीब्यूशन और सेंट्रॉइड स्थान के लिए बाइवेरिएट गौसियन (bivariate Gaussian) का उपयोग करता है।
क्लासिफिकेशन एनकोडर (Classification Encoder):
- इनपुट: डिटेक्टेड सेंट्रॉइड के चारों ओर केंद्रित पैडेड टाइल्स (क्रॉप्ड)।
- आउटपुट: इस बात की संभावना कि डिटेक्टेड सोर्स एक गैलेक्सी ( $b_t=1$ ) है या एक तारा ( $b_t=0$ )।
- तंत्र: यह बर्नौली डिस्ट्रीब्यूशन के लिए एक पैरामीटर आउटपुट करता है।
डीब्लेन्डिंग एनकोडर (Deblending Encoder - Deterministic):
- इनपुट: ब्लेंडेड स्रोतों वाले केंद्रित पैडेड टाइल्स।
- आउटपुट: एक लेटेंट वेक्टर ( $z_t \in \mathbb{R}^8$ ) जो शोर-रहित मॉर्फोलॉजी और फ्लक्स का प्रतिनिधित्व करता है।
- तंत्र: इसे आइसोलेटेड गैलेक्सीज़ को पुनर्गठित करने के लिए एक ऑटोएनकोडर (AE) के रूप में प्रशिक्षित किया गया है। जब इसे ब्लेंड्स पर लागू किया जाता है, तो यह ओवरलैपिंग पड़ोसियों से आने वाले फ्लक्स को अनदेखा करना सीख जाता है। पुनर्निर्माण (reconstruction) नियतात्मक है, लेकिन डिटेक्शन एनकोडर से इनपुट्स को सैंपलिंग करके अनिश्चितता को प्रसारित किया जाता है।

प्रशिक्षण रणनीति (Training Strategy)

डेटा: GalSim पैकेज का उपयोग करके LSST Year-10 को-एड्स की नकल करने वाले सिम्युलेटेड सिंगल-बैंड ( $i$ -बैंड) इमेज। डेटासेट में LSST DESC DC2 कैटलॉग से पैरामेट्रिक गैलेक्सी मॉडल (बल्ज + डिस्क) और तारे शामिल हैं।
लॉस फंक्शन: डिटेक्शन और क्लासिफिकेशन एनकोडर्स ट्रू पोस्टीरियर और वेरिएशनल एप्रोक्सिमेशन के बीच कुलबैक-लीब्लर (KL) डाइवर्जेंस को कम करते हैं। डीब्लेन्डिंग एनकोडर एक गौसियन नॉइज़ मॉडल के तहत पुनर्गठित इमेज के नेगेटिव लॉग-लाइक्लीहुड को कम करता है।
एमोर्टाइजेशन (Amortization): सभी टाइल्स के लिए न्यूरल नेटवर्क के वेट्स का एक ही सेट साझा किया जाता है, जिससे GPU पर तीव्र इन्फरेंस (मेगापिक्सेल छवियों के लिए सेकंडों में) संभव होता है।

3. मुख्य योगदान (Key Contributions)

प्रोबेबिलिस्टिक डीब्लेन्डिंग: पिछले नियतात्मक डीब्लेंडर्स के विपरीत, BLISS स्रोत गणना और स्थिति के लिए पूर्ण पोस्टीरियर डिस्ट्रीब्यूशन प्रदान करता है। यह डिटेक्शन अनिश्चितता को डाउनस्ट्रीम मेजरमेंट्स में प्रसारित करने की अनुमति देता है।
हाइब्रिड आर्किटेक्चर: यह अनूठे रूप से एक प्रोबेबिलिस्टिक डिटेक्शन/क्लासिफिकेशन पाइपलाइन को एक नियतात्मक ऑटोएनकोडर-आधारित डीब्लेंडर के साथ जोड़ता है। हालांकि डीब्लेंडर स्वयं नियतात्मक है, लेखक दिखाते हैं कि डिटेक्शन पोस्टीरियर से सैंपलिंग करने और इन सैंपल्स को डीब्लेंडर में फीड करने से एक फ्लक्स पोस्टीरियर प्राप्त होता है जो डिटेक्शन अनिश्चितता को कैप्चर करता है।
स्केलेबिलिटी: इसकी टाइलिंग रणनीति और एमोर्टाइज्ड इन्फरेंस बड़े सर्वे इमेजेस को कुशलतापूर्वक प्रोसेस करने में सक्षम बनाती है, जिससे पारंपरिक MCMC-आधारित बेयसियन विधियों की कम्प्यूटेशनल बाधाओं को दूर किया जा जाता है।
ओपन सोर्स: कोड और डेटासेट्स सार्वजनिक रूप से उपलब्ध कराए गए हैं, जो पुनरुत्पादकता (reproducibility) और आगे के विकास को सुगम बनाते हैं।

4. मुख्य परिणाम (Key Results)

लेखकों ने कई मेट्रिक्स पर LSST-जैसे सिम्युलेटेड इमेजेस पर BLISS का मूल्यांकन किया:

डिटेक्शन प्रदर्शन:
- BLISS सिग्नल-टू-नॉइज़ रेशियो (SNR) की एक विस्तृत श्रृंखला में SourceExtractor (SEP) के समान सटीकता प्राप्त करता है।
- महत्वपूर्ण रूप से, BLISS SEP की तुलना में धुंधले (faint) और अत्यधिक ब्लेंडेड स्रोतों के लिए बेहतर रिकॉल (पूर्णता) प्रदर्शित करता है, जिससे उन ऑब्जेक्ट्स का एक बड़ा हिस्सा रिकवर होता है जिन्हें पारंपरिक थ्रेशोल्डिंग मिस कर देती है।
क्लासिफिकेशन:
- क्लासिफायर SNR > 10 के लिए गैलेक्सीज़ के लिए >95% F1-स्कोर और SNR > 12 के लिए तारों के लिए >70% F1-स्कोर प्राप्त करता है।
- बहुत कम SNR पर, मॉडल ट्रेंड (prior) की ओर झुकने लगता है (शोर वाले तारों को गैलेक्सी के रूप में वर्गीकृत करना क्योंकि ट्रेनिंग सेट गैलेक्सी-प्रधान है), जो लो-SNR रिजीम में बेहतर प्रायर्स (priors) की आवश्यकता को दर्शाता है।
डीब्लेन्डिंग सटीकता:
- जब वास्तविक सेंट्रॉयड्स ज्ञात होते हैं, तो डीब्लेंडर गैर-डीब्लेन्डेड मेजरमेंट्स की तुलना में फ्लक्स, साइज और एलिप्टिसिटीिटी (ellipticity) के अवशेषों (residuals) को काफी कम कर देता है।
- हालांकि, यह पुनर्गठित गैलेक्सीज़ के टेल्स (tails) में कुछ नॉन-फिजिकल आर्टिफैक्ट्स पैदा करता है, लेकिन ये वास्तविक माप में शोर (noise) के कारण दब जाते हैं।
प्रोबेबिलिस्टिक फ्लक्स रिकवरी (द "सैंपल्स" अप्रोच):
- सबसे महत्वपूर्ण खोज सेक्शन 4.6 में है। डिटेक्शन पोस्टीरियर से 100 सैंपल्स लेकर और परिणामी फ्लक्स मेजरमेंट्स का औसत निकालकर, BLISS एक फ्लक्स पोस्टीरियर डिस्ट्रीब्यूशन बनाता है।
- परिणाम: यह प्रोबेबिलिस्टिक दृष्टिकोण अत्यधिक ब्लेंडेड गैलेक्सीज़ के लिए नियतात्मक विधियों (MAP या SEP) की तुलना में फ्लक्स रेसिडुअल को नाटकीय रूप से कम करता है। अत्यधिक ब्लेंडेड ऑब्जेक्ट्स के लिए, सैंपलिंग अप्रोच का उपयोग करने पर रेसिडुअल एरर ~160% (MAP) और ~400% (SEP) से गिरकर काफी कम हो गया। यह पुष्टि करता है कि भीड़भाड़ वाले क्षेत्रों में सटीक फोटोमेट्री के लिए डिटेक्शन अनिश्चितता को ध्यान में रखना महत्वपूर्ण है।

5. महत्व और भविष्य का कार्य (Significance and Future Work)

कॉस्मोलॉजिकल प्रभाव: BLISS ब्लेंडिंग-प्रेरित सिस्टमैटिक्स को कम करने के लिए एक स्केलेबल मार्ग प्रदान करता है, जो LSST और अन्य स्टेज-IV सर्वेक्षणों के लिए महत्वपूर्ण है। अनिश्चितता-जागरूक कैटलॉग प्रदान करके, यह डार्क एनर्जी इक्वेशन ऑफ स्टेट और $S_8$ जैसे कॉस्मोलॉजिकल मापदंडों पर अधिक मजबूत बाधाएं लगाने में सक्षम बनाता है।
सीमाएं और भविष्य की दिशाएं:
- टाइलिंग आर्टिफैक्ट्स: स्वतंत्र टाइल धारणा के कारण टाइल सीमाओं के पास डिटेक्शन प्रोबेबिलिटी कम हो जाती है, जो एक ज्ञात आर्टिफैक्ट है। भविष्य के कार्य ओवरलैपिंग टाइल्स या टाइल्स के बीच डिपेंडेंसी मॉडलिंग की खोज करेंगे।
- मॉडल बायस: वर्तमान डीब्लेंडर पैरामेट्रिक गैलेक्सीज़ पर प्रशिक्षित है। भविष्य के संस्करणों में पूर्ण मॉर्फोलॉजिकल अनिश्चितता को कैप्चर करने के लिए रियलिस्टिक, नॉन-पैरामेट्रिक गैलेक्सी मॉर्फोलॉजी पर प्रशिक्षित वेरिएशनल ऑटोएनकोडर्स (VAEs) का उपयोग किया जाएगा।
- वास्तविक डेटा: फ्रेमवर्क को मल्टी-बैंड डेटा, स्थानिक रूप से परिवर्तनशील PSF और वास्तविक सर्वे बैकग्राउंड (जैसे LSST DC2 सिमुलेशन का उपयोग करके) के लिए अनुकूलित करने की आवश्यकता है।

संक्षेप में, BLISS नियतात्मक कैटलॉगिंग से प्रोबेबिलिस्टिक, सिमुलेशन-आधारित इन्फरेंस की ओर एक प्रतिमान बदलाव (paradigm shift) का प्रतिनिधित्व करता है, जो यह प्रदर्शित करता है कि डिटेक्शन अनिश्चितता को स्पष्ट रूप से मॉडल करने से भीड़भाड़ वाले, ब्लेंडेड क्षेत्रों में गैलेक्सी मेजरमेंट्स की सटीकता में पर्याप्त सुधार होता है।