A plug-and-play approach with fast uncertainty quantification for weak lensing mass mapping

कल्पना कीजिए कि ब्रह्मांड एक विशाल, अदृश्य जाल है। इस जाल का अधिकांश हिस्सा उन तारों और ग्रहों से नहीं बना है जिन्हें हम देख सकते हैं; यह "डार्क मैटर" (dark matter) से बना है, जो एक रहस्यमय पदार्थ है जिसे हम सीधे छू या देख नहीं सकते। हम केवल इसलिए जानते हैं कि यह वहाँ है क्योंकि यह एक ब्रह्मांडीय लेंस की तरह कार्य करता है, जो दूर की आकाशगंगाओं से आने वाले प्रकाश को हमारी ओर आते समय मोड़ देता है। जब खगोलशास्त्री इन मुड़े हुए आकारों को देखते हैं, तो वे एक विशाल, धुंधली पहेली को सुलझाने की कोशिश कर रहे होते हैं: "यह सारा अदृश्य द्रव्यमान कहाँ छिपा है?" इस प्रक्रिया को "मास मैपिंग" (mass mapping) कहा जाता है। यह एक छिपी हुई वस्तु के आकार को समझने जैसा है, यह देखकर कि वह एक फनहाउस मिरर (funhouse mirror) में प्रतिबिंब को कैसे विकृत करती है। समस्या यह है कि दर्पण गंदे हैं, प्रतिबिंब धुंधले हैं, और डेटा इतना विशाल है कि पुराने तरीके या तो बहुत धीमे हैं या हर बार आकाश बदलने पर पूरे पहेली सुलझाने वाले यंत्र को फिर से बनाने की आवश्यकता होती है।

यहाँ PnPMass नामक एक नया दृष्टिकोण आता है, जो एक चतुर तरीका है जिसे इस अदृश्य डार्क मैटर को तेजी से और सटीकता से मैप करने के लिए डिज़ाइन किया गया है, और साथ ही यह भी बताता है कि हम अपने परिणाम पर कितना भरोसा कर सकते हैं। इसे एक स्मार्ट, अनुकूलन योग्य जासूस के रूप में सोचें जिसे हर नए अपराध स्थल को देखने के लिए फिर से प्रशिक्षित करने की आवश्यकता नहीं है। केवल डार्क मैटर के स्थान का अनुमान लगाने के बजाय, PnPMass अपने अनुमानों के चारों ओर "कॉन्फिडेंस फेंस" (confidence fences - विश्वास की बाड़) भी लगाता है, जो हमें दिखाता है कि उत्तर कहाँ पूरी तरह से ठोस है और कहाँ थोड़ा संदिग्ध है। यह महत्वपूर्ण है क्योंकि यदि हम समझना चाहते हैं कि ब्रह्मांड कैसे शुरू हुआ और यह कैसे समाप्त होगा, तो हमें न केवल यह जानने की आवश्यकता है कि मानचित्र कैसा दिखता है, बल्कि यह भी कि हम मानचित्र के प्रत्येक पिक्सेल के बारे में कितने आश्वस्त हैं।

जासूस का नया टूलकिट

लंबे समय तक, वैज्ञानिकों के पास इस डार्क मैटर की पहेली को सुलझाने के दो मुख्य तरीके थे, और दोनों में एक कमी थी। पहला तरीका एक सुपर-फास्ट, सुपर-स्मार्ट रोबोट (जिसे DeepMass कहा जाता है) की तरह था जो तुरंत मानचित्र का अनुमान लगा सकता था। लेकिन यह रोबोट कठोर था; यदि दर्पण पर "शोर" (noise) थोड़ा भी बदल जाता—जैसे कि यदि टेलीस्कोप आकाश के किसी अलग हिस्से को देखता जहाँ तारों का घनत्व अलग हो—तो रोबोट भ्रमित हो जाता। आपको रुकना पड़ता, रोबोट को शून्य से फिर से प्रशिक्षित करना पड़ता, और फिर से शुरू करना पड़ता। दूसरा तरीका एक बहुत ही गहन, लेकिन अविश्वसनीय रूप से धीमे जासूस (जिसे DeepPosterior कहा जाता है) की तरह था जो उत्तर खोजने के लिए हजारों सिमुलेशन चलाता था। वह लचीला था और उसे फिर से प्रशिक्षण की आवश्यकता नहीं थी, लेकिन उसे चलाने में इतना समय लगता था कि वह Euclid और Rubin जैसे नए टेलीस्कोपों से आने वाले डेटा की विशाल मात्रा के लिए व्यावहारिक नहीं था।

इस शोध पत्र के लेखकों ने PnPMass पेश किया है, जो एक "प्लग-एंड-प्ले" (plug-and-play) दृष्टिकोण है जो दोनों दुनियाओं का सर्वश्रेष्ठ लाभ उठाने की कोशिश करता है। कल्पना करें कि एक जासूस के पास एक एकल, अत्यधिक प्रशिक्षित "डिनोइजिंग" (denoising - शोर हटाने वाला) उपकरण है। इस उपकरण को ऐसी छवियों को साफ करने के लिए सिखाया गया है जो स्टेटिक (static) से ढकी हुई हैं, जैसे कि टीवी स्क्रीन पर दिखने वाली बर्फ जैसी फुहार (snow)। यहाँ चतुर तरकीब यह है कि लेखकों ने इस उपकरण को एक विशिष्ट प्रकार के "व्हाइट नॉइज़" (white noise) का उपयोग करके सिखाया है जो यादृच्छिक (random) और समान है। फिर, उन्होंने इसके चारों ओर एक गणितीय "क्लीनिंग लूप" बनाया।

यह लूप इस प्रकार काम करता है: जासूस आकाश का एक धुंधला, शोर वाला मानचित्र लेता है। पहले, वे मानचित्र को वास्तविक देखे गए डेटा के अधिक समान बनाने के लिए एक कदम उठाते हैं (एक "फॉरवर्ड स्टेप")। फिर, वे परिणाम को अपने प्रशिक्षित डिनोइजिंग टूल को साफ करने के लिए सौंपते हैं (एक "बैकवर्ड स्टेप")। वे इस प्रक्रिया को, आगे-पीछे, कुछ ही बार दोहराते हैं। क्योंकि टूल को एक सार्वभौमिक प्रकार के शोर पर प्रशिक्षित किया गया था, इसलिए यह मायने नहीं रखता कि वास्तविक आकाश का डेटा एक अजीब शोर पैटर्न वाला है; लूप के भीतर का गणित इसे स्वचालित रूप से समायोजित करता है। इसका अर्थ है कि जासूस को आकाश के प्रत्येक नए क्षेत्र के लिए फिर से प्रशिक्षित करने की आवश्यकता नहीं है। यह एक ऐसे चश्मे के समान है जो अपने आप अपना फोकस समायोजित कर सकता है चाहे आप एक बरसाती खिड़की देख रहे हों या धूल भरी खिड़की।

"कॉन्फिडेंस फेंस" (विश्वास की बाड़)

विज्ञान में सबसे बड़ी बाधाओं में से एक यह जानना है कि आप कितने गलत हो सकते हैं। यदि कोई विधि कहती है "यहाँ एक डार्क मैटर का गुच्छा है," तो वह कितनी आश्वस्त है? पिछले तरीकों या तो आपको यह नहीं बताते थे, या उन्हें अनिश्चितता का अनुमान लगाने के लिए हजारों धीमे सिमुलेशन चलाने पड़ते थे।

PnPMass धीमे सिमुलेशन के बिना "कॉन्फिडेंस फेंस" बनाने का एक तेज़ तरीका पेश करता है। लेखकों ने कॉन्फ़ॉर्मल प्रेडिक्शन (conformal prediction) नामक एक तकनीक का उपयोग किया। इसे गुणवत्ता नियंत्रण जांच की तरह समझें। इससे पहले कि जासूस वास्तविक रहस्य को सुलझाने के लिए बाहर जाए, वे अपनी विधि का परीक्षण कई नकली, ज्ञात पहेलियों (सिमुलेशन) पर करते हैं। वे देखते हैं कि कितनी बार उनके "कॉन्फिडेंस फेंस" बहुत छोटे या बहुत बड़े थे। फिर, वे उस डेटा का उपयोग वास्तविक कार्य के लिए अपने फेंस के आकार को गणितीय रूप से समायोजित करने के लिए करते हैं।

परिणामस्वरूप, एक ऐसा मानचित्र प्राप्त होता है जहाँ प्रत्येक पिक्सेल में एक एरर बार (एक बाड़) होता है जो सांख्यिकीय रूप से एक निश्चित प्रतिशत बार सही होने की गारंटी देता है। अपने परीक्षणों में, PnPMass ने अन्य विधियों की तुलना में अधिक कड़े, सटीक फेंस बनाए, जिसका अर्थ है कि यह धीमे, गहन जासूस की तुलना में अधिक विश्वास के साथ डार्क मैटर को सटीक रूप से पहचान सकता था, और बिना उस कठोर रोबोट की सीमाओं के।

परीक्षणों ने क्या दिखाया

लेखकों ने κTNG नामक सिम्युलेटेड ब्रह्मांडों के एक विशाल डेटासेट का उपयोग करके PnPMass का परीक्षण किया। उन्होंने एल्गोरिदम को केवल कुछ इटरेशन (iterations) के लिए चलाया—अक्सर दस से भी कम—और यह एक बहुत ही सटीक उत्तर तक पहुँच गया।

• गति और लचीलापन: कठोर रोबोट के विपरीत, PnPMass को विभिन्न शोर स्तरों के लिए फिर से प्रशिक्षित करने की आवश्यकता नहीं थी। इसने वास्तविक दुनिया की अव्यवस्थित डेटा स्थितियों को सहजता से संभाला।
• सटीकता: इसने मौजूदा सर्वोत्तम डीप-लर्निंग विधियों के लगभग बराबर प्रदर्शन किया, जिन्हें आमतौर पर प्रत्येक नए अवलोकन के लिए विशिष्ट पुन: प्रशिक्षण की आवश्यकता होती है।
• अनिश्चितता: इसने जो "कॉन्फिडेंस फेंस" बनाए, वे अन्य विधियों की तुलना में अधिक कड़े थे। यह सुझाव देता है कि PnPMass वास्तविक डार्क मैटर चोटियों (peaks) और केवल यादृच्छिक शोर के बीच अंतर करने में बेहतर है।

दिलचस्प रूप से, लेखकों ने एक ट्रेड-ऑफ (समझौता) पाया। वह विधि जो डार्क मैटर की चोटियों के सटीक आकार को खोजने में थोड़ी कम सटीक थी (PnPMass), उसने उस विधि की तुलना में अधिक छोटे एरर बार बनाए जो चोटियों को खोजने में थोड़ी अधिक सटीक थी (DeepMass)। उन्हें संदेह है कि ऐसा इसलिए है क्योंकि अधिक सटीक विधि कभी-कभी ऐसी चोटियाँ "हैलुसिनेट" (hallucinate - भ्रम पैदा करना) करती है जो वहाँ नहीं हैं, जिससे वह समग्र रूप से कम आश्वस्त हो जाती है। PnPMass, अधिक रूढ़िवादी होकर, इन झूठी चेतावनियों से बचता है, जिसके परिणामस्वरूप अधिक विश्वसनीय मानचित्र और कड़े, भरोसेमंद एरर बार मिलते हैं।

निष्कर्ष

यह शोध पत्र यह दावा नहीं करता कि इसने डार्क मैटर के रहस्य को हमेशा के लिए सुलझा लिया है। इसके बजाय, यह बड़े आकाश सर्वेक्षणों के आगामी युग के लिए एक नया, अत्यधिक कुशल उपकरण प्रदान करता है। एक लचीले "प्लग-एंड-प्ले" एल्गोरिदम को तेज़, गणितीय रूप से गारंटीकृत अनिश्चितता मापने के तरीके के साथ जोड़कर, PnPMass खगोलविदों को भविष्य के टेलीस्कोपों से डेटा के सैलाब को तेज़ी से और इस स्पष्ट समझ के साथ संसाधित करने की अनुमति देता है कि वे परिणामों पर कितना भरोसा कर सकते हैं। यह हमारे ब्रह्मांड के उस अदृश्य जाल के सटीक और विश्वसनीय मानचित्र में बदलने की दिशा में एक कदम है जो इसे थामे हुए है।