🔭 astrophysics

Segmenting Superbubbles in a Simulated Multiphase Interstellar Medium using Computer Vision

यह शोध पत्र उन्नत 3D ट्रांसफार्मर मॉडलों का उपयोग करते हुए एक नवीन कंप्यूटर विज़न पद्धति प्रस्तुत करता है ताकि मैग्नेटोहाइड्रोडायनामिक सिमुलेशन में सुपरबबल्स का सटीक 3D सेग्मेंटेशन और ट्रैकिंग प्राप्त की जा सके, जिससे उनके संरचनात्मक विकास, विकास पैटर्न और आसपास के अंतरतारकीय माध्यम के साथ उनकी अंतःक्रियाओं के बारे में विस्तृत अंतर्दृष्टि प्रकट हो सके।

मूल लेखक: Jing-Wen Chen, Alex S. Hill, Anna Ordog, Rebecca A. Booth, Mohamed S. Shehata

प्रकाशित 2026-03-31

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jing-Wen Chen, Alex S. Hill, Anna Ordog, Rebecca A. Booth, Mohamed S. Shehata

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

मुख्य चित्र: एक तूफानी समुद्र में ब्रह्मांडीय बुलबुलों की ट्रैकिंग

कल्पना कीजिए कि तारों के बीच का स्थान (इंटरस्टेलर मीडियम या ISM) खाली जगह नहीं है, बल्कि एक विशाल, उथल-पुथल भरा महासागर है। यह "महासागर" गैस और धूल से बना है, और इसे सुपरनोवा (जब तारे मरते हैं) नामक विशाल विस्फोटों द्वारा लगातार हिलाया जा रहा है।

जब ऐसे कई तारे एक ही पड़ोस में फटते हैं, तो वे गैस में एक विशाल छेद कर देते हैं। इस छेद को सुपरबबल (Superbubble) कहा जाता है। यह एक तूफानी समुद्र में तैरते एक विशाल साबुन के बुलबुले की तरह है, जो अपने आस-पास की ठंडी और घनी गैस के खिलाफ गर्म हवा से भरा होता है और उसे धकेलता है।

समस्या:
ये बुलबुले बहुत अस्त-व्यस्त होते हैं। वे बढ़ते हैं, सिकुड़ते हैं, आपस में टकराते हैं, आपस में मिल जाते हैं, और कभी-कभी फिर से अलग भी हो जाते हैं। लंबे समय तक, खगोलविदों ने उन्हें सरल नियमों का उपयोग करके ट्रैक करने की कोशिश की, जैसे कि "X डिग्री से अधिक गर्म कुछ भी बुलबुले का हिस्सा है।" लेकिन यह एक भीड़ भरे कॉन्सर्ट में किसी विशिष्ट व्यक्ति को केवल यह कहकर ट्रैक करने जैसा है कि "हर कोई जिसने लाल शर्ट पहनी है वह वही है।" यह तब विफल हो जाता है जब लोग अपनी शर्ट बदल लेते हैं, या जब लोगों के दो समूह आपस में मिल जाते हैं और फिर अलग हो जाते हैं।

समाधान:
इस शोध पत्र के लेखकों ने एक अति-स्मार्ट कंप्यूटर आँख (उन्नत AI का उपयोग करके) बनाई है जो आकाशगंगा की 3D फिल्म देख सकती है और कह सकती है, "वह विशिष्ट बुलबुला यहाँ शुरू हुआ था, इस तरह बढ़ा, और कुछ समय के लिए उस पड़ोसी के साथ मिला, लेकिन फिर वे फिर से अलग हो गए। मैं जानता हूँ कि यह वही बुलबुला है।"

उन्होंने यह कैसे किया: दो-चरणीय जासूसी कार्य

टीम ने इस पहेली को सुलझाने के लिए दो-भागों वाले AI सिस्टम का उपयोग किया। इसे एक जासूसी टीम की तरह समझें:

1. "आकार बदलने वाला" (Astro-UNETR)

सबसे पहले, उन्हें बुलबुलों को ढूंढने की आवश्यकता थी। उन्होंने Astro-UNETR नामक एक मॉडल का उपयोग किया।

उपमा: कल्पना कीजिए कि आप एक विशाल, बादलों वाले 3D केक को देख रहे हैं। आप उसके अंदर जेली के पॉकेट ढूंढना चाहते हैं। एक सरल नियम कह सकता है, "सभी लाल जेली को खोजो।" लेकिन कभी-कभी जेली केक के साथ मिल जाती है, या दो जेली पॉकेट एक-दूसरे को छूते हैं।
AI का काम: यह AI केवल रंग (तापमान) को नहीं देखता; यह आकार, घनत्व और गैस के चलने के तरीके को भी देखता है। इसने भौतिकी के नियमों (जैसे "गर्म गैस ठंडी गैस को दूर धकेलती है") से सीखा ताकि वह बुलबुले के चारों ओर एक सटीक रूपरेखा बना सके, भले ही किनारे धुंधले हों या अन्य चीजों से जुड़े हों। यह एक ऐसे शेफ की तरह है जो केक का स्वाद चखकर कह सकता है, "यह विशिष्ट जेली पॉकेट उस दूसरे से अलग है, भले ही वे एक-दूसरे को छू रहे हों।"

2. "स्मृति रक्षक" (SAM2)

एक बार जब AI ने बुलबुलों को ढूंढ लिया, तो उन्हें समय के साथ एक विशिष्ट बुलबुले का पीछा करने की आवश्यकता थी (जैसे परेड में एक विशिष्ट गुब्बारे का पीछा करना)।

उपमा: कल्पना कीजिए कि आप भीड़ में एक विशिष्ट लाल गुब्बारे को ट्रैक कर रहे हैं। यदि गुब्बारा भीड़ द्वारा दबा दिया जाता है और थोड़े समय के लिए एक नीले गुब्बारे को छूता है, तो एक साधारण ट्रैकर भ्रमित हो सकता है और सोच सकता है, "ओह, लाल गुब्बारा चला गया, अब यह नीला है!"
AI का काम: उन्होंने SAM2 (सेगमेंट एनीथिंग मॉडल 2) नामक एक मॉडल का उपयोग किया, जो वीडियो में वस्तुओं को ट्रैक करने के लिए प्रसिद्ध है। इसके पास एक "मेमोरी बैंक" (स्मृति बैंक) होता है। यह याद रखता है कि 10 मिनट पहले बुलबुला कैसा दिखता था। इसलिए, भले ही बुलबुला कुछ सेकंड के लिए अपने पड़ोसी के साथ मिल जाए, AI कहता है, "मैं जानता हूँ कि वह अभी भी मेरा बुलबुला है। उसने बस एक गले मिलना (hug) किया, और अब वह छोड़ रहा है।" यह पूरे जीवनकाल के दौरान बुलबुले की पहचान को बरकरार रखता है।

उन्होंने क्या पाया: एक बुलबुले की जीवन कहानी

उन्होंने एक विशिष्ट बुलबुले (जिसे SB230 नाम दिया गया) को चुना और उसके लगभग 26 मिलियन वर्षों के जीवन की पूरी कहानी देखी। यहाँ उन्होंने क्या सीखा:

विकास की तेजी (Growth Spurt): बुलबुला छोटा था और बहुत तेज़ी से बड़ा हुआ, जैसे आग की नली (सुपरनोवा विस्फोटों) द्वारा फुलाया जाने वाला गुब्बारा।
"चिमनी" प्रभाव: क्योंकि आकाशगंगा के नीचे की गैस भारी और घनी है, इसलिए बुलबुला नीचे नहीं बढ़ सका। यह एक बोतल में कॉर्क की तरह था। इसलिए, यह ऊपर की ओर बढ़ा। इसने आकाशगंगा की गैस की परत के ऊपर एक छेद कर दिया, जिससे एक "चिमनी" बन गई।
निकास मार्ग (Escape Route): इस चिमनी के माध्यम से, गर्म गैस और ऊर्जा आकाशगंगा के डिस्क से ऊपर के खाली स्थान (हेलो) में निकल गई। इसी तरह आकाशगंगाएँ "साँस" लेती हैं और सामग्री का पुनर्चक्रण करती हैं।
विलय (Mergers): बुलबुला अकेला नहीं रहा। यह अन्य बुलबुलों से टकराया, उनके साथ मिला, और फिर अलग हो गया। AI ही एकमात्र चीज़ थी जो इतनी स्मार्ट थी कि यह समझ सकी, "हम अभी भी वही बुलबुला हैं, भले ही हमने अभी-अभी अपने पड़ोसियों के साथ एक ग्रुप हग किया है।"

यह क्यों महत्वपूर्ण है

इससे पहले, खगोलविदों को अनुमान लगाना पड़ता था कि बुलबुले कहाँ शुरू और कहाँ समाप्त होते हैं, जिससे अक्सर वे जटिल हिस्से छूट जाते थे जहाँ वे आपस में मिलते हैं।

आकाशगंगा की सरंध्रता (Porosity): यह शोध पत्र पूछता है, "आकाशगंगा में कितने छेद हैं?" (सरंध्रता)। उन्होंने पाया कि हालांकि बुलबुले आपस में मिलते हैं, वे अक्सर लंबे समय तक अपनी पहचान बनाए रखते हैं। इसका मतलब है कि आकाशगंगा केवल एक बड़ा सूप नहीं है; यह अलग-अलग, परस्पर क्रिया करने वाले बुलबुलों का एक जटिल जाल है जो सुरंगें और चैनल बनाते हैं।
भविष्य: यह विधि केवल बुलबुलों के लिए नहीं है। यह ब्रह्मांड को देखने का एक नया तरीका है। जिस तरह आप ट्रैफिक में कार को ट्रैक करने के लिए कैमरे का उपयोग कर सकते हैं, उसी तरह अब इस AI का उपयोग अंतरिक्ष में किसी भी जटिल संरचना को ट्रैक करने के लिए किया जा सकता है, जिससे हमें यह समझने में मदद मिलेगी कि आकाशगंगाएँ कैसे विकसित होती हैं, तारे कैसे जन्म लेते हैं, और ब्रह्मांड में ऊर्जा कैसे चलती है।

संक्षेप में

लेखकों ने एक स्मृति वाला 3D वीडियो कैमरा बनाया है जो आकाशगंगा के अराजक, विस्फोटपूर्ण जीवन को देख सकता है और गर्म गैस के व्यक्तिगत "बुलबुलों" को ट्रैक कर सकता है, भले ही वे अस्त-व्यस्त हो जाएं, मिल जाएं और अलग हो जाएं। यह हमें समझने में मदद करता है कि ब्रह्मांड कैसे संरचित है और समय के साथ कैसे बदलता है।

यहाँ "Segmenting Superbubbles in a Simulated Multiphase Interstellar Medium using Computer Vision" शोध पत्र का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

सुपरबबल्स (superbubbles)—जो क्लस्टर्ड सुपरनोवा द्वारा निर्मित अंतरतारकीय माध्यम (Interstellar Medium - ISM) में बने रिक्त स्थान हैं—के विकास को समझना गैलेक्टिक ऊर्जा और संरचना के मॉडलिंग के लिए महत्वपूर्ण है। हालाँकि, मैग्नेटोहाइड्रोडायनामिक (MHD) सिमुलेशन में इन संरचनाओं का विश्लेषण करना चुनौतीपूर्ण है क्योंकि:

जटिल आकार (Complex Morphology): सुपरबबल्स अशांत (turbulent), गैर-गोलाकार आकृतियाँ प्रदर्शित करते हैं जो समय के साथ गतिशील रूप से विकसित होती हैं।
गतिशील अंतःक्रियाएँ (Dynamic Interactions): वे अक्सर पड़ोसी संरचनाओं के साथ विलीन हो जाते हैं, खंडित हो जाते हैं, या "चिमनी" (गैलेक्टिक मिडप्लेन को हेलो से जोड़ने वाले चैनल) बनाते हैं, जिससे उन्हें आसपास की गर्म गैस से अलग करना कठिन हो जाता है।
पारंपरिक विधियों की सीमाएँ (Limitations of Traditional Methods): मौजूदा दृष्टिकोण हस्त-निर्मित, नियम-आधारित ह्यूरिस्टिक्स (जैसे वैश्विक घनत्व या तापमान थ्रेशोल्ड) पर निर्भर करते हैं। ये तब विफल हो जाते हैं जब बुलबुले आपस में मिलते हैं या जब उनकी सीमाएँ अस्पष्ट होती हैं, क्योंकि निश्चित थ्रेशोल्ड मल्टीफेज ISM की बदलती भौतिक स्थितियों के अनुकूल नहीं हो सकते।

2. कार्यप्रणाली (Methodology)

लेखक 3D सेगमेंटेशन और सुपरबबल्स के टेम्पोरल ट्रैकिंग (समय के साथ ट्रैकिंग) को सटीक रूप से प्राप्त करने के लिए कंप्यूटर विजन (CV) और खगोल भौतिकी (Astrophysics) को संयोजित करने वाला एक अंतर्विषयक ढांचा प्रस्तावित करते हैं। यह पाइपलाइन तीन मुख्य चरणों से बनी है:

A. डेटासेट और भौतिकी-निर्देशित ग्राउंड ट्रुथ (Dataset and Physics-Guided Ground Truth)

डेटा स्रोत: एक सुपरनोवा-संचालित टर्बुलेंट ISM (Flash कोड का उपयोग करके) के MHD सिमुलेशन, जो $1 \times 1 \times 40$ kpc $^3$ वॉल्यूम को कवर करता है जिसमें एडेप्टिव मेश रिफाइनमेंट (मिडप्लेन के पास रिज़ॉल्यूशन $\approx 4$ pc) है।
इनपुट मोडैलिटीज (Input Modalities): मॉडल तीन चैनलों वाले 3D डेटा क्यूब्स को प्रोसेस करता है: घनत्व ( $n$ ), तापमान ( $T$ ), और ऊर्ध्वाधर वेग ( $v_z$ )।
भौतिकी-सूचित लेबलिंग (Physics-Informed Labeling): मनमाने थ्रेशोल्ड के बजाय, ग्राउंड ट्रुथ मास्क $T > 10^5.5$ K के तापमान थ्रेशोल्ड का उपयोग करके उत्पन्न किए गए हैं। यह विशिष्ट मान कूलिंग कर्व के उस इन्फ्लेक्शन पॉइंट (inflection point) के अनुरूप है जहाँ गैस थर्मल रूप से अस्थिर से थर्मल रूप से स्थिर गर्म गैस में परिवर्तित होती है, जिससे यह सुनिश्चित होता है कि लेबल भौतिक रूप से विशिष्ट सुपरबबल्स का प्रतिनिधित्व करते हैं।

B. 3D सिमेंटिक सेगमेंटेशन: Astro-UNETR

आर्किटेक्चर: लेखकों ने Swin-UNETR आर्किटेक्चर को अनुकूलित करते हुए एक हाइब्रिड मॉडल Astro-UNETR विकसित किया है। यह संयोजन करता है:
- Swin Transformers: 3D वॉल्यूम के भीतर दीर्घकालिक निर्भरता (long-range dependencies) और वैश्विक संदर्भ को कैप्चर करने के लिए।
- U-Net Decoder: स्किप कनेक्शन और ट्रांसपोज़्ड कन्वोल्यूशन के माध्यम से सूक्ष्म स्थानिक विवरणों को पुनः प्राप्त करने के लिए।
भौतिकी-निर्देशित लॉस फंक्शन ( $L_R$ ): यह सुनिश्चित करने के लिए कि मॉडल भौतिक रूप से प्रशंसनीय सीमाओं को सीखे, एक कस्टम लॉस फंक्शन पेश किया गया है। यह उन समाधानों को दंडित करता है जहाँ एक सेगमेंटेड गर्म बुलबुले की सतह अन्य गर्म गैस से सीधे जुड़ी होती है बिना किसी ठंडी इंटरफेस के। यह मॉडल को गर्म ISM बैकग्राउंड से बुलबुले को अलग करने के लिए उसके चारों ओर स्थित "ठंडे शेल" (cool shell) को सीखने के लिए मजबूर करता है।
प्रशिक्षण (Training): मॉडल थर्मल संरचनाओं और इंटरफेस पर वेग विशेषताओं को सीखने के लिए मल्टीमॉडल इनपुट (घनत्व, तापमान, वेग) पर प्रशिक्षित किया गया है।

C. इंस्टेंस ट्रैकिंग: SAM2 एकीकरण (Instance Tracking: SAM2 Integration)

चुनौती: सिमेंटिक सेगमेंटेशन यह पहचानता है कि क्या एक बुलबुला है, लेकिन यह नहीं कि समय के साथ कौन सा विशिष्ट बुलबुला कौन सा है (इंस्टेंस ट्रैकिंग), विशेष रूप से विलय (mergers) के दौरान।
समाधान: लेखक SAM2 (Segment Anything Model 2) को एकीकृत करते हैं, जो एक वीडियो ऑब्जेक्ट सेगमेंटेशन फाउंडेशन मॉडल है।
- वर्कफ़्लो: Astro-UNETR से प्राप्त सिमेंटिक मास्क को एक वीडियो अनुक्रम (2D स्लाइस का स्टैक) के रूप में माना जाता है। SAM2 को एक "प्रॉम्प्ट" (समय $t_0$ पर बुलबुले का स्थान) के साथ इनिशियलाइज़ किया जाता है और यह पिछले भविष्यवाणियों को संग्रहीत करने के लिए एक मेमोरी बैंक (FIFO क्यू) का उपयोग करता है।
- तंत्र (Mechanism): एक मेमोरी अटेंशन मॉड्यूल वर्तमान फ्रेम फीचर्स को ऐतिहासिक एम्बेडिंग्स के साथ फ्यूज करता है ताकि टेम्पोरल कोहेरेंस (समय संबंधी निरंतरता) बनाए रखी जा सके। यह सिस्टम को एक एकल बुलबुले को ट्रैक करने की अनुमति देता है, भले ही वह अस्थायी रूप से पड़ोसियों के साथ विलीन हो जाए और फिर अलग हो जाए, जिससे उसकी पहचान सुरक्षित रहती है।

3. प्रमुख योगदान (Key Contributions)

Astro-UNETR मॉडल: एक नवीन 3D सेगमेंटेशन आर्किटेक्चर जो विशेष रूप से खगोलीय डेटा के लिए डिज़ाइन किया गया है, जिसमें ISM थर्मल गुणों के आधार पर सीखने के लिए एक भौतिकी-सूचित लॉस फंक्शन ( $L_R$ ) शामिल है।
मजबूत इंस्टेंस ट्रैकिंग: जटिल घटनाओं जैसे विलय, विभाजन और चिमनी निर्माण के माध्यम से व्यक्तिगत सुपरबबल्स को ट्रैक करने के लिए SAM2 का पहला अनुप्रयोग।
इंटरकनेक्टेडनेस रेश्यो ( $R$ ): एक नया मेट्रिक जो एक बुलबुले के सतह क्षेत्र के उस अंश को मापने के लिए परिभाषित किया गया है जो सीधे अन्य गर्म गैस के साथ इंटरफेस करता है (बनाम ठंडी गैस)। यह मेट्रिक उन क्षणिक कनेक्शनों (वेंट्स/चिमनी) को प्रकट करता है जिन्हें पारंपरिक थ्रेशोल्डिंग मिस कर देती है।
मल्टीमॉडल लर्निंग: यह प्रदर्शित करना कि तापमान के अकेले उपयोग की तुलना में घनत्व, तापमान और वेग डेटा को संयोजित करने से बाउंड्री डिटेक्शन में सुधार होता है।

4. परिणाम (Results)

कार्यप्रणाली का परीक्षण एक विशिष्ट केस स्टडी पर किया गया: सुपरबबल SB230, जिसे 26 Myr की अवधि में ट्रैक किया गया।

रूपात्मक विकास (Morphological Evolution): मॉडल ने बुलबुले के गोलाकार आकार से कई सुरंगों वाली जटिल संरचना में परिवर्तन को सफलतापूर्वक विज़ुअलाइज़ किया। इसने एक चिमनी (एक ऊपर की ओर आउटफ्लो चैनल) के निर्माण को सटीक रूप से पहचाना जो मिडप्लेन को गैलेक्टिक हेलो से जोड़ता है।
ट्रैकिंग सटीकता: साधारण थ्रेशोल्डिंग के विपरीत, जो चिमनी निर्माण के दौरान बुलबुले को आस-पास की गर्म गैस के साथ विलीन कर देगी, SAM2 ने SB230 की पहचान को सही ढंग से बनाए रखा, इसे एक एकल इकाई के रूप में ट्रैक किया, भले ही यह अस्थायी कनेक्शन के दौरान हुआ हो।
ऊर्जा और वॉल्यूम डायनेमिक्स:
- वॉल्यूम (Volume): तीव्र प्रारंभिक विस्तार दिखाया, जिसके बाद नए सुपरनोवा इंजेक्शन के कारण होने वाले स्प surges और द्रव्यमान बहिर्वाह (mass outflow) के कारण होने वाली कमी देखी गई।
- ऊर्जा (Energy): कुल ऊर्जा $10^{44}$ J के आसपास स्थिर रही, जो संरचनात्मक परिवर्तनों के बावजूद कुशल ऊर्जा प्रतिधारण (energy retention) को दर्शाती है।
रेज़ोल्यूशन रोबस्टनेस (Resolution Robustness): 4 pc और 2 pc रेज़ॉल्यूशन सिमुलेशन की तुलना करने वाले परीक्षणों ने गुणात्मक रूप से समान सेगमेंटेशन परिणाम दिखाए, जो रेज़ॉल्यूशन परिवर्तनों के प्रति मॉडल की मजबूती की पुष्टि करते हैं।
इंटरकनेक्टेडनेस विश्लेषण: अनुपात $R$ $R$ ने सफलतापूर्वक बुलबुले के जीवनचक्र को ट्रैक किया:
- प्रारंभिक चरण: कम $R$ (अलग-थलग, ठंडी गैस से घिरा हुआ)।
- मध्य चरण: $R$ बढ़ गया क्योंकि बुलबुले ने पड़ोसियों के साथ हॉट-हॉट इंटरफेस बनाया (चिमनी निर्माण)।
- अंतिम चरण: $R$ में उतार-चढ़ाव हुआ क्योंकि बुलबुले ने अपने ऊपरी हिस्से को हेलो के लिए खोल दिया, जो मॉडल की संरचनात्मक कनेक्टिविटी का पता लगाने की क्षमता को प्रमाणित करता है।

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

वैज्ञानिक प्रभाव: यह कार्य ISM की पोरोसिटी (porosity) का विश्लेषण करने के लिए एक मजबूत ढांचा प्रदान करता है। अलग-थized बुलबुलों और परस्पर जुड़े नेटवर्क के बीच अंतर करके, यह इस बात का सूक्ष्म दृष्टिकोण प्रदान करता है कि सुपरनोवा गैलेक्टिक ऊर्जा संतुलन को कैसे नियंत्रित करते हैं और गैलेक्टिक फोंटेन्स (galactic fountains) को कैसे संचालित करते हैं।
पद्धतिगत प्रगति: यह डेटा-संचालित कंप्यूटर विजन और सैद्धांतिक खगोल भौतिकी के बीच के अंतर को पाटता है, जो स्थिर, नियम-आधारित विश्लेषण से आगे बढ़कर गतिशील, भौतिकी-निर्देशित डीप लर्निंग की ओर बढ़ता है।
भविष्य की दिशाएं:
- एनिसोट्रोपिक विस्तार (anisotropic expansion) का अध्ययन करने के लिए चुंबकीय क्षेत्र (magnetic field) डेटा को एकीकृत करना।
- अवलोकन संबंधी डेटा (जैसे HI मैप्स) के साथ तुलना करने के लिए 3D परिणामों को 2D प्लेन पर प्रोजेक्ट करना।
- एल्गोरिदम को अन्य खगोलीय घटनाओं (जैसे स्टेलर क्लस्टर, प्लैनेटरी नेबुला) तक विस्तारित करना।

निष्कर्षतः, यह शोध पत्र प्रदर्शित करता है कि भौतिकी-सूचित डीप लर्निंग को वीडियो सेगमेंटेशन के लिए फाउंडेशन मॉडल्स के साथ संयोजित करने से जटिल खगोलीय संरचनाओं का सटीक, स्वचालित ट्रैकिंग संभव है, जिससे ISM में गतिशील प्रक्रियाओं का खुलासा होता है जिन्हें पहले मापना कठिन था।