🔭 astrophysics

From DES to KiDS: Domain adaptation for cross-survey detection of low-surface-brightness galaxies

यह शोध पत्र प्रदर्शित करता है कि डोमेन एडाप्टेशन तकनीकें, डार्क एनर्जी सर्वे डेटा पर प्रशिक्षित डीप लर्निंग मॉडल्स का उपयोग करते हुए, KiDS DR5 सर्वेक्षण में 20,000 से अधिक निम्न-सतह-चमक वाली आकाशगंगाओं और 434 अल्ट्रा-डिफ्यूज आकाशगंगाओं को मजबूती से पहचानने और लक्षणगत करने में सक्षम हैं, जो LSST और Euclid जैसे भविष्य के बड़े पैमाने के सर्वेक्षणों के लिए होमोजेनियस गैलेक्सी कैटलॉग बनाने हेतु एक स्केलेबल मार्ग स्थापित करता है।

मूल लेखक: Hareesh Thuruthipilly, Krzysztof Lisiecki, Junais, Katarzyna Małek, Agnieszka Pollo, William J. Pearson, Antonio Vanzanella, Saptarshi Pal, Miguel Figueira, Pratik Dabhade, Anna Durkalec, Aidan P. Co

प्रकाशित 2026-05-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hareesh Thuruthipilly, Krzysztof Lisiecki, Junais, Katarzyna Małek, Agnieszka Pollo, William J. Pearson, Antonio Vanzanella, Saptarshi Pal, Miguel Figueira, Pratik Dabhade, Anna Durkalec, Aidan P. Cotter, Unnikrishnan Sureshkumar, Nandini Hazra, Patryk Matera, Subhrata Dey, Michal Vrábel, Anirban Dutta, Henry Willems, Nicola Principi Cavaterra, Natalia Dobrowolska, Wojciech Knop

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 कमरा है जो हजारों अलग-अलग प्रकार के फर्नीचर से भरा हुआ है। अधिकांश फर्नीचर चमकदार, उज्ज्वल और आसानी से दिखाई देने वाला है—जैसे एक चमकता हुआ झूमर या एक पॉलिश की हुई मेज। ये वे "सामान्य" आकाशगंगाएँ हैं जिन्हें हम आमतौर पर आकाश में देखते हैं। लेकिन कोनों में, अंधेरी दीवारों के खिलाफ मुश्किल से दिखाई देने वाले, पतले, धुंधले कपड़े से बनी रहस्यमयी और प्रेतवाधित वस्तुएं छिपी हुई हैं। ये हैं लो-सरफेस-ब्राइटनेस गैलेक्सीज़ (LSBGs)। वे इतनी मंद और फैली हुई हैं कि उन्हें ढूंढना अविश्वसनीय रूप से कठिन है, फिर भी वे इस कमरे के सभी फर्नीचर का एक बड़ा हिस्सा हो सकती हैं।

यह शोध पत्र इस बारे में है कि कैसे खगोलविदों की एक टीम ने आकाश के एक नए मानचित्र में इन प्रेतवाधित आकाशगंगाओं को खोजने के लिए एक विशेष "स्मार्ट कैमरा" बनाया, भले ही उस कैमरे को मूल रूप से एक अलग मानचित्र पर प्रशिक्षित किया गया था।

यहाँ बताया गया है कि उन्होंने इसे सरल चरणों में कैसे किया:

1. समस्या: एक कुत्ते को दूसरे जंगल में बिल्लियों को खोजने के लिए प्रशिक्षित करना

खगोलविदों के पास एक बहुत ही स्मार्ट कंप्यूटर प्रोग्राम (डिप लर्निंग नामक एक प्रकार का आर्टिफिशियल इंटेलिजेंस) था जो DES (डार्क एनर्जी सर्वे) नामक एक विशिष्ट आकाश सर्वेक्षण में इन धुंधली आकाशगंगाओं को खोजने में उत्कृष्ट था। इस प्रोग्राम को एक ऐसे कुत्ते के रूप में सोचें जिसे एक विशिष्ट जंगल में विशिष्ट खरगोशों को खोजने के लिए प्रशिक्षित किया गया है।

हालाँकि, वे इस "कुत्ते" का उपयोग KiDS (किलो-डिग्री सर्वे) नामक एक दूसरे जंगल में खरगोशों को खोजने के लिए करना चाहते थे। समस्या क्या थी? दोनों जंगल अलग दिखते हैं। रोशनी अलग है, पेड़ अलग आकार के हैं, और जमीन की बनावट अलग है। आमतौर पर, यदि आप एक जंगल में प्रशिक्षित कुत्ते को दूसरे जंगल में छोड़ देते हैं, तो वह भ्रमित हो जाता है और काम करना बंद कर देता है।

2. समाधान: "ट्रांसलेटर" (अनुवादक) का कमाल

इस "कुत्ते" को फिर से शुरू से प्रशिक्षित करने के बजाय (जिसमें बहुत समय लगता और बहुत सारे नए प्रशिक्षण डेटा की आवश्यकता होती), टीम ने डोमेन अडैप्टेशन (Domain Adaptation) नामक एक चतुर ट्रिक का उपयोग किया।

कल्पित कीजिए कि आप किसी को खरगोश की तस्वीर दिखाने की कोशिश कर रहे हैं जो एक अलग भाषा बोलता है। उन्हें पूरी भाषा सिखाने के बजाय, आप केवल तस्वीर की अवधारणा (concept) का अनुवाद करते हैं।

टीम ने नए जंगल (KiDS) की छवियों को लिया और उन्हें इस तरह समायोजित किया कि वे पुराने जंगल (DES) के समान भौतिक रूप से दिखाई दें।
उन्होंने तारों की चमक को एक सार्वभौमिक "भौतिक इकाई" में बदल दिया (जैसे कि "मेरी आँखों को क्या चमकता हुआ दिखता है" से बदलकर "प्रकाश ऊर्जा की सटीक मात्रा" में बदलना)।
उन्होंने छवियों को इस तरह से रीसाइज किया कि उनके "पिक्सेल" (तस्वीर को बनाने वाले छोटे बिंदु) समान पैमाने से मेल खा सकें।

ऐसा करके, उन्होंने नए जंगल को पुराने कुत्ते के लिए परिचित बना दिया। कुत्ते को नए प्रशिक्षण की आवश्यकता नहीं थी; उसने बस खरगोशों को पहचान लिया क्योंकि वे इस नए, अनुवादित भाषा में एक जैसे दिख रहे थे।

3. शिकार: भूतों की खोज

अपने "अनुवादित" चित्रों के साथ, उन्होंने AI मॉडलों को KiDS डेटा पर चलाया।

परिणाम: AI ने इन धुंधली, प्रेतवाधित आकाशगंगाओं में से 20,180 को खोज निकाला!
अति-धुंधली आकाशगंगाएँ: उन्होंने 434 "अल्ट्रा-डिफ्यूज गैलेक्सीज़" (UDGs) भी खोजीं। ये सबसे पारदर्शी, धुंधले भूतों की तरह हैं—आकार में बहुत बड़ी लेकिन वजन में अविश्वसनीय रूप से हल्की।

4. सफाई: मानवीय आँख

कंप्यूटर बहुत अच्छे होते हैं, लेकिन वे पूर्ण नहीं होते। कभी-कभी वे आकाश के अजीब पैटर्न से धोखा खा जाते हैं, जैसे लेंस पर कोई धब्बा या कोई दूर का तारा जो एक धुंधले गोले जैसा दिखता है।

टीम के पास 18 स्वयंसेवकों का एक समूह था जिन्होंने "क्वालिटी कंट्रोल इंस्पेक्टर" के रूप में कार्य किया।
उन्होंने यह सुनिश्चित करने के लिए एक-एक करके हजारों छवियों को देखा कि AI गलतियाँ तो नहीं कर रहा है।
इस मानवीय समीक्षा के बाद, उन्होंने 20,180 आकाशगंगाओं की अंतिम सूची की पुष्टि की।

5. उन्होंने क्या सीखा?

एक बार जब उनके पास इन भूतों की सूची आ गई, तो उन्होंने उनके बारे में प्रश्न पूछना शुरू किया:

क्या वे सामान्य आकाशगंगाओं से संबंधित हैं? हाँ। टीम ने पाया कि ये धुंधली आकाशगंगाएँ छोटी, सामान्य बौनी आकाशगंगाओं और विशाल, अल्ट्रा-डिफ्यूज आकाशगंगाओं के बीच एक चिकनी स्लाइडिंग स्केल पर स्थित हैं। यह एक छोटे स्टूल और एक विशाल बीन बैग चेयर के बीच के अंतर के बजाय, उन्हें जोड़ने वाले एक चिकने रैंप को खोजने जैसा है। वे सभी एक ही परिवार का हिस्सा हैं।
क्या वे नीली हैं या लाल? आकाशगंगाएँ दो मुख्य रंगों में आईं, जैसे कि एक दोहरी शख्सियत हो:
- नीली (73%): ये "किशोर" हैं जो अभी भी नए तारे बना रहे हैं। वे सक्रिय हैं और नया जीवन बना रहे हैं।
- लाल (27%): ये "सेवानिवृत्त" हैं जिन्होंने तारे बनाना बंद कर दिया है। वे शांत और पुरानी हैं।
वे कहाँ रहती हैं? टीम ने नोट किया कि आकाशगंगाएँ कहाँ रहती हैं, इसके आधार पर एक मजबूत पैटर्न है।
- जो आकाशगंगाएँ "कस्बों" (अलग-थलग स्थान) में अकेली रहती हैं, वे ज्यादातर नीली और सक्रिय हैं।
- जो आकाशगंगाएँ "शहरों" (आकाशगंगा समूहों) में भीड़भाड़ वाली जगहों पर रहती हैं, वे ज्यादातर लाल और शांत हैं।
- उपमा: यह एक व्यस्त शहर में रहने जैसा है। भीड़ (अन्य आकाशगंगाओं) का शोर और दबाव, नीली, सक्रिय आकाशगंगाओं को लाल, शांत आकाशगंगाओं में बदलने के लिए उनकी तारा-निर्माण प्रक्रिया को "क्वेंच" (शांत) या रोकने का काम करता है। वातावरण ही कारण है कि वे बदल गईं।

6. बड़ी तस्वीर

शोध पत्र इस निष्कर्ष पर पहुँचता है कि यह "ट्रांसलेटर" विधि अविश्वसनीय रूप से अच्छी तरह काम करती है। यह साबित करता है कि हम एक सर्वेक्षण पर प्रशिक्षित AI का उपयोग दूसरे सर्वेक्षण में आकाशगंगाओं को खोजने के लिए कर सकते हैं बिना दोबारा शुरुआत किए।

यह एक बहुत बड़ी बात है क्योंकि, निकट भविष्य में, विशाल नई दूरबीनें (जैसे LSST और Euclid) पूरे आकाश की तस्वीरें लेंगी, जिससे लाखों धुंधली आकाशगंगाएँ मिलेंगी। हमारे पास हर एक टेलीस्कोप के लिए एक नया AI प्रशिक्षित करने का समय नहीं होगा। यह शोध पत्र हमें एक रोडमैप दिखाता है: एक बार प्रशिक्षित करें, डेटा को अनुवादित करें, और हर जगह भूतों को खोजें।

संक्षेप में, टीम ने एक सार्वभौमिक कुंजी बनाई है जो ब्रह्मांड के सबसे छिपे हुए, धुंधले निवासियों के दरवाजे को खोलती है, यह सिद्ध करती है कि ब्रह्मांड की सबसे मंद रोशनी को भी खोजा जा सकता है यदि आप जानते हैं कि कैसे देखना है।

तकनीकी सारांश: DES से KiDS तक: लो-सरफेस-ब्राइटनेस गैलेक्सीज़ के क्रॉस-सर्वे डिटेक्शन के लिए डोमेन अडैप्टेशन

समस्या विवरण
लो-सरफेस-ब्राइटनेस गैलेक्सीज़ (LSBGs) गैलेक्सी फॉर्मेशन को समझने के लिए महत्वपूर्ण हैं और ब्रह्मांड की गैलेक्सी आबादी और गतिशील द्रव्यमान (dynamical mass) में एक महत्वपूर्ण हिस्सा बनाती हैं। हालाँकि, उनकी विसरित (diffuse) प्रकृति उन्हें पहचानना कठिन बना देती है, जिससे वर्तमान कैटलॉगों में उनका गंभीर रूप적인 कम प्रतिनिधित्व होता है। इस क्षेत्र में एक बड़ी चुनौती एक सार्वभौमिक रूप से स्वीकृत अवलोकन संबंधी परिभाषा का अभाव है और एक सर्वेक्षण पर प्रशिक्षित पहचान विधियों को दूसरे सर्वेक्षण पर लागू करने में कठिनाई है, जो फोटोट्रिक ज़ीरो-पॉइंट्स, पिक्सेल स्केल, पॉइंट-स्प्रेड फंक्शन (PSFs) और शोर (noise) गुणों में अंतर के कारण होती है। जैसे-जैसे खगोलीय समुदाय लेगेसी सर्वे ऑफ स्पेस एंड टाइम (LSST) और Euclid की तैयारी कर रहा है, जो लाखों विसरित गैलेक्सीज़ की खोज करेंगे, विषम डेटासेट्स (heterogeneous datasets) में समरूप LSBG कैटलॉग बनाने के लिए मजबूत, स्वचालित और स्केलेबल तरीकों की तत्काल आवश्यकता है, जिसमें हर नए सर्वेक्षण के लिए श्रम-साध्य पुन: प्रशिक्षण (retraining) या मैनुअल री-लेबलिंग की आवश्यकता न हो।

कार्यप्रणाली
लेखक केवल डार्क एनर्जी सर्वे (DES) का उपयोग करके विकसित मॉडलों का उपयोग करके किलो-डिग्री सर्वे डेटा रिलीज़ 5 (KiDS DR5) में LSBGs की पहचान करने के लिए डोमेन अडैप्टेशन तकनीकों की प्रभावकारिता की जांच करते हैं।

प्रशिक्षण डेटा (Training Data): अध्ययन DES DR1 के 37,000 ऑब्जेक्ट्स (18,532 LSBGs और 18,468 कंटामिनेंट्स) के लेबल वाले डेटासेट का उपयोग करता है, जिसे तानोग्लिडिस एट अल. (2021b) द्वारा पहचाना गया था और थुरुतिपिल्ली एट अल. (2024b) द्वारा अपडेट किया गया था।
मॉडल आर्किटेक्चर: तीन डीप लर्निंग मॉडलों का एक एन्सेम्बल (ensemble) नियोजित किया गया है: एक कनवल्शनल न्यूरल नेटवर्क (CNN) और दो ट्रांसफॉर्मर-आधारित मॉडल (LSBG-DETT और LSBG-ViT)। ये मॉडल मूल रूप से DES के लिए विकसित किए गए थे लेकिन कंप्यूटेशनल लागत को कम करने के लिए इन्हें टू-बैंड (g और r) इनपुट का उपयोग करके पुन: प्रशिक्षित किया गया है।
डोमेन अडैप्टेशन रणनीति: सोर्स डोमेन (DES) और टारगेट डोमेन (KiDS) के बीच वितरण संबंधी अंतरों को पाटने के लिए, लेखक एक भौतिकी-प्रेरित अनसुपरवाइज्ड डोमेन अडैप्टेशन दृष्टिकोण लागू करते हैं। इसमें शामिल है:
1. फोटोट्रिक ज़ीरो-प्वॉइंट्स को सामान्य करने के लिए पिक्सेल मानों को भौतिक सरफेस-ब्राइटनेस इकाइयों ( $\mu$ Jy arcsec $^{-2}$ ) में बदलना।
2. फ्लक्स को संरक्षित करते हुए पिक्सेल स्केल में अंतर को संभालने के लिए छवियों को एक सामान्य रिज़ॉल्यूशन (64 $\times$ 64 पिक्सेल) में रीसाइज करना।
3. ये सामान्यीकरण लागू करने से DES-प्रशिक्षित मॉडलों को बिना पुन: प्रशिक्षण के सीधे KiDS इमेजिंग पर लागू किया जा सकता है।
चयन पाइपलाइन (Selection Pipeline):
1. प्री-सिलेक्शन: KiDS DR5 पैरेंट कैटलॉग ( $\sim$ 1.38 $\times$ 10 $^8$ स्रोत) से, उम्मीदवारों को प्रभावी त्रिज्या ( $2'' < r_{eff} < 20''$ ), एक्सिस रेशियो ( $q > 0.3$ ), और सरफेस ब्राइटनेस ( $\mu_{eff,r} > 23$ mag arcsec $^{-2}$ ) के साथ-साथ कलर कट्स के आधार पर फ़िल्टर किया जाता है।
2. डीप लर्निंग क्लासिफिकेशन: एन्सेम्बल उन स्रोतों को LSBG उम्मीदवार के रूप में वर्गीकृत करता है यदि कम से कम एक मॉडल $P \ge 0.5$ की प्रायिकता (probability) असाइन करता है।
3. स्ट्रक्चरल फिटिंग: संरचनात्मक मापदंडों को परिष्कृत करने और न्यूक्लिएटेड सिस्टम की पहचान करने के लिए उम्मीदवारों को galfitm का उपयोग करके सिंथेटिक g, r, और i-बैंड सर्सिक फिटिंग से गुजारा जाता है।
4. विजुअल इंस्पेक्शन: 18 सह-लेखकों की एक टीम कंटामिनेंट्स और मिसफिट्स को हटाने के लिए उम्मीदवारों का दृश्य निरीक्षण करती है, जिससे उच्च सैंपल प्योरिटी सुनिश्चित होती है।
5. रेडशिफ्ट और भौतिक गुण: अंतिम सैंपल को रेडशिफ्ट प्राप्त करने के लिए स्पेक्ट्रोस्कोपिक सर्वेक्षणों (2dFGRS, GAMA, SDSS, DESI) और H I सर्वेक्षणों (ALFALFA, FAST) के साथ क्रॉस-मैच किया जाता है। उन स्रोतों के लिए जिनके पास स्पेक्ट्रोस्कोपिक रेडशिफ्ट नहीं है, CIGALE का उपयोग करके SED फिटिंग के माध्यम से फोटोमेट्रिक रेडशिफ्ट (photo-z), स्टेलर मास ( $M_*$ ), और स्टार फॉर्मेशन रेट (SFR) प्राप्त किए जाते हैं।

मुख्य परिणाम

कैटलॉग निर्माण: कार्यप्रणाली सफलतापूर्वक KiDS DR5 में 20,180 LSBGs और 434 अल्ट्रा-डिफ्यूज गैलेक्सीज़ (UDGs) की पहचान करती है।
मॉडल प्रदर्शन: एन्सेम्बल DES टेस्ट सेट पर 97% रिकॉल और $\sim$ 6% कंटैमिनेशन रेट प्राप्त करता है। ओवरलैपिंग KiDS फुटप्रिंट में ज्ञात LSBGs के विरुद्ध सत्यापन, DES LSBGs के लिए 95.1% की री-आइडेंटिफिकेशन दर और ज्ञात UDGs के लिए 92.2% की दर दिखाता है, जो सर्वेक्षणों के बीच सामान्यीकरण करने की मॉडलों की क्षमता की पुष्टि करता है।
संरचनात्मक गुण: KiDS-LSBGs के संरचनात्मक पैरामीटर (Sérsic इंडेक्स, एक्सिस रेशियो, प्रभावी त्रिज्या) DES और हाइपर सुप्रीम-कैम SSP सर्वे (HSC-SSP) के LSBGs के अनुरूप हैं।
साइज़-ल्यूमिनोसिटी संबंध: अध्ययन एक निरंतर साइज़-ल्यूमिनोसिटी संबंध प्रकट करता है जो क्लासिकल ड्वार्फ गैलेक्सीज़, LSBGs और UDGs को जोड़ता है, जो यह सुझाव देता है कि वे एक अलग वर्ग के बजाय ड्वार्फ गैलेक्सी आबादी का एक विसरित विस्तार (diffuse extension) हैं।
फोटोमेट्रिक रेडशिफ्ट: SED फिटिंग $\sigma_{NMAD} = 0.031$ के नॉर्मलाइज्ड मीडियन एब्सोल्यूट डेविएशन के साथ photo-z अनुमान प्रदान करती है, जो सामान्य KiDS गैलेक्सी आबादी के तुल्य है। हालाँकि, photo-z मान व्यवस्थित रूप से अधिक ( $\Delta z \simeq 0.024$ ) अनुमानित होते हैं, जिससे स्टेलर मास और SFR अनुमानों में व्यवस्थित ऑफसेट्स आते हैं। इन पूर्वाग्रहों के बावजूद, विशिष्ट स्टार फॉर्मेशन रेट (sSFR) शिफ्ट छोटे ( $\sim$ 0.13–0.22 dex) हैं, जो स्टार-फॉर्मिंग मेन सीक्वेंस की संरचना को बनाए रखते हैं।
कलर बाइमोडैलिटी और एनवायरनमेंट: LSBG सैंपल एक बाइमॉडल कलर डिस्ट्रीब्यूशन ( $\sim$ 73% ब्लू, $\sim$ 27% रेड) दिखाता है। क्लस्टर LSBGs और UDGs के लिए मजबूत पर्यावरणीय रुझान देखे गए हैं: गैर-क्लस्टर सिस्टम की तुलना में क्लस्टर LSBGs और UDGs अधिक लाल (redder) हैं और कम स्टार फॉर्मेशन प्रदर्शित करते हैं। सबसे कम रेडशिफ्ट बिन ( $z \le 0.03$ ) में, 72.7% क्लस्टर LSBGs क्वेंच्ड (quenched) हैं, जबकि गैर-क्लस्टर वातावरण में केवल 11.1% हैं। क्लस्टर्स में UDGs, नॉन-UDGs की तुलना में अधिक मजबूती से क्वेंच्ड हैं।

महत्व और दावे
यह शोध प्रदर्शित करता है कि डोमेन अडैप्टेशन, विशेष रूप से सरफेस-ब्राइटनेस नॉर्मलाइजेशन और इमेज रिसाइजिंग के माध्यम से, एक सर्वेक्षण (DES) पर प्रशिक्षित डीप लर्निंग मॉडलों को बिना पुन: प्रशिक्षण के एक अलग, स्वतंत्र सर्वेक्षण (KiDS) में प्रभावी रूप से LSBGs की पहचान करने में सक्षम बनाता है। यह विषम डेटासेट्स में समरूप LSBG कैटलॉग बनाने के लिए एक स्केलेबल और कंप्यूटेशनल रूप से कुशल मार्ग स्थापित करता है।

लेखक दावा करते हैं कि यह फ्रेमवर्क आगामी LSST और Euclid के युग के लिए विशेष रूप से उपयुक्त है, जहाँ डेटा की विशाल मात्रा सर्वेक्षण-विशिष्ट मॉडल प्रशिक्षण और मैनुअल निरीक्षण को अव्यावहारिक बना देगी। क्रॉस-सर्वे पहचान को संभव बनाकर, यह अध्ययन विसरित गैलेक्सीज़ के संरचनात्मक, स्टेलर पॉपुलेशन और पर्यावरणीय गुणों का कॉस्मिक समय के माध्यम से व्यवस्थित, बड़े पैमाने पर अध्ययन करने के लिए एक आधार प्रदान करता है। यह कार्य यह भी रेखांकित करता है कि हालांकि photo-z से प्राप्त गुणों में व्यवस्थित पूर्वाग्रह हैं, फिर भी वे जनसंख्या-स्तरीय सांख्यिकीय विश्लेषणों, जैसे कि LSBGs के स्टार-फॉर्मिंग मेन सीक्वेंस के लक्षण वर्णन के लिए उपयोगी हैं।