Classification of Eclipsing Binary Light Curves in Gaia DR3: A Machine Learning Approach
यह अध्ययन एक नवीन मल्टीमॉडल डीप लर्निंग मॉडल प्रस्तुत करता है जो लाइट कर्व रूपात्मकता (morphologies) और ज्यामितीय मापदंडों के आधार पर Gaia DR3 में लगभग 2 मिलियन ईक्लिप्सिंग बाइनरी सितारों को EA, EB, और EW प्रकारों में स्वचालित रूप से वर्गीकृत करने के लिए CNNs और MLPs को संयोजित करके 95% से अधिक सटीकता प्राप्त 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
रात के आकाश की कल्पना एक विशाल, हलचल भरे शहर के रूप में करें जहाँ तारे नागरिक हैं। इन नागरिकों के बीच, कुछ "जुड़वां" हैं जो एक दूसरे के साथ नृत्य में बंधे हैं, एक दूसरे के चारों ओर इतनी करीब से घूम रहे हैं कि वे समय-समय पर एक-दूसरे के सामने से गुजरते हैं, जिससे उनकी संयुक्त चमक कम हो जाती है। खगोलशास्त्री इन्हें एक्लिप्सिंग बाइनरी (eclipsing binaries) कहते हैं।
दशकों से, वैज्ञानिक इन नाचते हुए जोड़ों को उनके प्रकाश के कम होने और चमकने के तरीके के आधार पर तीन मुख्य व्यक्तित्व प्रकारों में वर्गीकृत करने का प्रयास कर रहे हैं:
- EA (अल्गोल-प्रकार): दो अलग-अलग नर्तकों की तरह जो एक-दूसरे से दूरी बनाए रखते हैं और साफ-सुथरे तरीके से पास से गुजरते हैं।
- EB (बीटा-लिरिया प्रकार): ऐसे नर्तकों की तरह जो छूने के लिए इतने करीब हैं कि गुरुत्वाकर्षण के कारण उनका आकार थोड़ा बिगड़ गया है।
- EW (यूआर सा मेजर प्रकार): ऐसे नर्तकों की तरह जो एक एकल, मूंगफली के आकार के पिंड में विलीन हो गए हैं, और लगातार एक-दूसरे को छू रहे हैं।
समस्या: बहुत अधिक नर्तक
यूरोपीय अंतरिक्ष एजेंसी के गाइया (Gaia) उपग्रह ने हाल ही में लगभग 21 लाख इन बाइनरी तारा उम्मीदवारों के लाइट कर्व्स (light curves) वाला एक विशाल डेटासेट (DR3) जारी किया है। इन 20 लाख लाइट कर्व्स में से प्रत्येक को हाथ से देखने और उन्हें तीन श्रेणियों में वर्गीकृत करने का प्रयास करना एक छोटे देश के आकार के पुस्तकालय की हर किताब को अकेले पढ़ने जैसा है। यह असंभव है। इस शोध पत्र के लेखकों ने महसूस किया कि मैन्युअल छंटनी "अस्थिर" (unsustainable) है।
समाधान: एक दो-मस्तिष्क वाला AI
इस समस्या को हल करने के लिए, शोधकर्ताओं ने मशीन लर्निंग का उपयोग करके एक नए प्रकार का "सुपर-साइंटिस्ट" बनाया। लेकिन केवल एक मस्तिष्क के बजाय, उन्होंने एक मल्टीमॉडल (multimodal) प्रणाली बनाई—जो एक ही समय में दो अलग-अलग तरीकों से "सोचने" का उपयोग करती है, जैसे कि एक जासूस जो अपराध स्थल की तस्वीर और लिखित पुलिस रिपोर्ट दोनों को एक साथ देखता है।
- विजुअल ब्रेन (CNN): यह AI का हिस्सा लाइट कर्व्स को ऐसे देखता है जैसे कि वे चित्र हों। यह वास्तविक टेलीस्कोप डेटा के शोर-शराबे को नजरअंदाज करता है और इसके बजाय गणितीय मॉडलों से उत्पन्न किए गए साफ, आदर्श रेखाचित्रों (drawings) को देखता है। यह प्रकाश के उतार-चढ़ाव के "आकार" को पहचानना सीखता है, ठीक वैसे ही जैसे आप किसी चेहरे को उसकी रूपरेखा से पहचानते हैं।
- मैथ ब्रेन (MLP): यह भाग कर्व्स के पीछे के संख्याओं को देखता है। यह विशिष्ट मापों का विश्लेषण करता है जैसे कि गिरावट कितनी गहरी है, कितनी चौड़ी है, और घटनाओं का समय क्या है।
"चित्र" और "संख्याओं" को मिलाकर, AI उस चीज़ की बहुत स्पष्ट तस्वीर प्राप्त कर लेता है जो वह देख रहा है, जो केवल एक विधि के उपयोग से संभव नहीं होता।
प्रशिक्षण: सटीक प्रतियों पर अभ्यास
लेखकों ने एक चतुर तरीका अपनाया जिससे प्रशिक्षण के लिए "शोर वाले" वास्तविक डेटा से बचा जा सके। वास्तविक टेलीस्कोप डेटा अक्सर धुंधला या त्रुटिपूर्ण होता है। इसके बजाय, उन्होंने AI को सिंथेटिक (नकली) लाइट कर्व्स खिलाए जो पूरी तरह से साफ थे। यह एक छात्र को बिल्लियों के सटीक, स्पष्ट चित्र दिखाकर बिल्ली को पहचानने के लिए सिखाने जैसा है, इससे पहले कि उसे वास्तविक फोटो में एक धुंधली बिल्ली को पहचानने के लिए कहा जाए। इसने यह सुनिश्चित किया कि AI ने टेलीस्कोप के 'शोर' को नहीं, बल्कि तारों के 'आकार' को सीखा।
परिणाम: एक मास्टर सॉर्टर
जब उन्होंने इस दो-मस्तिष्क वाले AI का परीक्षण किया, तो यह अविश्वसनीय रूप से सटीक था:
- इसने 95% से अधिक बार वर्गीकरण सही किया।
- यह विशेष रूप से EA प्रकार (साफ, अलग रहने वाले नर्तक) को पहचानने में कुशल था, जिसने लगभग पूर्ण सटीकता के साथ इसकी पहचान की।
- इसने EB और EW प्रकारों के साथ भी अच्छा काम किया, हालांकि इसने कभी-कभी उनमें भ्रमित होकर उन्हें गलत पहचान लिया। यह भौतिक रूप से समझ में आता है: EB और EW तारे एक ही परिवार के चचेरे भाइयों की तरह हैं; वे इतने समान हैं कि मानव विशेषज्ञ भी उन्हें अलग करने में संघर्ष करते हैं। AI की "गलतियां" ठीक वहीं हुईं जहां सितारों का भौतिक विज्ञान धुंधला हो जाता है।
बड़ी तस्वीर
इस प्रशिक्षित AI का उपयोग करके, शोधकर्ताओं ने गाइया डेटाबेस के शेष 20 लाख तारों को स्वचालित रूप से वर्गीकृत किया। अंतिम गणना लगभग थी:
- 40% EA प्रकार
- 30% EB प्रकार
- 30% EW प्रकार
यह क्यों महत्वपूर्ण है
यह केवल मनोरंजन के लिए तारों को छाँटने के बारे में नहीं है। आपके पास किस प्रकार का बाइनरी स्टार है, यह जानना आपको बताता है कि तारे कैसे बने हैं और वे कैसे परस्पर क्रिया करते हैं।
- यदि आप किसी तारे के द्रव्यमान और आकार को पूरी तरह से मापना चाहते हैं, तो आपको EA प्रकार (साफ नर्तक) की आवश्यकता है।
- यदि आप यह अध्ययन करना चाहते हैं कि तारे कैसे विलीन होते हैं या विकसित होते हैं, तो आपको EW प्रकार (विलय हुए पिंड) की आवश्यकता है।
इस छंटनी प्रक्रिया को स्वचालित करके, शोधकर्ताओं ने एक विश्वसनीय "फिल्टर" बनाया है जो अन्य वैज्ञानिकों को लाखों डेटा बिंदुओं को हाथ से छानने के बजाय अपने स्वयं के शोध के लिए आवश्यक विशिष्ट प्रकार के तारों को जल्दी से खोजने की अनुमति देता है। यह ढांचा भविष्य के आकाश सर्वेक्षणों (sky surveys) के लिए भी उपयोग किया जा सकता है, जिससे हमें ब्रह्मांड को तेजी से और अधिक सटीकता से समझने में मदद मिलेगी।
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।