Black Boxes in Black Hole Imaging
यह शोध पत्र तर्क देता है कि यद्यपि ब्लैक होल इमेजिंग के व्यापक ढांचे के भीतर मशीन लर्निंग और सिमुलेशन में ज्ञान संबंधी अपारदर्शिता (epistemic opacity) के कुछ रूप ज्ञान संबंधी रूप से स्वीकार्य हो सकते हैं, तथापि सैजिटेरियस ए* (Sagittarius A*) के लिए GRMHD मॉडलों की वर्तमान अपारदर्शिता स्रोत की हमारी समझ की मौलिक सीमाओं को प्रकट करती है और मशीन लर्निंग विधियों के भविष्य के अनुप्रयोग को बाधित करती 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
कल्पना कीजिए कि आप 30,000 फीट की ऊँचाई पर उड़ते हुए विमान से एक फुटबॉल के मैदान पर बैठे एक नन्हे, अदृश्य चींटे की फोटो खींचने की कोशिश कर रहे हैं। आपके पास कैमरा लेंस नहीं है; इसके बजाय, आपके पास दुनिया भर में बिखरे हुए हजारों दोस्त हैं, जिनमें से प्रत्येक के पास एक पहेली का एक छोटा सा हिस्सा है। वे आपको अपने हिस्से भेजते हैं, लेकिन तस्वीर में बड़े हिस्से गायब हैं, और वे हिस्से 'स्टैटिक नॉइज़' (शोर) से ढके हुए हैं।
यही मूल रूप से इवेंट होराइजन टेलीस्कोप (EHT) ब्लैक होल की तस्वीर लेने के लिए करता है। वे एक "आभासी टेलीस्कोप" बनाने के लिए दुनिया भर के रेडियो टेलीस्कोप का उपयोग करते हैं जो पृथ्वी के आकार का होता है। लेकिन क्योंकि डेटा इतना विरल (sparse) और शोर भरा है, वे सीधे तस्वीर प्रिंट नहीं कर सकते। उन्हें खाली जगहों को भरने और छवि को पुनर्गठित करने के लिए जटिल कंप्यूटर एल्गोरिदम की आवश्यकता होती है।
जुलियस डोबोसेव्स्की और जेमी एल्डर का यह शोध पत्र एक बड़ा सवाल पूछता है: जैसे-जैसे हम इन पहेलियों को सुलझाने के लिए "ब्लैक बॉक्स" आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करना शुरू कर रहे हैं, क्या हम अभी भी परिणामों पर भरोसा कर सकते हैं?
यहाँ उनके तर्क का विवरण दिया गया है, जिसमें सरल उपमाओं का उपयोग किया गया है।
1. "ब्लैक बॉक्स" क्या है?
विज्ञान में, "ब्लैक बॉक्स" एक ऐसा उपकरण है जहाँ आप एक तरफ डेटा डालते हैं, दूसरी तरफ से उत्तर आता है, लेकिन आप यह नहीं देख सकते कि मशीन उस उत्तर तक कैसे पहुँची।
- डर: यदि कोई मशीन हमें ब्लैक होल की तस्वीर देती है, लेकिन हमें यह नहीं पता कि उसने उसे बनाने के लिए किस गणित का उपयोग किया है, तो हमें कैसे पता चलेगा कि वह केवल एक सुंदर तस्वीर की कल्पना (hallucinating) नहीं कर रही है?
- शोध पत्र का दृष्टिकोण: लेखक तर्क देते हैं कि आपको बॉक्स खोलने की हमेशा आवश्यकता नहीं होती कि यह कैसे काम करता है। यदि बॉक्स परीक्षण करने पर लगातार सही उत्तर देता है, और यदि अन्य स्वतंत्र उपकरण भी इसके साथ सहमत हैं, तो बॉक्स विश्वसनीय है—भले ही वह अंदर से एक रहस्य बना रहे।
2. असली समस्या: मशीन के भीतर का "भूत" (The Ghost in the Machine)
यह शोध पत्र एक आश्चर्यजनक खोज करता है। ब्लैक होल इमेजिंग में सबसे बड़ी "ब्लैक बॉक्स" समस्या वास्तव में नए AI उपकरण नहीं हैं; बल्कि वे पुराने भौतिकी मॉडल (physics models) हैं जिनका उपयोग उन्हें प्रशिक्षित करने के लिए किया जाता है।
- उपमा: कल्पना कीजिए कि आप एक रोबोट को एक "सौम्य विशालकाय" (हमारी आकाशगंगा का ब्लैक होल, सैजिटेरियस A*) पहचानने के लिए सिखाने की कोशिश कर रहे हैं। आप रोबोट को यह सीखने के लिए कि वे कैसे दिखते हैं, हजारों विशालकाय जीवों की तस्वीरें दिखाते हैं। लेकिन, जो तस्वीरें आप रोब de को दिखा रहे हैं, वे वास्तव में इंसानों द्वारा बनाई गई ड्राइंग हैं जो थोड़ी गलत हैं।
- वास्तविकता: वैज्ञानिक अपने AI के लिए "ट्रेनिंग डेटा" उत्पन्न करने के लिए GRMHD (जनरल-रिलेटिविस्टिक मैग्नेटोहाइड्रोडायनामिक्स) नामक जटिल सिमुलेशन का उपयोग करते हैं। शोध पत्र का तर्क है कि ये सिमुलेशन वर्तमान में अपारदर्शी (opaque) हैं (हम पूरी तरह से नहीं समझते कि वे क्यों काम करते हैं या विफल होते हैं) और अपर्याप्त (inadequate) हैं (वे सैजिटेरियस A* के वास्तविक डेटा से पूरी तरह मेल नहीं खा सकते)।
- परिणाम: यदि आप एक त्रुटिपूर्ण, अपारदर्शी ड्राइंग पर AI को प्रशिक्षित करते हैं, तो AI उन त्रुटियों को विरासत में प्राप्त कर लेता है। AI का "ब्लैक बॉक्स" उतना डरावना नहीं है जितना कि उन भौतिकी मॉडलों का "ब्लैक बॉक्स" जिन्हें इसे खिलाया गया है।
3. AI पर भरोसा करने के चार नियम
लेखक चार शर्तें (एक सुरक्षा चेकलिस्ट की तरह) प्रस्तावित करते हैं जिससे यह तय किया जा सके कि हम खगोल विज्ञान में इन अपारदर्शी AI उपकरणों पर कब भरोसा कर सकते हैं। इन्हें एक नए प्रशिक्षु मैकेनिक के नियमों के रूप में सोचें:
- नियम 1: प्रशिक्षण पुस्तकालय (C1)
AI को संभावनाओं के एक विशाल, विविध पुस्तकालय पर प्रशिक्षित किया जाना चाहिए। यदि आप AI को केवल एक प्रकार के ब्लैक होल की तस्वीरें दिखाते हैं, तो यह दूसरे प्रकार को देखते ही विफल हो जाएगा। सत्य को जानने के लिए इसे हर संभव आकार और आकार देखना होगा। - नियम 2: पूर्वाग्रह पर नज़र रखें (C2)
वैज्ञानिकों को लगातार यह जांचना चाहिए कि AI अपने स्वयं के अनुमानों पर कहाँ "अटक" रहा है। यदि AI को एक विशिष्ट सिद्धांत पर प्रशिक्षित किया गया है जो बाद में गलत साबित होता है, तो वैज्ञानिकों को उस पूर्वाग्रह को पकड़ना होगा इससे पहले कि वह छवि को खराब कर दे। - नियम 3: "अभ्यास सत्र" (C3)
किसी बिल्कुल नए, अज्ञात रहस्य पर AI का उपयोग करने से पहले, इसे उन चीजों पर काम करके खुद को साबित करना चाहिए जिन्हें हम पहले से समझते हैं। उदाहरण के लिए, यदि AI M87 (जिसे हमने पहले ही फोटोग्राफ किया है) के ब्लैक होल की छवि को पूरी तरह से पुनर्गठित कर सकता है, तो हम बाद में उसी ब्लैक होल की निगरानी करने के लिए इस पर भरोसा कर सकते हैं। - नियम 4: "दूसरी राय" (C4)
यह सबसे महत्वपूर्ण नियम है। AI का उत्तर एक पूरी तरह से अलग पद्धति के उत्तर से मेल खाना चाहिए। यदि AI कहता है "यह एक रिंग है," और एक पारंपरिक गणितीय पद्धति भी कहती है "यह एक रिंग है," और एक मानव विशेषज्ञ भी सहमत है, तो हम परिणाम पर भरोसा कर सकते हैं। हमें यह जानने की आवश्यकता नहीं है कि AI ने इसे कैसे किया, क्योंकि अन्य विधियों ने इसकी पुष्टि कर दी है।
4. भविष्य के लिए यह क्यों मायने रखता है
EHT डेटा को मनुष्यों द्वारा विश्लेषण किए जाने की गति से अधिक तेजी से एकत्र कर रहा है। वे सूचनाओं में डूब रहे हैं।
- बाधा (Bottleneck): हमें काम को तेज करने के लिए AI की आवश्यकता है।
- समाधान: हमें AI को "व्याख्या योग्य" (पारदर्शी) बनाने के लिए मजबूर करने की आवश्यकता नहीं है। हमें बस यह सुनिश्चित करने की आवश्यकता है कि यह ऊपर दिए गए चार नियमों का पालन करे।
- चेतावनी: लेखक चेतावनी देते हैं कि हमारी अपनी आकाशगंगा के ब्लैक होल (सैजिटेरियस A*) के लिए, वर्तमान भौतिकी मॉडल इतने अस्थिर हैं कि अभी उन पर AI का उपयोग करना जोखिम भरा है। AI केवल हमारी वर्तमान उलझन को बढ़ा सकता है।
निष्कर्ष
शोध पत्र निष्कर्ष निकालता है कि हम खगोल विज्ञान में "ब्लैक बॉक्स" AI पर भरोसा कर सकते हैं, बशर्ते हम केवल उस पर निर्भर न रहें।
यदि हम AI को विभिन्न विधियों के समूह में एक आवाज के रूप में उपयोग करते हैं, और यदि हम इसे उन चीजों के विरुद्ध जांचते हैं जिन्हें हम पहले से जानते हैं, तो हम हर उस कदम को समझे बिना भी विश्वसनीय परिणाम प्राप्त कर सकते हैं जो कंप्यूटर ने लिया है। असली खतरा AI के रहस्यमय होने में नहीं है; असली खतरा यह है कि AI को ब्रह्मांड की हमारी वर्तमान, अपूर्ण समझ पर प्रशिक्षित किया जा रहा है।
संक्षेप में: आपको यह जानने के लिए कि जादू का खेल असली है या नहीं, यह जानने की आवश्यकता नहीं है कि जादू कैसे काम करता है, जब तक कि आपके पास दूसरा जादूगर उस जादू की पुष्टि करे और आपने उस जादूगर को सफलतापूर्वक जादू करते हुए देखा हो। लेकिन यदि जादूगर ताश की नकली गड्डी पर अभ्यास कर रहा है, तो जादू केवल एक भ्रम हो सकता है।
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।