🔭 astrophysics

Star-forming clump detection in nearby galaxies using Faster R-CNN and $ugrizy$ imaging data from CLAUDS and HSC-SSP

यह शोध पत्र CLAUDS और HSC-SSP सर्वेक्षणों से छह-बैंड $ugrizy$ इमेजिंग और Zoobot बैकबोन का उपयोग करने वाले एक नवीन Faster R-CNN-आधारित डीप लर्निंग मॉडल को प्रस्तुत करता है, जो कम रेडशिफ्ट वाली आकाशगंगाओं में विशाल तारा-निर्माण क्लम्प्स (Giant Star-forming Clumps) को उच्च पूर्णता ( $\gtrsim 0.9$ ) और शुद्धता ( $\gtrsim 0.8$ ) के साथ पता लगाता है।

मूल लेखक: Jürgen J. Popp, Hugh Dickinson, Stephen Serjeant, Lucy F. Fortson, Tobias Géron, Brooke D. Simmons, Vihang Mehta

प्रकाशित 2026-07-21

📖 4 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Jürgen J. Popp, Hugh Dickinson, Stephen Serjeant, Lucy F. Fortson, Tobias Géron, Brooke D. Simmons, Vihang Mehta

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, ब्रह्मांडीय निर्माण स्थल (कॉस्मिक कंस्ट्रक्शन साइट) है। लंबे समय तक, खगोलविदों ने सोचा कि सबसे नाटकीय निर्माण खंड—सितारों के बनने की एक उन्मादी प्रक्रिया में मौजूद विशाल, चमकते हुए समूह—केवल दूर के, प्राचीन अतीत में ही पाए जाते थे, जैसे कि अरबों साल पहले ओवरटाइम काम करने वाले निर्माण दल। हमारे ब्रह्मांड के स्थानीय पड़ोस में, आकाशगंगाओं को अधिक शांत, व्यवस्थित उपनगरों की तरह माना जाता था जहाँ तारे धीरे-धीरे और निरंतर जन्म लेते हैं। लेकिन क्या होगा अगर वे विशाल, ऊर्जावान निर्माण दल वास्तव में हमारे ठीक बगल में छिपे हुए हैं, बस देखे जाने का इंतज़ार कर रहे हैं? यही वह प्रश्न है जो कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) के उपकरणों का उपयोग करके पास की आकाशगंगाओं में इन "विशाल तारा-निर्माण समूहों" (जायंट स्टार-फॉर्मिंग क्लम्प्स) की खोज करने वाले एक नए अध्ययन को प्रेरित करता है। इस खोज को समझने के लिए, आपको यह जानने की आवश्यकता है कि आकाशगंगाएँ सितारों, गैस और धूल के विशाल संग्रह हैं, और "रेडशिफ्ट" केवल एक तरीका है जिससे खगोलविद यह मापते हैं कि कोई चीज़ कितनी दूर है (और उसका प्रकाश कब छोड़ा गया था)। चुनौती यह है कि ये समूह अक्सर धुंधले होते हैं और अपने मेजबान आकाशगंगाओं की चमक में खो जाते हैं, जिससे पारंपरिक तरीकों से उन्हें ढूंढना कठिन हो जाता है।

यहाँ शोधकर्ताओं की एक टीम आई जिन्होंने एक कंप्यूटर को आकाशगंगाओं के साथ "व्हेयर इज़ वाल्डो?" (Where's Waldo?) का एक उच्च-दांव वाला खेल खेलने के लिए प्रशिक्षित करने का निर्णय लिया। मनुष्यों से हजारों धुंधली आकाशगंगाओं की तस्वीरों को देखने और एक छोटे से चमकीले धब्बे के लिए आँखें सिकोड़ने के बजाय, उन्होंने 'फास्टर आर-सीएनएन' (Faster R-CNN) नामक प्रणाली पर आधारित एक सुपर-स्मार्ट डिजिटल जासूस बनाया। इस प्रणाली को एक ऐसे रोबोट के रूप में समझें जिसे न केवल एक चीज़, बल्कि वस्तुओं के एक पूरे चिड़ियाघर को पहचानने के लिए प्रशिक्षित किया गया है। यह केवल "समूहों" (तारा कारखानों) को नहीं खोजता है, बल्कि यह "संदूषकों" (कंटैमेंट्स) को भी अनदेखा करना सीखता है, जैसे कि हमारी अपनी मिल्की वे के भटकते सितारे, पृष्ठभूमि की आकाशगंगाएँ, या अजीब इमेज ग्लिच जो समूहों की तरह दिखते हैं लेकिन वास्तव में नहीं हैं। इस रोबोट को और भी तेज़ बनाने के लिए, शोधकर्ताओं ने इसे "ज़ूबोट" (Zoobot) नामक एक विशेष जोड़ी आँखें दीं, जो एक प्री-ट्रेन किया गया एआई है जो पहले से ही जानता है कि आकाशगंगाएँ कैसी दिखती हैं, और फिर इसे एक साथ प्रकाश के छह अलग-अलग रंगों (फिल्टर्स) में देखना सिखाया, न कि सामान्य तीन रंगों में।

शोधकर्ताओं ने अपने नए एआई जासूस का परीक्षण दो प्रमुख आकाश सर्वेक्षणों, CLAUDS और HSC-SSP से प्राप्त आकाशगंगा छवियों के एक विशाल डेटासेट पर किया। उन्होंने केवल रोबोट की बात पर भरोसा नहीं किया; बल्कि, उन्होंने इसके साथ एक चाल चली। उन्होंने गुप्त रूप से वास्तविक आकाशगंगा छवियों में हजारों नकली, सिम्युलेटेड क्लम्प्स इंजेक्ट किए, यह जानते हुए कि वे कहाँ और कैसे दिखते हैं। फिर, उन्होंने यह देखने के लिए निगरानी की कि क्या एआई उन्हें ढूंढ पाता है। परिणाम प्रभावशाली थे: एआई ने उन नकली क्लम्प्स में से 90% से अधिक को खोजने में सफलता प्राप्त की जिन्हें उसे ढूंढना था, और जब इसने कुछ पहचाना, तो यह लगभग 80% बार सही था। यह सुझाव देता है कि पास की आकाशगंगाओं में ये विशाल तारा-निर्माण समूह हमारी सोच से कहीं अधिक आम हो सकते हैं, लेकिन वे पुराने तरीकों से देखने में बहुत कठिन थे।

टीम ने यह भी पाया कि उस अतिरिक्त "यू-बैंड" (u-band) रंग डेटा (पराबैंगनी प्रकाश का एक विशिष्ट शेड) के होने से एआई को उन समूहों को पहचानने में मदद मिली जो बहुत युवा और गर्म थे, जो अक्सर अन्य रंगों में अदृश्य रहते हैं। हालाँकि, इस विशेष रंग के बिना भी, एआई ने बहुत अच्छा प्रदर्शन किया, और लगभग 7,00,000 आकाशगंगाओं में 15 लाख से अधिक संभावित क्लम्प उम्मीदवारों को खोज निकाला। जबकि यह अध्ययन पुष्टि करता है कि एआई इस काम के लिए एक शक्तिशाली उपकरण है, लेखक सावधानीपूर्वक यह नोट करते हैं कि "गायब" क्लम्प शायद हमारे वर्तमान टेलीस्कोपों के देखने के लिए बहुत धुंधले हैं, न कि एआई की विफलता। उन्होंने अपने निष्कर्षों को एक सार्वजनिक कैटलॉग के रूप में जारी किया है, जिससे अन्य वैज्ञानिकों को इस डेटा की जांच करने और यह पुष्टि करने के लिए आमंत्रित किया गया है कि क्या ये ब्रह्मांडीय निर्माण दल वास्तव में हमारे ब्रह्मांडीय आँगन में सितारे बनाने का काम व्यस्तता से कर रहे हैं।

तकनीकी सारांश: CLAUDS और HSC-SSP के ugrizy इमेजिंग डेटा और Faster R-CNN का उपयोग करके समीपवर्ती आकाशगंगाओं में स्टार-फॉर्मिंग क्लंप का पता लगाना

समस्या विवरण
जायंट स्टार-फॉर्मिंग क्लम्प्स (GSFCs) किलोपारसेक (kpc) पैमाने के उन्नत तारा निर्माण वाले क्षेत्र हैं, जिनका स्टेलर मास $10^7$ से $10^9 M_\odot$ के बीच होता है। हालांकि ये उच्च-रेडशिफ्ट ( $z \sim 2$ ) आकाशगंगाओं में सामान्य रूप से देखे जाते हैं, लेकिन कम-रेडशिफ्ट ( $z \lesssim 0.5$ ) एनालॉग्स में इनका पता बहुत कम चलता है। पिछले अध्ययन छोटे नमूनों पर निर्भर थे, जिनमें अक्सर विशेषज्ञों द्वारा दृश्य पहचान या कंट्रास्ट-एन्हांस्ड छवियों पर सोर्स एक्सट्रैक्शन एल्गोरिदम का उपयोग किया जाता था। ये विधियाँ पैमाने और स्वचालन (automation) में सीमित हैं। लेखक नोट करते हैं कि हालांकि डीप लर्निंग (DL) को बड़े नमूनों पर लागू किया गया है, फिर भी कम-रेडशिफ्ट क्लम्प्स के बड़े नमूनों के लिए उनके भौतिक गुणों के सटीक मापन की कमी बनी हुई है, क्योंकि इन रेडशिफ्ट पर क्लंपी आकाशगंगाओं का अवलोकन दुर्लभ है।

कार्यप्रणाली
लेखकों ने एक नया ऑब्जेक्ट डिटेक्शन मॉडल विकसित किया है जो Faster Region-Based Convolutional Neural Network (Faster R-CNN या FRCNN) फ्रेमवर्क पर आधारित है, जिसे विशेष रूप से मल्टी-बैंड खगोलीय इमेजिंग के लिए अनुकूलित किया गया है।

डेटा स्रोत: यह अध्ययन चार डीप फील्ड्स में Hyper Suprime-Cam Subaru Strategic Program (HSC-SSP) और CFHT Large Area U-band Deep Survey (CLAUDS) के इमेजिंग डेटा का उपयोग करता है। डेटासेट में लगभग 710,000 आकाशगंगाओं का नमूना है, जिसमें लगभग 14,000 आकाशगंगाओं का उपसमूह छह-बैंड फोटोमेट्री ($ugrizy $) रखता है और शेष पांच-बैंड फोटोमेट्री ($ grizy$) रखता है।
मॉडल आर्किटेक्चर:
- बैकबोन: मॉडल फीचर एक्सट्रैक्शन बैकबोन के रूप में Zoobot फाउंडेशन DL-मॉडल (वर्जन 2.0, ResNet50 पर आधारित) को अपनाता है। यह ऑब्जेक्ट डिटेक्शन के डाउनस्ट्रीम टास्क में Zoobot के पहले अनुप्रयोगों में से एक का प्रतिनिधित्व करता है।
- इनपुट अनुकूलन: मानक ResNet50 इनपुट लेयर (जो 3-चैनल RGB छवियों के लिए डिज़ाइन की गई है) को 5-चैनल ($grizy $) और 6-चैनल ($ ugrizy $) इनपुट स्वीकार करने के लिए संशोधित किया गया। प्रीट्रेन्ड वेट्स को नए$ u$, $z$ , और $y$ चैनलों के लिए मूल $g$ , $r$ , और $i$ चैनलों के वेट्स को कॉपी करके अनुकूलित किया गया।
- वर्गीकरण योजना: डिटेक्शन हेड को छह-क्लास स्कीम में विस्तारित किया गया ताकि इनके बीच अंतर किया जा सके: (1) क्लम्प्स, (2) 'ओड' (odd) क्लम्प्स (आर्टिफैक्ट्स/विसंगतियां), (3) फोरग्राउंड स्टार्स, (4) फोरग्राउंड/बैकग्राउंड गैलेक्सीज़, (5) बल्जेस (bulges), और (6) जेनेरिक बैकग्राउंड। यह मल्टी-क्लास दृष्टिकोण अंतिम क्लम्प सैंपल में संदूषण (contamination) को कम करने का लक्ष्य रखता है।
- ट्रेनिंग डेटा: 3,198 आकाशगंगाओं के डेटासेट को "करेक्ट-अ-मशीन" (correct-a-machine) दृष्टिकोण का उपयोग करके मैन्युअल रूप से एनोटेट किया गया। Galaxy Zoo: Clump Scout (GZCS) डेटा पर प्रशिक्षित एक प्रारंभिक मॉडल ने प्री-डिटेक्शन्स प्रदान किए, जिन्हें बाद में Zooniverse इंटरफेस के माध्यम से स्वयंसेवकों द्वारा सुधारा गया। इस प्रक्रिया में बाउंडिंग बॉक्स को ठीक करना और गलत पॉजिटिव्स (जैसे कि स्टार्स या बल्जेस जिन्हें क्लम्प समझ लिया गया था) को पुनर्वर्गीकृत करना शामिल था।
पोस्टप्रोसेसिंग: रॉ मॉडल आउटपुट्स को 0.2 के IoU थ्रेशोल्ड के साथ नॉन-मैक्सिमम सप्रेशन (NMS) के माध्यम से प्रोसेस किया गया। वे बाउंडिंग बॉक्स जो 7.30 kpc के भौतिक आकार से अधिक थे, उन्हें हटा दिया गया, साथ ही वे बॉक्स भी हटा दिए गए जो छोटे बॉक्सों को पूरी तरह से समाहित करते थे या गैलेक्सी सेगमेंटेशन मास्क के बाहर या केंद्रीय बल्ज के पास स्थित थे। शेष बाउंडिंग बॉक्स के भीतर फ्लक्स पीक्स को सटीक क्लम्प कैंडिडेट पोजीशन को परिभाषित करने के लिए निकाला गया।

प्रमुख योगदान

मल्टी-बैंड ऑब्जेक्ट डिटेक्शन: लेखकों ने सफलतापूर्वक Faster R-CNN आर्किटेक्चर को एक साथ मल्टी-बैंड इमेजिंग डेटा (छ छह चैनल तक) को प्रोसेस करने के लिए विस्तारित किया है, जिससे यह सिद्ध होता है कि पूर्ण स्पेक्ट्रल जानकारी का उपयोग करने से मानक RGB या सीमित-बैंड इनपुट की तुलना में डिटेक्शन प्रदर्शन में सुधार होता है।
Zoobot एकीकरण: यह पेपर एक फीचर एक्सट्रैक्टर के रूप में Zoobot फाउंडेशन मॉडल के उपयोग की व्यवहार्यता को प्रदर्शित करता है, जो डोमेन-विशिष्ट फीचर्स को संभालने के लिए वास्तविक खगोलीय डेटा पर इसके प्री-ट्रेनिंग का लाभ उठाता है, भले ही ट्रेनिंग सेट अपेक्षाकृत छोटा ( $\sim$ 3,200 इमेज) हो।
व्यापक संक्रामक हैंडलिंग (Contaminant Handling): एक मल्टी-क्लास स्कीम पर प्रशिक्षण देकर, मॉडल स्पष्ट रूप से वास्तविक स्टार-फॉर्मिंग क्लम्प्स से संदूषकों (stars, background galaxies, bulges) को पहचानने और अलग करने के लिए सीखता है, जो कि बाइनरी क्लासिफिकेशन स्कीम्स की तुलना में एक महत्वपूर्ण सुधार है।
व्यापक कैटलॉग: HSC-SSP और CLAUDS डेटासेट पर इन मॉडलों के अनुप्रयोग के परिणामस्वरूप लगभग 700,000 आकाशगंगाओं में लगभग 1.5 मिलियन क्लम्प कैंडिडेट का पता चला, जो भविष्य के विश्लेषण के लिए एक सार्वजनिक कैटलॉग प्रदान करता है।

परिणाम
मॉडल के प्रदर्शन को सिमुलेटेड स्टार-फॉर्मिंग क्लम्प्स को इंजेक्ट की गई वास्तविक आकाशगंगाओं के एक बड़े सेट का उपयोग करके सत्यापित किया गया। सिमुलेशन ने भौतिक गुणों (स्टेलर मास, आयु, मेटालिसिटी, डस्ट एटेनुएशन) की एक श्रृंखला को कवर किया और इन्हें सर्वे के 'सीइंग' (seeing) और डेप्थ से मेल खाने के लिए फॉरवर्ड-मॉडल किया गया।

पूर्णता (Completeness) और शुद्धता (Purity): इंस्ट्रूमेंट्स की $5\sigma$ $5 σ$ पॉइंट-सोर्स डेप्थ लिमिट से अधिक चमकीले सिमुलेटेड क्लम्प्स के लिए:
- 6-चैनल ($ugrizy $) मॉडल ने$ \gtrsim 0.9 $की डिटेक्शन पूर्णता और$ \gtrsim 0.8$ की शुद्धता प्राप्त की।
- 5-चैनल ($grizy $) मॉडल ने थोड़ी कम पूर्णता दिखाई (6-चैनल मॉडल की तुलना में$ \sim $2–3% की गिरावट), लेकिन समान शुद्धता ($ \gtrsim 0.8$) बनाए रखी।
U-बैंड डेटा का प्रभाव: CLAUDS से $u$ -बैंड डेटा के समावेश ने हालिया स्टार फॉर्मेशन वाले क्लम्प्स का पता लगाने में महत्वपूर्ण सुधार किया, जो अक्सर लाल रंग के बैंड्स में धुंधले होते हैं। 6-चैनल मॉडल ने ओवरलैपिंग सैंपल में 5-चैनल मॉडल की तुलना में $\sim$ 17% अधिक क्लम्प कैंडिडेट का पता लगाया, जो मुख्य रूप से NUV में चमकीले थे।
परफॉरमेंस मेट्रिक्स: मॉडल्स ने हाई रिकॉल (लो ऑब्जेक्टनेस थ्रेशोल्ड पर लगभग 1.0) और ऑब्जेक्टनेस स्कोर द्वारा फ़िल्टर करने पर प्रिसिजन में सुधार हासिल किया। $F_1$ स्कोर ने संकेत दिया कि बैकबोन वेट्स को फाइन-ट्यून करना फिक्स्ड वेट्स के साथ ट्रांसफर लर्निंग की तुलना में बेहतर प्रदर्शन देता है, हालांकि ट्रांसफर लर्निंग में ओवरफिटिंग के शुरुआती लक्षण दिखे।
सीमाएं: उन क्लम्प्स के लिए पूर्णता कम हो जाती है जिनका गैलेक्सी बैकग्राउंड के विरुद्ध कंट्रास्ट कम है ( $u_{cl} - u_{bkg} \gtrsim -1$ ) या जो गैलेक्सी केंद्र के बहुत करीब स्थित हैं ( $d_{cl} \lesssim 0.5 r_{eff}$ ), जहाँ वे बल्ज द्वारा दबा दिए जाते हैं।

महत्व और दावे
लेखक दावा करते हैं कि उनका DL-आधारित दृष्टिकोण कम-रेडशिफ्ट वाली आकाशगंगाओं के बड़े नमूनों में स्टार-फॉर्मिंग क्लम्प्स का स्वचालित पता लगाने में सक्षम बनाता है, जो कि मैनुअल निरीक्षण और पारंपरिक एल्गोरिदम की सीमाओं के कारण पहले बाधित था। सिमुलेटेड डेटा पर उच्च पूर्णता और शुद्धता प्राप्त करके, अध्ययन सुझाव देता है कि डिटेक्शन विधि मजबूत है और भविष्य के अध्ययनों के लिए प्राथमिक सीमित कारक डिटेक्शन एल्गोरिदम के बजाय ऑब्जर्विंग इंस्ट्रूमेंट्स की संवेदनशीलता है।

यह शोध विनम्रतापूर्वक निष्कर्ष निकालता है कि जबकि 5-चैनल मॉडल $u$ -बैंड डेटा की कमी वाली बड़े पैमाने की सर्वेक्षणों के लिए पर्याप्त है, 6-चैनल मॉडल सबसे युवा स्टार-फॉर्मिंग क्षेत्रों की पहचान करने के लिए बेहतर प्रदर्शन प्रदान करता है। लेखक इस बात पर जोर देते हैं कि वैज्ञानिक विश्लेषण के लिए परिणामी कैटलॉग के लिए चयन मानदंडों (जैसे कि एज-ऑन आकाशगंगाओं को बाहर करना, केंद्रीय क्लम्प्स को छोड़ना और मास कम्प्लीटनेस लिमिट लागू करना) का सावधानीपूर्वक अनुप्रयोग आवश्यक है। वे नोट करते हैं कि हालांकि डिटेक्शन फोटोमेट्रिक रूप से मजबूत हैं, लेकिन उम्मीदवारों की स्टार-फॉर्मिंग प्रकृति की निश्चित पुष्टि के लिए स्पेक्ट्रोस्कोपिक पुष्टिकरण (जैसे कि H $\alpha$ उत्सर्जन के माध्यम से) आवश्यक है।

इसी तरह के और पेपर