🔭 astrophysics

Classification of blazars based on data-driven approaches

यह अध्ययन प्रदर्शित करता है कि GAIA और Pan-STARRS डेटा से प्राप्त ऑप्टिकल लाइट कर्व फीचर्स पर प्रशिक्षित एक LightGBM मॉडल, जिसे BoostBoruta के माध्यम से आयामीता कम (dimensionality reduced) की गई है, ब्लैज़र्स और नॉन-ब्लैज़र्स में सक्रिय गैलेक्टिक न्यूक्लिआई (AGN) को लगभग 86% सटीकता के साथ प्रभावी ढंग से वर्गीकृत कर सकता है, यहाँ तक कि स्व-शिक्षण (self-learning) के माध्यम से अज्ञात उम्मीदवारों पर लागू होने पर भी।

मूल लेखक: Simone Vaccaro (Department of Physics "E. Pancini'', University Federico II of Napoli, Napoli, Italy), Maria Isabel Carnerero (INAF, Osservatorio Astrofisico di Torino, Pino Torinese, Italy), Claudia

प्रकाशित 2026-07-10✓ Author reviewed ⓘ

📖 1 मिनट में पढ़ें☕ कॉफ़ी ब्रेक में पढ़ें

CC BY 4.0

मूल लेखक: Simone Vaccaro (Department of Physics "E. Pancini'', University Federico II of Napoli, Napoli, Italy), Maria Isabel Carnerero (INAF, Osservatorio Astrofisico di Torino, Pino Torinese, Italy), Claudia M. Raiteri (INAF, Osservatorio Astrofisico di Torino, Pino Torinese, Italy), Massimo Brescia (Department of Physics "E. Pancini'', University Federico II of Napoli, Napoli, Italy, INAF - Astronomical Observatory of Capodimonte, Napoli, Italy), Ylenia Maruccia (INAF - Astronomical Observatory of Capodimonte, Napoli, Italy), Natale De Bonis (Department of Physics "E. Pancini'', University Federico II of Napoli, Napoli, Italy), Giuseppe Riccio (INAF - Astronomical Observatory of Capodimonte, Napoli, Italy), Stefano Cavuoti (INAF - Astronomical Observatory of Capodimonte, Napoli, Italy, INFN section of Naples, Napoli, Italy)

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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

तकनीकी सारांश: डेटा-संचालित दृष्टिकोणों के आधार पर ब्लेज़र्स का वर्गीकरण

समस्या विवरण
सक्रिय गैलेक्टिक नाभिक (AGNs), विशेष रूप से ब्लेज़र्स (blazars), अपने ऑप्टिकल लाइट कर्व्स में विशिष्ट परिवर्तनशीलता प्रदर्शित करते हैं। हालांकि, केवल ऑप्टिकल डेटा के आधार पर ब्लेज़र्स (जिसमें BL Lac ऑब्जेक्ट्स और फ्लैट-स्पेक्ट्रम रेडियो क्वासर (FSRQs) शामिल हैं) का सटीक वर्गीकरण चुनौतीपूर्ण है। ऑप्टिकल बैंड में, ब्लेज़र्स की विशेषता बताने वाली अत्यधिक परिवर्तनशील नॉन-थर्मल जेट उत्सर्जन, होस्ट गैलेक्सी के स्थिर प्रकाश और अभिवृद्धि चक्र (accretion disk) एवं ब्रॉड लाइन रीजन (BLR) से निकलने वाले मध्यम परिवर्तनशील थर्मल उत्सर्जन द्वारा दूषित या कम की जा सकती है। फलस्वरूप, ब्लेज़र्स सामान्य AGNs के समान प्रतीत हो सकते हैं, जिससे मल्टीवेवलेंथ पुष्टि के बिना केवल ऑप्टिकल परिवर्तनशीलता एक अपर्याप्त क्लासिफायर बन जाती है। जबकि $\gamma$ -रे डेटा एक स्वच्छ जेट सिग्नेचर प्रदान करता है, यह केवल सबसे चमकीले स्रोतों तक सीमित है और इसके लिए निश्चित वर्गीकरण हेतु स्पेक्ट्रोस्कोपिक फॉलो-अप की आवश्यकता होती है, जो संसाधन-गहन है। यह कार्य गैर-ब्लेज़र AGNs से ब्लेज़र्स को अलग करने के लिए विशेष रूप से ऑप्टिकल लाइट कर्व्स पर निर्भर रहने वाली एक वैकल्पिक वर्गीकरण रणनीति की आवश्यकता को संबोधित करता है।

कार्यप्रणाली
यह अध्ययन Gaia DR3 (G-बैंड, 2014–2017) और Pan-STARRS (कंपोजिट लाइट कर्व्स, 2010–2014) सर्वेक्षणों से प्राप्त ऑप्टिकल लाइट कर्व डेटा का उपयोग करता है। डेटासेट में शामिल हैं:

ज्ञात स्रोत: लगभग 2,500 ब्लेज़र्स (रोमा-BZCAT कैटलॉग से) और एक संतुलित ~2,500 गैर-ब्लेज़र AGNs (परिवर्तनशील AGNs के Gaia कैटलॉग से)।
अज्ञात स्रोत: 21,733 AGN उम्मीदवार जिनके अन्य कैटलॉग में कोई समकक्ष नहीं है।

साहित्यिक विधियों (जैसे डैम्प्ड रैंडम वॉक मॉडल) और FATS (फीचर एनालिसिस फॉर टाइम सीरीज़) लाइब्रेरी का उपयोग करके फीचर निष्कर्षण किया गया था ताकि मानक सांख्यिकीय डिस्क्रिप्टर (जैसे एम्प्लीट्यूड, ऑटोकोरलेशन, फ्लक्स पर्सेंटाइल्स) उत्पन्न किए जा सकें। कुल ~70 फीचर्स को शुरू में निकाला और नॉर्मलाइज़ किया गया था।

मुख्य कार्यप्रणाली दो मशीन लर्निंग दृष्टिकोणों का उपयोग करती है:

सुपरवाइज्ड क्लासिफिकेशन (LightGBM): एक लाइट ग्रेडिएंट-बूस्टिंग मशीन मॉडल को पांच-फोल्ड क्रॉस-वैलिडेशन रणनीति का उपयोग करके ज्ञात डेटासेट पर प्रशिक्षित किया गया। हाइपरपैरामीटर्स ( $learning\_rate$ , $n\_estimators$ , $colsem\_bytree$ ) को GridSearchCV के माध्यम से अनुकूलित किया गया।
सेमी-सुपरवाइज्ड लर्निंग (सेल्फ-ट्रेनिंग क्लासिफायर - STC): अज्ञात वस्तुओं को वर्गीकृत करने के लिए, एक सेल्फ-ट्रेनिंग लूप लागू किया गया। एक प्रारंभिक LightGBM मॉडल, जिसे ज्ञात डेटा पर प्रशिक्षित किया गया था, ने उच्च विश्वास (थ्रेशोल्ड > 0.95) वाले अनलेबल ऑब्जेक्ट्स को पुनरावृत्ति (iteratively) के माध्यम से छद्म-लेबल (pseudo-labels) दिए, जिससे अभिसरण (convergence) तक प्रशिक्षण सेट का विस्तार हुआ।

फीचर चयन
फीचर स्पेस की उच्च आयामीता (high dimensionality) को संबोधित करने के लिए, BoostBoruta एल्गोरिदम (ग्रेडिएंट बूस्टिंग का उपयोग करने वाला Boruta का विस्तार) लागू किया गया। यह विधि मूल फीचर्स की तुलना रैंडमाइज्ड "शैडो" फीचर्स से करके प्रासंगिक फीचर्स की पहचान करती है। मॉडल भविष्यवाणियों में व्यक्तिगत योगदान को मापने के लिए SHAP (SHapley Additive exPlanations) वैल्यूज को व्याख्यात्मकता और फीचर चयन को बढ़ाने के लिए एकीकृत किया गया।

प्रमुख परिणाम

सुपरवाइज्ड प्रदर्शन: LightGBM मॉडल ने ज्ञात डेटासेट पर 86% (±0.012) की सटीकता प्राप्त की। दोनों क्लासों (ब्लेज़र और गैर-ब्लेज़र) के लिए प्रिसिजन, रिकॉल और F1 स्कोर 80–85% से अधिक रहा।
फीचर रिडक्शन: BoostBoruta ने पूर्ण फीचर सेट (सटीकता: 0.856 ± 0.012) के तुलनीय प्रदर्शन बनाए रखते हुए फीचर स्पेस को ~70 से घटाकर 13 प्रमुख फीचर्स (Mean, Eta_e, DRW_tau, CAR_sigma, आदि सहित) में सफलतापूर्वक कम कर दिया।
सेमी-सुपरवाइज्ड प्रदर्शन: सेल्फ-ट्रेनिंग क्लासिफायर ने 21,733 अज्ञात ऑब्जेक्ट्स सहित विस्तारित डेटासेट पर 85% (±0.013) की सटीकता प्राप्त की। प्रदर्शन मेट्रिक्स सुपरवाइज्ड बेसलाइन के साथ सुसंगत रहे, जो छद्म-लेबलिंग (pseudo-labeling) दृष्टिकोण की विश्वसनीयता की पुष्टि करते हैं।
फीचर महत्व: सभी प्रयोगों में पहचाने गए तीन सबसे महत्वपूर्ण फीचर्स थे: Mean (औसत मैग्नीट्यूड), Eta_e (मीन स्क्वेर्ड सक्सेसिव मैग्नीट्यूड डिफरेंस और वेरिएंस का अनुपात), और DRW_tau (डैम्प्ड रैंडम वॉक मॉडल से रिलैक्सेशन टाइम)। ये फीचर्स ब्लेज़र्स की तीव्र, गहन परिवर्तनशीलता और डिस्क-डोमिनेटेड AGNs के सुचारू विकास के बीच भौतिक द्वैत (physical dichotomy) को दर्शाते हैं।

महत्व और दावे
यह शोध दावा करता है कि इसका प्राथमिक योगदान यह प्रदर्शित करना है कि मल्टीवेल्ेंथ जानकारी (रेडियो, एक्स-रे, $\gamma$ -रे) या स्पेक्ट्रोस्कोपिक फॉलो-अप पर निर्भर हुए बिना, केवल ऑप्टिकल टाइम-सीरीज डेटा का उपयोग करके ब्लेज़र्स बनाम गैर-ब्लेज़र AGNs को वर्गीकृत करना संभव है। लेखक इस बात पर जोर देते हैं कि यह दृष्टिकोण Gaia, Pan-STARRS और आगामी Rubin-LSST जैसे बड़े पैमाने के सर्वेक्षणों से प्रचुर और सुलभ डेटा का लाभ उठाता है।

यह अध्ययन रेखांकित करता है कि ब्लेज़र्स और अन्य AGNs के बीच ऑप्टिकल परिवर्तनशीलता संकेतों में भौतिक ओवरलैप होने के बावजूद, डेटा-संचालित विधियां मजबूत भेदभाव प्राप्त कर सकती हैं। अनलेबल उम्मीदवारों के बड़े पूल पर सेल्फ-ट्रेनिंग का सफल अनुप्रयोग यह सुझाव देता है कि यह कार्यप्रणाली भविष्य के सर्वेक्षणों तक स्केल हो सकती है, जिससे हजारों नए ब्लेज़र उम्मीदवारों की पहचान संभव है। यह कार्य ऑप्टिकल परिवर्तनशीलता के माध्यम से AGNs के कुशल जनसंख्या-स्तरीय अध्ययनों के लिए एक आधार स्थापित करता है, जो वर्तमान वर्गीकरण बाधाओं को संबोधित करता है।

इसी तरह के और पेपर