🔭 astrophysics

An Enhanced Catalog of Gaia DR3 Galaxy Candidates with Spectroscopic and Machine-Learning Photometric Redshifts

यह शोध पत्र एक उन्नत Gaia DR3 गैलेक्सी कैटलॉग प्रस्तुत करता है जो स्पेक्ट्रोस्कोपिक सर्वेक्षणों के साथ क्रॉस-मैचिंग करने और संपूर्ण नमूने के लिए सटीक रेडशिफ्ट अनुमान प्रदान करने के लिए मल्टीपल-बिन रिग्रेशन न्यूरल नेटवर्क लागू करके ब्रह्मांडीय अध्ययनों के लिए इसकी वैज्ञानिक उपयोगिता में महत्वपूर्ण सुधार करता है।

मूल लेखक: Junghyun Hwang, Ho Seong Hwang

प्रकाशित 2026-07-30

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Junghyun Hwang, Ho Seong Hwang

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

ब्रह्मांड की कल्पना एक विशाल, ब्रह्मांडीय पुस्तकालय के रूप में करें। सदियों से, खगोलशास्त्री पुस्तकालय की अलमारियों पर मौजूद हर किताब का सूचीकरण करने की कोशिश कर रहे हैं, लेकिन वे किताबें अविश्वसनीय रूप से दूर हैं, और उनमें से अधिकांश के स्पाइन (spine) पर न तो शीर्षक और न ही लेखक का नाम लिखा है। खगोल विज्ञान में, उस "शीर्षक" को रेडशिफ्ट (redshift) कहा जाता है। यह इस बात का माप है कि विस्तार करते ब्रह्मांड के माध्यम से यात्रा करते समय किसी गैलेक्सी (आकाशगंगा) के प्रकाश का कितना खिंचाव हुआ है। रेडशिफ्ट को जानना यह जानने जैसा है कि कोई गैलेक्सी कितनी दूर है और वह हमसे कितनी तेजी से दूर जा रही है। इसके बिना, एक गैलेक्सी केवल प्रकाश का एक धुंधला धब्बा है; इसके साथ, वह गैलेक्सी अंतरिक्ष और समय का एक विशिष्ट बिंदु बन जाती है, जिससे वैज्ञानिकों को ब्रह्मांड की संरचना का मानचित्रण करने और ब्रह्मांड के विकास को समझने में मदद मिलती है।

लंबे समय तक, ये "शीर्षक" प्राप्त करना एक अकेली, मंद रोशनी वाले बल्ब के सामने किताब पकड़कर उसे पढ़ने की कोशिश करने जैसा था। आप एक मोटा-मोटा अंदाजा तो लगा सकते थे, लेकिन निश्चित होने में कठिनाई होती थी। फिर, गैया (Gaia) नामक एक अत्यंत सटीक अंतरिक्ष दूरबीन ने अरबों तारों और गैलेक्सी की तस्वीरें लेना शुरू किया, जिससे संभावित गैलेक्सी की एक विशाल सूची तैयार हुई। लेकिन इसमें एक पेंच था: हालांकि गैया उन्हें पहचानने में अद्भुत थी, लेकिन उसे हमेशा उनके रेडशिफ्ट का पता नहीं चलता था, और कभी-कभी इसमें ऐसी चीजें भी शामिल हो जाती थीं जो वास्तव में गैलेक्सी नहीं थीं, जैसे कि पास के तारे या सक्रिय ब्लैक होल। इसने खगोलशास्त्रियों के सामने संभावित गैलेक्सी की एक विशाल सूची छोड़ दी जो रोमांचक तो थी लेकिन वैज्ञानिक रूप से उपयोग करने में कठिन थी। उन्हें इस सूची को साफ करने और उन लाखों गैलेक्सी के लिए दूरियां पता लगाने के तरीके की आवश्यकता थी जिनके पास अभी तक कोई "शीर्षक" नहीं था।

यहीं पर जुनह्युन ह्वांग और हो सोंग ह्वांग का नया अध्ययन आता है। उनके काम को गैया लाइब्रेरी को अपग्रेड करने के लिए डिज़ाइन किए गए एक बड़े, उच्च-तकनीकी जासूसी ऑपरेशन के रूप में समझें। टीम ने गैया के तीसरे डेटा रिलीज से 4.8 मिलियन संभावित गैलेक्सी की मूल सूची ली और उन्हें एक गंभीर मेकओवर दिया। सबसे पहले, उन्होंने सूची की तुलना गैलेक्सी के अन्य विशाल डेटाबेस के साथ की जिनके रेडशिफ्ट पहले से ही मापे जा चुके थे (जैसे DESI, SDSS और 2MRS)। यह एक मास्टर डायरेक्टरी की जांच करने जैसा था कि क्या रहस्यमयी किताबों में से किसी को अन्य पुस्तकालयाध्यक्षों द्वारा पहले से ही सूचीबद्ध किया गया है। उन्होंने लगभग 24.5% स्रोतों के लिए मिलान सफलतापूर्वक खोज लिया, जिससे उन्हें तुरंत सटीक, "स्पेक्ट्रोस्कोपिक" रेडशिफ्ट प्राप्त हो गए।

लेकिन शेष 75% गैलेक्सी का क्या हुआ जिनके पास कोई मिलान नहीं था? इन गैलेक्सी के लिए, टीम ने MBRNN नामक एक मशीन-लर्निंग रोबोट बनाया। इस रोबोट को एक सुपर-स्मार्ट आर्ट क्रिटिक (कला समीक्षक) के रूप में समझें जिसने ज्ञात दूरियों वाली हजारों गैलेक्सी का अध्ययन किया है। रोबोट को रहस्यमयी गैलेक्सी से आने वाले प्रकाश के "रंगों" (गैया के डेटा को अन्य दूरबीनों जैसे 2MASS और unWISE से प्राप्त इन्फ्रारेड डेटा के साथ जोड़कर) को देखने और सीखे गए पैटर्न के आधार पर उनके रेडशिफ्ट का अनुमान लगाने के लिए प्रशिक्षित किया गया था। यह रोबोट के कहने जैसा है, "यह गैलेक्सी उन गैलेक्सीओं जैसी दिखती है जिनका मैंने अध्ययन किया है जो 1 अरब प्रकाश वर्ष दूर हैं, इसलिए मुझे यकीन है कि यह भी वैसी ही है।" परिणाम एक नई, उन्नत सूची है जहाँ प्रत्येक गैलेक्सी के पास रेडशिफ्ट का अनुमान है, चाहे वह क्रॉस-मैच से प्राप्त सटीक प्रकार का हो या रोबोट का अत्यधिक सटीक "अंदाजा" हो।

टीम ने केवल नंबर देने तक ही रुकना नहीं माना; उन्होंने प्रत्येक गैलेक्सी के लिए एक "ट्रस्ट स्कोर" (विश्वास स्कोर) भी बनाया। चूंकि रोबोट एक अनुमान लगा रहा है, इसलिए उसे यह भी बताना होगा कि वह कितना आश्वस्त है। शोधकर्ताओं ने "आउटलेयर्स" (outliers)—ऐसी गैलेक्सी जो अजीब दिखती हैं या पैटर्न में फिट नहीं बैठतीं—को पहचानने के लिए एक प्रणाली बनाई। उदाहरण के लिए, यदि कोई स्रोत तारे जैसा दिखता है लेकिन रोबोट उसे गैलेक्सी समझता है, तो सिस्टम उसे फ्लैग (चिह्नित) कर देता है। उन्होंने प्रत्येक स्रोत को एक संभाव्यता स्कोर, $P_0$ प्रदान किया। कम स्कोर का अर्थ है कि स्रोत लगभग निश्चित रूप से एक वास्तविक, दूर स्थित गैलेक्सी है, जबकि उच्च स्कोर यह सुझाव देता है कि यह एक संदूषक (जैसे पास का तारा) हो सकता है या एक ऐसी गैलेक्सी हो सकती है जहाँ रेडशिफ्ट का अनुमान गलत होने की संभावना है।

अपने परीक्षण में, नए मशीन-लर्निंग मॉडल ने पिछले तरीकों की तुलना में अधिक सटीक और सुस्पष्ट प्रदर्शन किया जो केवल गैया के डेटा पर निर्भर थे। उन्होंने पाया कि इन्फ्रारेड दूरबीनों से अतिरिक्त डेटा जोड़ने से, रोबोट प्रकाश के "आकार" को बेहतर ढंग से देख सका, जिससे गलतियाँ कम हुईं। हालांकि यह मॉडल पूर्ण नहीं है—यह अभी भी बहुत दूर की गैलेक्सी या सितारों जैसे दिखने वाले स्रोतों के साथ थोड़ा संघर्ष करता है—लेकिन यह डेटा की गुणवत्ता में काफी सुधार करता है। अंतिम सूची प्रत्येक गैलेक्सी के साथ दूरियों और विश्वास स्कोर के साथ एक विश्वसनीय, अखिल-आकाश (all-sky) मानचित्र प्रदान करती है, जो उम्मीदवारों की एक अव्यवस्थित सूची को ब्रह्मांड के इतिहास का अध्ययन करने के लिए एक मजबूत उपकरण में बदल देती है। लेखकों का सुझाव है कि यह उन्नत डेटासेट भविष्य के बड़े पैमाने के अध्ययनों के लिए एक मूल्यवान संसाधन होगा, जो वैज्ञानिकों को शोर को छानने और प्रकाश में छिपी वास्तविक ब्रह्मांडीय कहानियों पर ध्यान केंद्रित करने में मदद करेगा।

तकनीकी सारांश: स्पेक्ट्रोस्कोपिक और मशीन-लर्निंग फोटोमेट्रिक रेडशिफ्ट के साथ Gaia DR3 गैलेक्सी उम्मीदवारों का एक उन्नत कैटलॉग

समस्या विवरण
Gaia डेटा रिलीज़ 3 (DR3) का "galaxy_candidates" टेबल लगभग 4.8 मिलियन संभावित बाह्य-आकाश (extragalactic) स्रोतों का एक अभूतपूर्व अखिल-आकाश नमूना प्रदान करता है। हालांकि, इस कैटलॉग की ब्रह्मांड संबंधी (cosmological) और बाह्य-आकाश अध्ययनों के लिए वैज्ञानिक उपयोगिता दो प्राथमिक सीमाओं के कारण काफी सीमित है: अधिकांश स्रोतों के लिए रेडशिफ्ट जानकारी का अभाव और अपेक्षाकृत कम स्रोत शुद्धता (अनुमानित 50-70%)। मूल चयन शुद्धता के बजाय पूर्णता (completeness) को प्राथमिकता देता था, और रेडशिफ्ट डेटा के बिना, अधिकांश प्रविष्टियों के लिए दूरी का अनुमान लगाना और सांख्यिकीय विश्लेषण करना असंभव है।

कार्यप्रणाली
इन सीमाओं को दूर करने के लिए, लेखकों ने स्पेक्ट्रोस्कोपिक रेडशिफ्ट्स ( $z_{spec}$ ) और मशीन-लर्निंग-आधारित फोटोमेट्रिक रेडशिफ्ट्स ( $z_{phot}$ ) को एकीकृत करके एक उन्नत कैटलॉग का निर्माण किया।

स्पेक्ट्रोस्कोपिक रेडशिफ्ट एकीकरण:
Gaia DR3 गैलेक्सी उम्मीदवारों को चार बाहरी स्पेक्ट्रोस्कोपिक रेडशिफ्ट कैटलॉग: DESI DR1, SDSS DR17, 2MRS, और NED के विरुद्ध क्रॉस-मैच किया गया। मिलान मानदंड प्रत्येक कैटलॉग के लिए विशिष्ट कोणीय पृथक्करण थ्रेसहोल्ड पर आधारित थे। मामलों में जहाँ कई मैच मिले, वहाँ एक प्राथमिकता क्रम लागू किया गया (DESI > SDSS > 2MRS > NED)। इस प्रक्रिया ने कुल कैटलॉग के 24.5% को स्पेक्ट्रोस्कोपिक रेडशिफ्ट आवंटित किए।
फोटोमेट्रिक रेडशिफ्ट अनुमान (MBRNN):
उन स्रोतों के लिए जिनके पास स्पेक्ट्रोस्कोपिक माप नहीं थे, मल्टीपल-बिन रिग्रेशन न्यूरल नेटवर्क (MBRNN) का उपयोग करके फोटोमेट्रिक रेडशिफ्ट का अनुमान लगाया गया।

इनपुट फीचर्स: मॉडल ने Gaia DR3 फोटोमेट्री ( $G, G_{BP}, G_{RP}$ ), 2MASS XSC (निकट-अवरक्त $J, H, K_s$ ), और unWISE (मिड-इन्फ्रारेड $W1, W2$ ) को संयोजित करते हुए एक मल्टीवेवलेंथ डेटासेट का उपयोग किया। केवल Gaia के सीमित स्पेक्ट्रल कवरेज को संबोधित करने के लिए, इनपुट सेट को 24 फीचर्स तक विस्तारित किया गया, जिसमें सेर्सिक मैग्नीट्यूड (PSF मैग्नीट्यूड के विस्तारित-स्रोत समकक्ष के रूप में), आकार पैरामीटर (एलीप्टिसिटी, सेर्सिक इंडेक्स), QSO वर्गीकरण फ्लैग, और गैलेक्टिक एक्सटिंक्शन वैल्यू ( $E(B-V)$ ) शामिल हैं।
मॉडल आर्किटेक्चर: MBRNN एक फीड-फॉरवर्ड मल्टी-लेयर परसेप्ट्रॉन (MLP) है जिसमें नौ फुली कनेक्टेड लेयर्स हैं। यह 64 पूर्व-निर्धारित बिन्स (51 बिन्स $-0.082 \le z \le 1$ के बीच और 13 बिन्स $1 \le z \le 7$ को कवर करते हुए) में किसी स्रोत के रेडशिफ्ट की प्रायिकता वितरण (probability distribution) की भविष्यवाणी करता है।
प्रशिक्षण (Training): मॉडल को स्पेक्ट्रोस्कोपिक सब-सैंपल (80% प्रशिक्षण, 10% वैलिडेशन, 10% टेस्ट) पर एडम ऑप्टिमाइज़र के साथ लॉजिस्टिक रिग्रेशन लॉस फंक्शन का उपयोग करके प्रशिक्षित किया गया था।

आउटलियर स्कोरिंग और विश्वसनीयता:
एक संभाव्यता आउटलियर स्कोर ( $P_0$ ) विकसित किया गया था, जो बेयसियन इन्फरेंस (Bayesian inference) का उपयोग करके यह मापने के लिए कि क्या कोई स्रोत सांख्यिकीय आउटलियर (या तो गैलेक्टिक कंटैमिनेन्ट या एक विनाशकारी रेडशिफ्ट विफलता) होने का जोखिम रखता है।

स्रोतों को उपसमूहों में वर्गीकृत किया गया: सेट A ( $z_{spec} < 0.0017$ , संभवतः गैलेक्टिक तारे), सेट B ( $z_{phot}$ ओवरएस्टिमेशन), और सेट C ( $z_{phot}$ अंडरएस्टिमेशन)।
लाइक्लिहुड डिस्ट्रीब्यूशन को कलर-कलर और कलर-मैग्निट्यूड स्पेस ( $G$ बनाम $W1-W2$ , $G-RP $बनाम$ G$, आदि) में 2D गॉसियन फिट का उपयोग करके मॉडल किया गया।
प्रत्येक स्रोत को विश्वसनीयता स्कोर असाइन करने के लिए पोस्टीरियर प्रोबेबिलिटी $P(outlier|x)$ की गणना की गई।

मुख्य परिणाम

कैटलॉग संरचना: अंतिम कैटलॉग में 4,842,342 स्रोत हैं। 1,184,906 स्रोतों (24.5%) के लिए स्पेक्ट्रोस्कोपिक रेडशिफ्ट उपलब्ध हैं, जबकि शेष 74.4% (3,601,132 स्रोतों) के लिए फोटोमेट्रिक रेडशिफ्ट प्रदान किए गए हैं। लगभग 1.2% स्रोतों के पास $P_0$ गणना के लिए पर्याप्त फोटोमेट्रिक डेटा नहीं है।
प्रदर्शन मेट्रिक्स: टेस्ट सेट पर, MBRNN मॉडल ने 0.0014 का बायस (bias), 0.0192 का मीन एब्सोल्यूट डिफरेंस (MAD), और 0.0021 का नॉर्मलाइज्ड मीडियन एब्सोल्यूट डेविएशन (NMAD) प्राप्त किया। रेसिडुअल्स का स्टैंडर्ड डेविएशन ( $\sigma$ ) 0.0739 था।
फीचर विश्लेषण: एक एब्लेशन अध्ययन ने पुष्टि की कि सभी 24 इनपुट फीचर्स मॉडल के प्रदर्शन में योगदान देते हैं; किसी भी सिंगल फीचर को हटाने या सेट को 15 फीचर्स तक कम करने से प्रदर्शन मेट्रिक्स समान या खराब हो गए।
आउटलियर पहचान: आउटलियर विश्लेषण ने सफलतापूर्वक गैलेक्टिक कंटैमिनेन्ट्स (सेट A) और बड़े रेडशिफ्ट एरर वाले स्रोतों (सेट B और C) की पहचान की। $P_0$ स्कोर प्रभावी रूप से विश्वसनीय बाह्य-आकाश स्रोतों को कंटैमिनेन्ट्स से अलग करता है, जिसमें कम स्कोर उच्च विश्वसनीयता का संकेत देता है।

महत्व और दावे
लेखक दावा करते हैं कि यह कार्य लगभग पूरे कैटलॉग के लिए एक पूर्ण रेडशिफ्ट डेटासेट प्रदान करके Gaia DR3 गैलेक्सी उम्मीदवारों के नमूने के वैज्ञानिक मूल्य को महत्वपूर्ण रूप से बढ़ाता है। मल्टीवेल्ेंथ फोटोमेट्री को MBRNN मॉडल के साथ एकीकृत करने से केवल Gaia डेटा पर आधारित पिछले अनुमानों की तुलना में बेहतर रेडशिफ्ट सटीकता और परिशुद्धता प्राप्त होती है।

इसके अलावा, $P_0$ विश्वसनीयता स्कोर का समावेश गुणवत्ता नियंत्रण की एक महत्वपूर्ण परत जोड़ता है, जिससे शोधकर्ताओं को गैलेक्टिक कंटैमिनेन्ट्स और अविश्वसनीय रेडशिफ्ट वाले स्रोतों को फ़िल्टर करने की अनुमति मिलती है। परिणामी कैटलॉग को बड़े पैमाने पर बाह्य-आकाश और ब्रह्मांड संबंधी अध्ययनों के लिए एक मजबूत संसाधन के रूप में प्रस्तुत किया गया है, जो रेडशिफ्ट जानकारी की कमी के कारण पहले सीमित थे, अब दूरी-निर्भर विश्लेषणों को सक्षम बनाता है। लेखक यह भी नोट करते हैं कि कम $P_0$ स्कोर ने नए, पहले अनकन्फर्म्ड गैलेक्सी की पहचान करने में मदद की, जो कैटलॉग की खोज क्षमता को प्रदर्शित करता है।

इसी तरह के और पेपर