Multi-branch classification of diffuse cluster radio emission

कल्पना कीजिए कि ब्रह्मांड एक विशाल, अदृश्य महासागर है। हम में से अधिकांश लोग द्वीपों को देखते हैं—चमकते सितारे और आकाशगंगाएँ—लेकिन खगोलशास्त्री खुद उस पानी के प्रति जुनूनी हैं: वह विशाल, गर्म गैस जो आकाशगंगाओं के बीच के स्थान को भर देती है। इस "महासागर" को इंट्राक्लस्टर मीडियम (intracluster medium) कहा जाता है, और यह एक अराजक स्थान है जहाँ आकाशगंगाएँกัน बंपर कारों की तरह एक-दूसरे से टकराती हैं, जिससे शॉकवेव्स और घूमता हुआ विक्षोभ (turbulence) पैदा होता है। जब ऐसा होता है, तो यह कणों को प्रकाश की गति के करीब त्वरित करता है, और ये कण चुंबकीय क्षेत्रों के माध्यम से नृत्य करते हैं, जो सिंक्रोट्रॉन रेडिएशन (synchrotron radiation) नामक एक मंद, प्रेत जैसी रोशनी के साथ चमकते हैं। यह ऐसा है जैसे ब्रह्मांड एक ऐसे रहस्य को फुसफुसा रहा है जिसे हम केवल अपनी विशाल रेडियो आँखों से सुन सकते हैं।

समस्या यह है कि यह फुसफुसाहट अविश्वसनीय रूप से मंद है। यह एक स्टेडियम में शोर मचाते प्रशंसकों के बीच एक अकेले झींगुर की चहचहाहट सुनने की कोशिश करने जैसा है। दशकों से, खगोलशास्त्री इन मंद रेडियो संकेतों को खोजने के लिए संघर्ष कर रहे हैं क्योंकि वे अक्सर टेलीस्कोप के अपने शोर या सक्रिय आकाशगंगाओं जैसे चमकीले, सघन स्रोतों के पीछे छिपे होते हैं। लेकिन अब, हम रेडियो खगोल विज्ञान के एक नए युग में प्रवेश कर रहे हैं जहाँ टेलीस्कोप इतने शक्तिशाली होंगे कि वे डेटा के पहाड़ों को उत्पन्न करेंगे। चुनौती केवल बड़े टेलीस्कोप बनाने की नहीं है; बल्कि कंप्यूटर को इतना स्मार्ट बनाने की है कि वह शोर भरे भीड़ के बीच उस मंद झींगुर की चहचहाहट को पहचान सके बिना थके या भ्रमित हुए। यहीं पर मशीन लर्निंग काम आती है, जो ब्रह्मांड के लिए एक सुपर-पावर्ड जासूस के रूप में कार्य करती है।

इस शोध पत्र में, मार्कस और एम्मा नामक दो खगोलशास्त्रियों ने आकाशगंगा समूहों में इन मंद रेडियो फुसफुसाहटों को खोजने के लिए एक बेहतर जासूस बनाने का लक्ष्य रखा। उन्होंने लोफर (LOFAR) टेलीस्कोप के डेटा का उपयोग किया, जिसने पहले ही कुछ संकेतों को पहचान लिया है, लेकिन वे यह देखना चाहते थे कि क्या वे एक कंप्यूटर को उन्हें और भी अधिक विश्वसनीयता से खोजने के लिए प्रशिक्षित कर सकते हैं, विशेष रूप से तब जब डेटा अव्यवस्थित हो या संकेत बहुत कमजोर हों। इसे एक कुत्ते को जंगल में एक विशिष्ट गंध खोजने के लिए प्रशिक्षित करने जैसा समझें। यदि जंगल अन्य मजबूत गंधों (जैसे चमकीले रेडियो स्रोतों) से भरा है, तो कुत्ता विचलित हो सकता है। लेखकों ने यह देखना चाहा कि क्या वे कुत्ते को एक बेहतर नाक और सूंघने का एक स्मार्ट तरीका दे सकते हैं।

उन्होंने चार अलग-अलग "कुत्ता प्रशिक्षण" विधियों (जो वास्तव में न्यूरल नेटवर्क नामक कंप्यूटर मॉडल हैं) का परीक्षण किया। पहला एक मानक, सरल मॉडल था। दूसरा, एक मॉडल जिसने "स्कैटरिंग ट्रांसफॉर्म" (ST) नामक एक निश्चित गणितीय उपकरण का उपयोग किया, जो कंप्यूटर को पहले से बने मानचित्र की तरह यह बताता है कि बनावट और पैटर्न कैसे दिखते हैं, ताकि उसे शुरुआत से सब कुछ सीखने की आवश्यकता न पड़े। तीसरा और चौथा मॉडल "डुअल-ब्रांच" (दोहरी शाखा वाले) जासूस थे। एक ऐसी जासूस टीम की कल्पना करें जहाँ एक सदस्य बड़ी तस्वीर (बादल का आकार) को देखता है और दूसरा बारीक विवरण (गैस की बनावट) को देखता है। दोनों की राय को मिलाकर, टीम अकेले काम करने वाले किसी भी सदस्य की तुलना में कम गलतियाँ करने की उम्मीद करती है।

लेखकों ने कुत्तों को दिखाने से पहले "जंगल" को तैयार करने के विभिन्न तरीकों का भी परीक्षण किया। उन्होंने तीन मुख्य रणनीतियों का परीक्षण किया:

1. पिक्सेल क्रॉपिंग (Pixel Cropping): एक निश्चित संख्या में पिक्सेल के साथ छवि का एक वर्गाकार हिस्सा काटना, जैसे जंगल के 10x10 इंच के वर्ग की फोटो लेना।
2. फील्ड-ऑफ-व्यू (FoV) क्रॉपिंग: एक निश्चित भौतिक आकार (जैसे 800 आर्कसेकंड) का वर्गाकार हिस्सा काटना, चाहे उसमें कितने भी पिक्सेल हों।
3. बीम क्रॉपिंग (Beam Cropping): यह सबसे चतुर तरीका था। एक निश्चित आकार काटने के बजाय, उन्होंने टेलीस्कोप के "बीम" की एक विशिष्ट संख्या काटी। एक टेलीस्कोप बीम, टेलीस्कोप के दृश्य के एक एकल "पिक्सेल" के आकार की तरह है। मान लीजिए कि उन्होंने 10 बीम काटे, तो उन्होंने यह सुनिश्चित किया कि उनके द्वारा दिखाए गए प्रत्येक चित्र का टेलीस्कोप के प्राकृतिक रिज़ॉल्यूशन और शोर के साथ समान संबंध हो, चाहे आकाशगंगा कितनी भी दूर क्यों न हो या टेलीस्कोप कैसे भी सेट किया गया हो।

उन्होंने छवियों को "स्मूथिंग" (चिकना करने) का भी प्रयास किया, या तो उन्हें गणितीय रूप से धुंधला करके (जैसे धुंधली खिड़की से देखना) या "यूवी-टेपरिंग" (uv-tapering) नामक तकनीक का उपयोग करके (जो बारीक विवरणों के प्रति संवेदनशीलता को कम करने जैसा है ताकि बड़े, धुंधले आकार उभर कर आ सकें)। वे यह जानना चाहते थे कि क्या एक ही छवि के कई संस्करणों को एक के ऊपर एक रखकर (जैसे 3D फोटो स्टैक देखना) कंप्यूटर को बेहतर देखने में मदद मिलेगी।

उन्हें क्या मिला?

परिणाम काफी स्पष्ट थे और उन्होंने भविष्य के रेडियो खगोल विज्ञान के लिए कुछ बड़े सबक दिए:

• टीम वर्क की जीत: "डुअल-ब्रांच" मॉडल, जहाँ दो अलग-अलग प्रकार के डिटेक्टरों ने मिलकर काम किया, मंद रेडियो संकेतों को खोजने में सर्वश्रेष्ठ थे। विशेष रूप से, वह मॉडल जिसने एक मानक कंप्यूटर विज़न शाखा को "स्कैटरिंग ट्रांसफॉर्म" शाखा के साथ जोड़ा (जिसे DualSSN कहा गया), विजेता रहा। यह सबसे सटीक और सबसे सुसंगत था।
• "बीम" रणनीति महत्वपूर्ण है: छवियों को तैयार करने के लिए बीम क्रॉपिंग विधि स्पष्ट विजेता थी। टेलीस्कोप बीम की एक निश्चित संख्या काटकर, कंप्यूटर "सेब की तुलना सेब से" (apples to apples) कर सका। जब उन्होंने अन्य विधियों (निश्चित पिक्सेल या निश्चित कोण) का उपयोग किया, तो कंप्यूटर भ्रमित हो गया क्योंकि छवियों में "शोर" हर तस्वीर में अलग दिखता था। बीम विधि ने शोर को हर जगह एक जैसा बना दिया, जिससे कंप्यूटर वास्तविक रेडियो संकेतों पर ध्यान केंद्रित कर सका।
• स्मूथिंग मदद करती है, स्टैकिंग नहीं: छवियों को स्मूथ करने (धुंधला करने या यूवी-टेपरिंग का उपयोग करने) ने कंप्यूटर को कच्चे (raw) चित्रों की तुलना में मंद संकेतों को खोजने में मदद की। यह समझ में आता है क्योंकि संकेत धुंधले होते हैं, इसलिए छवि को धुंधला करने से वे बैकग्राउंड के मुकाबले उभर आते हैं। हालाँकि, एक ही छवि के कई संस्करणों को "स्टैकिंग" करना (जैसे कंप्यूटर को एक शार्प और एक ब्लर वर्जन एक साथ दिखाना) मददगार नहीं था। वास्तव में, इससे परिणाम में सुधार नहीं हुआ। लेखकों का सुझाव है कि ऐसा इसलिए हुआ क्योंकि विभिन्न संस्करण बहुत समान थे; वे बस एक ही जानकारी को थोड़े अलग तरीके से दिखा रहे थे, जिससे कंप्यूटर की मदद होने के बजाय वह भ्रमित हो गया।
• "धुंधली खिड़की" एक अच्छा तरीका है: उन्होंने पाया कि कंप्यूटर में छवियों को बस धुंधला करना (बिना टेलीस्कोप के जटिल रॉ डेटा के) उतना ही प्रभावी था जितना कि अधिक जटिल "यूवी-टेपरिंग" विधि। यह एक बड़ी बात है क्योंकि भविष्य के टेलीस्कोप शायद वह कच्चा डेटा नहीं देंगे जिसकी यूवी-टेपरिंग के लिए आवश्यकता होती है। यदि एक साधारण ब्लर उतना ही अच्छा काम करता है, तो खगोलशास्त्री भारी काम करने के लिए अपने कंप्यूटरों का उपयोग कर सकते हैं, भले ही उनके पास पूरा रॉ डेटा न हो।

उन्होंने किसे खारिज कर दिया:
लेखकों ने स्पष्ट रूप से दिखाया कि कई इमेज वर्जनों को एक साथ स्टैकिंग करना प्रदर्शन में सुधार नहीं करता है। उन्होंने यह भी पाया कि सरल "पिक्सेल क्रॉपिंग" विधि, जो कई अन्य खगोल विज्ञान परियोजनाओं में लोकप्रिय है, इन विशिष्ट, स्मूथ रेडियो छवियों के मामले में बीम क्रॉपिंग की तुलना में खराब प्रदर्शन करती है। "फील्ड-ऑफ-व्यू" विधि सबसे खराब थी, संभवतः इसलिए क्योंकि इसने आकाशगंगा की दूरी के आधार पर ब्रह्मांड के अलग-अलग भौतिक आकार कैप्चर किए, जिससे कंप्यूटर के लिए एक सुसंगत पैटर्न सीखना कठिन हो गया।

वे कितने आश्वस्त हैं?
लेखक इन निष्कर्षों के बारे में काफी आश्वस्त हैं, लेकिन वे सावधानी बरतते हैं कि उनका डेटासेट अभी भी अपेक्षाकृत छोटा (केवल लगभग 200 गैलेक्सी क्लस्टर) है। डेटा सीमित होने के कारण, कंप्यूटर का प्रदर्शन एक परीक्षण से दूसरे परीक्षण में थोड़ा भिन्न होता रहा (जैसे एक छात्र का अलग-अलग दिनों में अलग-अलग स्कोर आना)। हालाँकि, रुझान बहुत सुसंगत थे: बीम क्रॉपिंग और स्मूथिंग के साथ डुअल-ब्रांच मॉडल हमेशा सबसे अच्छा रहा। वे सुझाव देते हैं कि SKA (स्क्वायर किलोमीटर ऐरे) जैसे भविष्य के टेलीस्कोप से अधिक डेटा मिलने पर, ये विधियाँ और भी अधिक शक्तिशाली हो जाएंगी। वे यह दावा नहीं कर रहे हैं कि उन्होंने ब्रह्मांड के रहस्य को सुलझा लिया है, लेकिन उन्होंने रेडियो आकाश के अंधेरे कोनों में देखने के लिए एक बेहतर टॉर्च जरूर ढूंढ ली है।

संक्षेप में, यदि आप ब्रह्मांड के सबसे मंद, धुंधले रेडियो संकेतों को खोजना चाहते हैं, तो केवल सबसे स्पष्ट तस्वीर न देखें। इसे थोड़ा धुंधला करें, इसे इस तरह से काटें जो टेलीस्कोप के प्राकृतिक "पिक्सेल" आकार का सम्मान करता हो, और दो अलग-अलग कंप्यूटर दिमागों की एक टीम का उपयोग करें जो एक साथ देखें। यही आने वाले विशाल रेडियो टेलीस्कोपों के युग में सफलता का नुस्खा है।