Closing the loop on-sky with a vector-Zernike wavefront sensor using a convolutional neural network as phase reconstructor
यह शोध पत्र प्रदर्शित करता है कि एक वेक्टर-ज़र्निक वेवफ्रंट सेंसर से चरण डेटा (phase data) को पुनर्गठित करने के लिए एक कन्वोल्यूशनल न्यूरल नेटवर्क को प्रशिक्षित करना, सेंसर की डायनेमिक रेंज को सफलतापूर्वक बढ़ाता है और उन स्थितियों में भी स्थिर क्लोज्ड-लूप एडेप्टिव ऑप्टिक्स ऑपरेशन को ऑन-स्काई सक्षम बनाता है जहाँ पारंपरिक रैखिक पुनर्गठनकर्ता (linear reconstructors) विफल हो जाते हैं।
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
ब्रह्मांडीय धुंध और स्मार्ट कैमरा
कल्पना कीजिए कि आप एक लहरदार, गर्मी से थरथराती खिड़की के पीछे खड़े होकर एक दूर स्थित जुगनू की एकदम स्पष्ट फोटो लेने की कोशिश कर रहे हैं। खगोलशास्त्री जब पृथ्वी से सितारों और ग्रहों को देखते हैं, तो उन्हें बिल्कुल यही सामना करना पड़ता है। हमारा वायुमंडल हवा का एक अशांत मिश्रण है जो लगातार प्रकाश को मोड़ता और बदलता रहता है, जिससे प्रकाश के तीखे बिंदु धुंधले धब्बों में बदल जाते हैं। इसे ठीक करने के लिए, वैज्ञानिक "एडेप्टिव ऑप्टिक्स" (adaptive optics) नामक एक उच्च-तकनीकी तकनीक का उपयोग करते हैं। इसे एक जादुई कैमरे के रूप में समझें जो हवा के डगमगाहट को रद्द करने के लिए प्रति सेकंड सैकड़ों बार अपने स्वयं के लेंस (एक विरूपित दर्पण या deformable mirror) को तुरंत नया आकार दे सकता है, जिससे छवि अपनी मूल स्पष्टता में वापस आ जाती है।
लेकिन लेंस को ठीक करने के लिए, कैमरे को पहले यह जानने की आवश्यकता है कि हवा कैसे हिल रही है। यह एक "वेवफ्रंट सेंसर" (wavefront sensor) का काम है, जो प्रकाश के विरूपण को मापने वाली एक विशेष आँख है। कुछ सबसे संवेदनशील सेंसर सूक्ष्म हलचल को देखने में अविश्वसनीय रूप से अच्छे होते हैं, लेकिन उनमें एक अजीब सी खामी है: यदि हवा बहुत अधिक अस्थिर हो जाती है, तो ये सेंसर भ्रमित हो जाते हैं। यह एक ऐसी घड़ी की तरह है जिसमें केवल 1 से 12 तक की संख्याएँ हैं; यदि आप सुइयों को बहुत तेज़ी से घुमाते हैं, तो वे वापस घूमकर शुरू से शुरू हो जाती हैं, जिससे यह बताना असंभव हो जाता है कि आपने उन्हें आगे घुमाया था या पीछे। इस "रैपिंग" (wrapping) समस्या का अर्थ है कि जब वायुमंडल वास्तव में अशांत होता है, तो ये सुपर-सेंसिटिव सेंसर आमतौर पर हार मान लेते हैं, और कैमरा फिर से अंधा हो जाता है। वैज्ञानिक एक ही सवाल पूछ रहे हैं: क्या हम एक कंप्यूटर को उस भ्रमित सेंसर को देखकर और वास्तविक कहानी का पता लगाने के लिए सिखा सकते हैं, भले ही संख्याएँ 'रैप' (wrap) होकर घूम गई हों?
शोध पत्र का बड़ा विचार: एक रोबोट को आकाश को 'अनरैप' करना सिखाना
यह शोध पत्र, जिसका शीर्षक "Using a convolutional neural network as phase reconstructor for closing the loop on-sky with a vector-Zernike wavefront sensor" है, इस रैपिंग पहेली को सुलझाने के लिए कंप्यूटर को सिखाने की एक कहानी है। शोधकर्ताओं ने, एफ. ओयारज़ुन (F. Oyarzún) और सहयोगियों के नेतृत्व में, एक प्रकार के आर्टिफिशियल इंटेलिजेंस का उपयोग करने का निर्णय लिया जिसे "कन्वोल्यूशनल न्यूरल नेटवर्क" (CNN) कहा जाता है। आप एक CNN को एक सुपर-स्मार्ट जासूस के रूप में समझ सकते हैं जो केवल एक समय में एक सुराग नहीं देखता है, बल्कि संदर्भ को समझने के लिए पूरी तस्वीर को स्कैन करता है।
अतीत में, वैज्ञानिक सेंसर के संकेतों को दर्पण के सुधार में बदलने के लिए सरल, रैखिक गणित (linear math) का उपयोग करते थे। जब हवा शांत होती थी तो यह बहुत अच्छा काम करता था, लेकिन जब अशांति (turbulence) मजबूत होती थी, तो "रैपिंग" के मुद्दे के कारण गणित विफल हो जाता था। टीम ने एक नया दृष्टिकोण प्रस्तावित किया: साधारण गणित के बजाय, उन्होंने एक न्यूरल नेटवर्क को प्रशिक्षित किया कि वह सेंसर की पूरी छवि को देखे और विरूपण के आकार का अनुमान लगाए। यह एक बच्चे को आँख और नाक को अलग-अलग गिनकर नहीं, बल्कि पूरे चेहरे को एक साथ देखकर चेहरा पहचानने के लिए सिखाने जैसा है।
ऐसा करने के लिए, टीम ने केवल कंप्यूटर पर डेटा नहीं फेंका। उन्होंने अपने टेलीस्कोप और वायुमंडल का एक बहुत विस्तृत आभासी मॉडल बनाया, जिससे AI को प्रशिक्षित करने के लिए हजारों नकली "अशांत रातें" उत्पन्न की गईं। उन्होंने "करिकुलम लर्निंग" (curriculum learning) नामक एक विशेष प्रशिक्षण तकनीक का उपयोग किया, जिसमें AI को आसान, शांत रातों से शुरू किया गया और धीरे-धीरे तूफानी, अराजक रातों की ओर ले जाया गया। उन्होंने AI के होमवर्क को ग्रेड करने का एक नया तरीका भी बनाया, जो बारीकियों को सही करने पर बहुत अधिक ध्यान केंद्रित करता है, क्योंकि खगोल विज्ञान में, एक छोटी सी त्रुटि भी छवि को खराब कर सकती है।
आकाश का परीक्षण: सिमुलेशन से वास्तविकता तक
असली परीक्षण तब आया जब वे इस AI को फ्रांस के ऑब्जर्वेटरी डी हाउटे प्रोवेंस (Observatoire de Haute-Provence) में वास्तविक आकाश में ले गए। उन्होंने अपने नए सिस्टम को एक "वेक्टर-ज़र्निक वेवफ्रंट सेंसर" (v-ZWFS) से लैस टेलीस्कोप से जोड़ा, जो धुंधले तारों को देखने के लिए डिज़ाइन की गई एक अत्यंत संवेदनशील आँख है। लक्ष्य यह देखना था कि क्या AI टेलीस्कोप के दर्पण को अशांत हवा में—ऐसी स्थितियाँ जहाँ पुराना, सरल गणित पूरी तरह से विफल हो जाता—स्थिर और स्पष्ट रख सकता है।
परिणाम उत्साहजनक थे। सिमुलेशन में, AI अशांति के उन स्तरों को संभाल सकता था जो पुराने रैखिक तरीके की क्षमता से 80 गुना अधिक मजबूत थे। जब उन्होंने इसे वास्तविक आकाश में चालू किया, तो AI ने अपनी योग्यता सिद्ध की। कई मामलों में जहाँ पारंपरिक रैखिक विधि हार मान लेती थी और छवि धुंधली हो जाती थी, वहाँ AI ने लूप को खुला रखा और स्पष्ट, साफ छवियां बनाईं।
एक विशेष रूप से प्रभावशाली परीक्षण में, उन्होंने इस संवेदनशील सेंसर को एकमात्र मार्गदर्शक के रूप में उपयोग करने की कोशिश की, जिससे यह बिना किसी पहले चरण के सेंसर की मदद के वायुमंडल की पूरी शक्ति का सामना कर सके। आमतौर पर, यह असंभव होगा क्योंकि अशांति बहुत अधिक होती है। लेकिन AI के साथ, वे एक शार्पनेस स्कोर (जिसे स्ट्रेहल अनुपात या Strehl ratio कहा जाता है) प्राप्त करने में सफल रहे, जो 46.2% था। यह लगभग उतना ही अच्छा था जितना कि जब उन्होंने पारंपरिक विधि के साथ दो-चरणीय प्रणाली का उपयोग किया था। वास्तव में, कई मामलों में, AI ने पारंपरिक विधि से भी बेहतर प्रदर्शन किया, जिससे पारंपरिक विधि के 22.0% के मुकाबले 32.7% का स्ट्रेहल अनुपात प्राप्त करते हुए अधिक स्पष्ट छवियां बनाईं।
इसका क्या अर्थ है
यह शोध पत्र दिखाता है कि पूरी तरह से कंप्यूटर सिमुलेशन में प्रशिक्षित न्यूरल नेटवर्क का उपयोग करके, हम इन अति-संवेदनशील सेंसरों की उपयोगी सीमा को उनके मूल डिज़ाइन सीमाओं से कहीं आगे तक बढ़ा सकते हैं। लेखकों ने पाया कि AI ने केवल अनुमान नहीं लगाया; इसने सफलतापूर्वक भ्रमित संकेतों को "अनरैप" (unwrap) किया, जिससे टेलीस्कोप को पहले से कहीं अधिक मजबूत अशांति के लिए सुधार करने की अनुमति मिली।
उन्होंने स्पष्ट रूप से इस विचार को खारिज कर दिया कि इन स्थितियों के लिए सरल रैखिक गणित पर्याप्त है; यह शोध पत्र प्रदर्शित करता है कि बड़े विरूपणों के लिए, रैखिक दृष्टिकोण विफल हो जाता है, जबकि गैर-रैखिक AI सफल होता है। इन निष्कर्षों में विश्वास उच्च है क्योंकि वे केवल सिम्युलेटेड नहीं थे; उन्हें वास्तविक डेटा के साथ आकाश में सिद्ध किया गया था। शोधकर्ता सुझाव देते हैं कि यह केवल एक छोटा सुधार नहीं है, बल्कि एक मौलिक बदलाव है जो भविष्य के विशाल टेलीस्कोपों को सबसे कठिन रातों में भी अपने सबसे संवेदनशील नेत्रों का उपयोग करने की अनुमति दे सकता है, जिससे धुंधले, दूर के संसारों को खोजने की नई संभावनाएं खुल सकती हैं।
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।