A Machine Learning Based Search for Lunar Anomalies

चंद्रमा की मौन डायरी और रोबोट जासूस

कल्पना कीजिए कि चंद्रमा केवल रात के आकाश में चमकता हुआ एक पत्थर नहीं है, बल्कि पत्थर में लिखी गई एक विशाल, मौन डायरी है। अरबों वर्षों से, इसने अपनी सतह पर होने वाली हर टक्कर, हर फिसलन और हर बदलाव को दर्ज किया है। हाल के दशकों में, मानवता ने इस डायरी की करोड़ों अविश्वसनीय रूप से स्पष्ट तस्वीरें लेने के लिए एक हाई-टेक जासूस, लूनर रिकोनिसेंस ऑर्बिटर (LRO), को भेजा है। ये चित्र इतने विस्तृत हैं कि वे अंतरिक्ष से भी एक अकेले पत्थर (boulder) को पहचान सकते हैं। लेकिन लाखों तस्वीरों को हाथों से देखना वैसा ही है जैसे आंखों पर पट्टी बांधकर समुद्र तट पर रेत के एक विशिष्ट कण को खोजने की कोशिश करना; यह अकेले मानवीय आंखों के लिए असंभव है।

यहीं पर "मशीन लर्निंग" नामक विज्ञान की एक शाखा काम आती है। मशीन लर्निंग को एक कंप्यूटर को सुपर-स्मार्ट जासूस बनने की शिक्षा देने के रूप में समझें। कंप्यूटर को ठीक-ठीक यह बताने के बजाय कि उसे क्या खोजना है (जैसे कि "एक क्रेटर ढूंढो"), हम इसे चंद्रमा की "सामान्य" मिट्टी की हजारों तस्वीरों का अध्ययन करने देते हैं जब तक कि वह यह सीख न जाए कि औसत सतह कैसी दिखती है। एक बार जब वह "सामान्य" को जान लेता है, तो वह तुरंत किसी भी ऐसी चीज़ को पहचान सकता है जो अजीब या अलग दिखती हो। यही "टेक्नोसिग्नेचर" (technosignatures) खोजने के पीछे का मूल विचार है—जो कि केवल एक फैंसी शब्द है उन संकेतों के लिए, जो शायद मनुष्यों या यहाँ तक कि एलियंस द्वारा छोड़ी गई तकनीक के होने का संकेत देते हैं, जो सतह पर छिपी हो सकती है। बड़ा सवाल यह है: क्या चट्टानों के बीच कुछ कृत्रिम, जैसे कि कोई भूला हुआ लैंडर या कोई अजीब संरचना, सामने ही छिपी हो सकती है?

---

चंद्रमा पर अजीब चीजों को पहचानने के लिए एक रोबोट को सिखाना

इस शोध पत्र में, शोधकर्ताओं की एक टीम ने एक नए प्रकार के रोबोट जासूस, $\beta$-वेरिएशनल ऑटोएनकोडर ($\beta$-VAE) का परीक्षण करने का निर्णय लिया। आप इस मॉडल को एक डिजिटल कलाकार के रूप में देख सकते हैं जिसने चंद्रमा का अध्ययन करने में कई साल बिताए हैं। इसका काम सरल है: चंद्रमा की एक तस्वीर देखना, उसे अपनी याददाश्त से फिर से बनाने की कोशिश करना, और फिर अपने चित्र की मूल फोटो से तुलना करना।

यहाँ जादू कैसे होता है:
चंद्रमा ज्यादातर उबाऊ और एक समान है—यह सिर्फ ग्रे धूल और चट्टानें हैं। रोबोट सीखता है कि यह "औसत" ग्रे रंग कैसा दिखता है। जब वह चंद्रमा के ऐसे हिस्से को देखता है जो सामान्य धूल है, तो वह उसकी एक सटीक प्रतिलिपि बनाता है। लेकिन जब वह कुछ अजीब देखता है—जैसे कि एक नया क्रेटर, भूस्खलन से पत्थरों का ढेर, या यहाँ तक कि अंतरिक्ष का कोई पुराना मलबा—तो वह भ्रमित हो जाता है। वह "सामान्य" बैकग्राउंड को बनाने की कोशिश करता है, लेकिन वह अजीब वस्तु उसमें फिट नहीं बैठती। रोबोट ने क्या देखने की उम्मीद की थी और उसने वास्तव में क्या देखा, इसके बीच के अंतर को "एनोमली स्कोर" (anomaly score) कहा जाता है। अंतर जितना बड़ा होगा, स्कोर उतना ही अधिक होगा, और वह स्थान उतना ही संदिग्ध होता जाएगा।

शोधकर्ताओं ने इस रोबलेट को डेटा का एक विशाल आहार दिया: LRO से लगभग 1,000 चित्र, जिन्हें छोटे 64x64 पिक्सेल के चौकोर टुकड़ों में बांटा गया था (जो जमीन पर लगभग 32x32 मीटर के पैच के आकार के हैं)। रोबोट के अध्ययन के लिए यह 5.2 करोड़ (52 मिलियन) से अधिक छोटे पैच थे! रोबोट ने चंद्रमा की सतह के पैटर्न को सीखा और फिर उसके द्वारा देखे गए प्रत्येक पैच को ग्रेड देना शुरू कर दिया।

जासूस ने क्या पाया?

टीम यह देखना चाहती थी कि क्या उनका रोबोट जासूस वास्तव में अपने काम में अच्छा है। उन्होंने इसे दो प्रसिद्ध "संदिग्ध" स्थानों पर परखा जिन्हें अन्य लोगों ने पहले ही खोज लिया था: प्लास्केट क्रेटर (Plaskett Crater) और पारासेल्सस सी क्रेटर (Paracelsus C Crater)।

• प्लास्केट क्रेटर एक पथरीली ढलान है जहाँ बड़े पत्थर नीचे गिरते रहे हैं।
• पारासेल्सस सी में दो नुकीले, कोणीय पत्थर हैं जो ऐसा दिखते हैं जैसे किसी टक्कर के बाद पीछे छोड़ दिए गए हों।

रोबोट को यह बताने की आवश्यकता नहीं थी कि ये विशेष थे। उसने छवियों को देखा, स्कोर की गणना की, और तुरंत इन स्थानों को अत्यधिक विसंगतिपूर्ण (anomalous) के रूप में चिह्नित किया। एक सामान्य पैच के लिए औसत स्कोर लगभग 23 था, लेकिन ये अजीब स्थान स्पष्ट रूप से उभर कर आए, जिससे सिद्ध हुआ कि मॉडल विशिष्ट चीजों की सूची के बिना भी अद्वितीय भूवैज्ञानिक विशेषताओं को पहचान सकता है।

लेकिन असली मज़ा तब आया जब उन्होंने रोबोट का परीक्षण टेक्नोसिग्नेचर—यानी मानव-निर्मित चीजों पर किया। उन्होंने इसे प्रसिद्ध लैंडिंग साइटों की छवियां दीं, जिनमें शामिल थे:

• अपोलो 11, 12, 14, 15, 16, और 17 के लैंडर।
• सर्वेयर 3 (Surveyor 3) लैंडर।
• चांग-ई (Chang'e) 3, 5, और 6 लैंडर।
• यहाँ तक कि अपोलो 13 रॉकेट और लूना 24 लैंडर के क्रैश साइट्स।

रोबोट ने सफलतापूर्वक इन छोटे, कृत्रिम पिंडों में से अधिकांश की पहचान विसंगतियों के रूप में की! यह ध्यान देना महत्वपूर्ण है कि रोबोट ने इन मानव-निर्मित वस्तुओं को सबसे उच्चतम संभव स्कोर नहीं दिया। क्यों? क्योंकि रोबोट को 32x32 मीटर चौड़े पैच पर प्रशिक्षित किया गया था। एक छोटा सा लैंडर उस बड़े पैच में बस एक बिंदु जैसा है, इसलिए वह चित्र पर हावी नहीं होता है। हालाँकि, रोबियम ने इन्हें रैंडम अनुमान लगाने की तुलना में काफी बेहतर तरीके से पहचाना। वास्तव में, इन विसंगतियों को खोजने की मॉडल की क्षमता केवल अनुमान लगाने की तुलना में 3.02 गुना बेहतर थी।

वे कितने आश्वस्त हैं?

शोधकर्ता इस बात को लेकर बहुत आश्वस्त हैं कि यह तरीका काम करता है, लेकिन वे अतिशयोक्ति करने में सावधानी बरतते हैं। उन्होंने एक सांख्यिकीय परीक्षण (कोलमोगोरोव-स्मिरनोव टेस्ट) का उपयोग किया, जिसने 1.95x10⁻³⁵ का p-वैल्यू दिया। सरल भाषा में, यह संख्या इतनी अविश्वसनीय रूप से छोटी है कि यह साबित करती है कि रोबोट केवल भाग्यशाली नहीं है; वह वास्तव में सामान्य चंद्र मिट्टी और विसंगतियों वाले स्थानों के बीच अंतर देख रहा है।

हालाँकि, पेपर यह दावा नहीं करता है कि उसने नए एलियन बेस या खोए हुए जहाजों को खोज लिया है। यह केवल यह सिद्ध करता है कि इस प्रकार का मशीन लर्निंग मॉडल चंद्रमा को स्कैन करने के लिए एक शक्तिशाली उपकरण है। रोबोट ने उन चीजों को खोज निकाला जिन्हें हम पहले से जानते थे कि वहाँ मौजूद हैं, जो बताता है कि वह उन चीजों की तलाश के लिए तैयार है जिनके बारे में हम अभी तक नहीं जानते।

आगे क्या है?

टीम इसे केवल एक शुरुआत मानती है। उनका अगला लक्ष्य पूरे चंद्रमा पर इस रोबोट को चलाना है ताकि अजीब स्थानों का एक वैश्विक मानचित्र बनाया जा सके। वे निम्नलिखित को खोजने की आशा करते हैं:

• छिपे हुए ज्वालामुखी गड्ढे या ढहे हुए लावा ट्यूब (भवि भविष्य के अंतरिक्ष यात्रियों के छिपने के लिए बेहतरीन जगह!)।
• नए क्रेटर या चट्टानों का गिरना।
• छोड़ी गई कोई भी गुम या अज्ञात तकनीक।

वे यह भी समझते हैं कि रोबोट में एक "पूर्वाग्रह" (bias) है क्योंकि इसे जिस पैच साइज पर प्रशिक्षित किया गया था, वह सीमित है। यदि वे इसे छोटे पैच पर प्रशिक्षित करते हैं, तो यह छोटी चीजों को पहचानने में बेहतर हो सकता है। यदि वे इसे बड़े पैच पर प्रशिक्षित करते हैं, तो यह बड़े क्रेटरों को पहचानने में बेहतर हो सकता है। वे दुनिया के सर्वश्रेष्ठ परिणामों को प्राप्त करने के लिए रोबोट के विभिन्न संस्करणों को मिलाने की योजना बना रहे हैं।

अंत में, यह केवल चंद्रमा के लिए नहीं है। इसी तकनीक का उपयोग मंगल, बुध या किसी अन्य ग्रह पर उच्च-रिज़ॉल्यूशन वाली तस्वीरों के साथ किया जा सकता है। कोड किसी के भी उपयोग के लिए उपलब्ध है, जिसका अर्थ है कि यह डिजिटल जासूस हमारे सौर मंडल में अजीब और अज्ञात की खोज करने में पूरी दुनिया की मदद करने के लिए तैयार है।