Galaxy Morphology Classification: Uncertainty Modeling and Out of Distribution Detection

ब्रह्मांड अरबों आकाशगंगाओं से भरा है, जिनमें से प्रत्येक तारों, गैस और धूल का एक विशाल द्वीप है। लगभग एक सदी से, खगोलशास्त्री इन ब्रह्मांडीय द्वीपों को उनके आकार के आधार पर परिवारों में वर्गीकृत करते आए हैं: कुछ प्रकाश के विशाल गोलों की तरह चिकने और गोल हैं, जबकि अन्य घुमावदार भुजाओं वाले चपटे सर्पिल (स्पाइरल) हैं। यह वर्गीकरण, जिसे रूपात्मक वर्गीकरण (morphological classification) कहा जाता है, केवल सूची बनाने का मामला नहीं है; एक आकाशगंगा का आकार उसके इतिहास, उसके निर्माण के तरीके और समय के साथ उसमें आए बदलावों की कहानी बताता है। हालाँकि, जैसे-जैसे आधुनिक दूरबीनें अभूतपूर्व स्पष्टता और मात्रा के साथ आकाश की छवियां कैप्चर कर रही हैं, आकाशगंगाओं की संख्या इतनी बढ़ गई है कि मानव आंखों के लिए एक-एक करके उनका परीक्षण करना असंभव हो गया है। इस गति के साथ तालमेल बिठाने के लिए, वैज्ञानिकों ने आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) का सहारा लिया है, जिससे कंप्यूटर को इन आकारों को स्वचालित रूप से पहचानने के लिए प्रशिक्षित किया जा सके। लेकिन इसमें एक पेंच है: मानक कंप्यूटर प्रोग्राम अक्सर अत्यधिक आत्मविश्वासी होते हैं। जब वे किसी ऐसी आकाशगंगा का सामना करते हैं जो अजीब दिखती है या जो उनके द्वारा देखी गई किसी भी चीज़ से अलग है, तो वे फिर भी उसे एक ज्ञात श्रेणी में जबरदस्ती फिट कर देते हैं और निश्चितता का दावा करते हैं, जिससे संभावित रूप से दुर्लभ या नई खोजें झूठे आत्मविश्वास की दीवार के पीछे छिप सकती हैं।

भारतीय प्रौद्योगिकी संस्थान हैदराबाद के शोधकर्ताओं ने एक अधिक स्मार्ट तरीका बनाने के लिए इस समस्या को हल करने का प्रयास किया जिससे कंप्यूटर आकाशगंगाओं का वर्गीकरण कर सकें। उन्होंने एक विशिष्ट चुनौती पर ध्यान केंद्रित किया जिसे "आउट-ऑफ-डिस्ट्रीब्यूशन" (out-of-distribution) डिटेक्शन कहा जाता है, जो सरल शब्दों में यह पहचानने की क्षमता है कि कोई छवि ज्ञात समूहों से संबंधित नहीं है। डार्क एनर्जी कैमरा लीगेसी सर्वे से प्राप्त आकाशगंगाओं के एक विशाल संग्रह का उपयोग करते हुए, उन्होंने एक डीप लर्निंग सिस्टम को न केवल आकाशगंगाओं के नौ मानक आकारों की पहचान करने के लिए, बल्कि अनिश्चित होने पर अपनी असमर्थता स्वीकार करने के लिए भी प्रशिक्षित किया। शोधकर्ताओं ने तीन अलग-अलग दृष्टिकोणों का परीक्षण किया। पहला एक मानक विधि थी जिसे आधार (बेसलाइन) के रूप में उपयोग किया गया। दूसरे में एक नई तकनीक पेश की गई जो केवल एक श्रेणी का अनुमान लगाने के बजाय, यह मापती है कि एक आकाशगंगा की विशेषताएं अपने ज्ञात समूह के केंद्र से कितनी दूर हैं। तीसरा तरीका इस दूरी माप को एक ऐसी विधि के साथ जोड़ता है जो एक ही छवि को थोड़े बदलावों के साथ कंप्यूटर के मस्तिष्क के माध्यम से कई बार चलाती है, जिससे सिस्टम अपनी अनिश्चितता का आकलन कर पाता है।

परिणामों से पता चला कि नए तरीके मानक दृष्टिकोण की तुलना में कहीं अधिक श्रेष्ठ थे। दूरी-आधारित तकनीक का उपयोग करने वाला सिस्टम असामान्य आकाशगंगाओं को पहचानने में काफी बेहतर हो गया, जिसने उन्हें "अज्ञात" के रूप में सही ढंग से पहचानने की अपनी क्षमता में बेसलाइन की तुलना में लगभग 90 प्रतिशत का सुधार किया, जबकि इसने ज्ञात आकारों को 97 प्रतिशत सटीकता के साथ सही ढंग से पहचाना। महत्वपूर्ण रूप से, यह सिस्टम विनम्र होना सीख गया। जब इसका सामना एक ऐसी आकाशगंगा से हुआ जिसे वर्गीकृत करना कठिन था या जो विभिन्न प्रकारों का मिश्रण दिखती थी, तो इसने जबरदस्ती कोई लेबल नहीं थोपा। इसके बजाय, इसने अनिश्चितता का संकेत दिया, अक्सर यह दिखाकर कि वह आकाशगंगा किसी भी ज्ञात आकार समूह के केंद्र से बहुत दूर थी। यह व्यवहार भविष्य के आकाश सर्वेक्षणों के लिए अत्यंत महत्वपूर्ण है, जहाँ लक्ष्य केवल ज्ञात चीजों को गिनना नहीं है, बल्कि दुर्लभ, विचित्र और पहले से अनदेखी चीजों को खोजना है।

शोधकर्ताओं ने यह भी पाया कि दूरी पद्धति को मल्टीपल-पास (multiple-pass) तकनीक के साथ मिलाने से सिस्टम और भी अधिक विश्वसनीय हो गया। छवि को नेटवर्क के माध्यम से कई बार चलाकर, कंप्यूटर देख सकता था कि क्या प्रत्येक पास के साथ उसका उत्तर थोड़ा बदल जाता है। यदि उत्तर डगमगाता था, तो सिस्टम समझ जाता था कि वह किसी अस्पष्ट मामले से निपट रहा है। इस दृष्टिकोण ने सिस्टम के कॉन्फिडेंस स्कोर (विश्वास स्कोर) की त्रुटि को लगभग 73 प्रतिशत कम कर दिया, जिसका अर्थ है कि जब कंप्यूटर ने कहा कि वह सुनिश्चित है, तो वह वास्तव में सुनिश्चित था, और जब उसने कहा कि वह अनिश्चित है, तो वह एक कठिन मामले की सही पहचान कर रहा था। अध्ययन ने प्रदर्शित किया कि समानता को मापने के तरीके को बदलकर—केवल संभावना के बजाय ज्यामितीय दूरी पर ध्यान केंद्रित करके—यह परिचित आकाशगंगाओं और वास्तव में नई या विचित्र आकाशगंगाओं के बीच एक स्पष्ट अंतर पैदा कर सकता है।

यह कार्य न केवल वर्गीकरण की गति में सुधार करता है; यह पूरी प्रक्रिया की विश्वसनीयता को बदल देता है। अतीत में, एक स्वचालित प्रणाली एक दुर्लभ, आपस में मिलती हुई (merging) आकाशगंगा को एक सामान्य सर्पिल के रूप में आत्मविश्वास से गलत लेबल कर सकती थी, जिससे एक अद्वितीय ब्रह्मांडीय घटना रिकॉर्ड से प्रभावी रूप रूप से मिट सकती थी। नया ढांचा यह सुनिश्चित करता है कि ऐसी विसंगतियों को मानवीय समीक्षा के लिए चिह्नित किया जाए। शोधकर्ताओं ने सत्यापित किया कि कंप्यूटर छवियों के सही हिस्सों, जैसे कि सर्पिल भुजाओं या केंद्रीय उभारों (bulges) पर ध्यान दे रहा था, न कि यादृच्छिक शोर या बैकग्राउंड आर्टिफैक्ट्स पर। जब सिस्टम ने गलती की, तो यह अक्सर इसलिए था क्योंकि आकाशगंगा स्वयं भ्रमित करने वाली थी, जिसमें विशेषताएं आपस में मिली हुई थीं, और सिस्टम ने उच्च अनिश्चितता के माध्यम से इस भ्रम को सही ढंग से दर्शाया।

इसके निहितार्थ खगोल विज्ञान के लिए महत्वपूर्ण हैं। आगामी दूरबीनें जल्द ही अरबों आकाशगंगाओं की छवियां कैप्चर करेंगी, एक ऐसा आयतन जो मैन्युअल जांच को असंभव बनाता है। एक ऐसा उपकरण होना जो ज्ञात चीजों को स्वचालित रूप से वर्गीकृत कर सके और साथ ही अज्ञात चीजों की विश्वसनीय रूप से ओर इशारा कर सके, अगली पीढ़ी की ब्रह्मांडीय घटनाओं की खोज के लिए आवश्यक है। शोधकर्ताओं ने उल्लेख किया कि हालांकि उनकी विधि अत्यधिक प्रभावी है, लेकिन इसे अनिश्चितता के लिए आवश्यक कई जांचों को चलाने के लिए अधिक कंप्यूटिंग पावर की आवश्यकता होती है। हालांकि, उनका तर्क है कि यह लागत उस क्षमता के लिए एक छोटी कीमत है जिससे स्वचालित कैटलॉग पर भरोसा किया जा सके और यह सुनिश्चित किया जा सके कि कोई भी विचित्र या दुर्लभ आकाशगंगा बिना ध्यान दिए छूट न जाए। मशीनों को अपने ज्ञान की सीमाओं को पहचानने के लिए सिखाकर, खगोलविद अंततः कंप्यूटरों को नियमित काम संभालने दे सकते हैं जबकि वे अपना ध्यान ब्रह्मांड की सबसे रहस्यमय और आकर्षक वस्तुओं पर केंद्रित कर सकते हैं।