A survey detection channel overrides the pixels in an astronomical foundation model, and biases tomographic mean redshifts
यह शोध पत्र प्रदर्शित करता है कि खगोल विज्ञान के लिए फाउंडेशन मॉडल, जैसे कि AION-1, अपूर्ण सर्वेक्षण डिटेक्शन चैनलों से व्यवस्थित पूर्वाग्रहों को विरासत में प्राप्त करते हैं, जिससे वे वास्तविक इमेज डेटा के बजाय सेगमेंटेशन मास्क को प्राथमिकता देने लगते हैं और विशेष रूप से टोमोग्राफिक विश्लेषणों में फोटोमेट्रिक और रेडशिफ्ट मापों को महत्वपूर्ण रूप से विकृत कर देते 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
खगोलशास्त्रियों ने ब्रह्मांड का मानचित्रण करने के लिए लंबे समय से विशाल, स्वचालित सर्वेक्षणों पर भरोसा किया है। ये सर्वेक्षण आकाश की तस्वीरें लेते हैं और फिर हर उस गैलेक्सी (आकाशगंगा) के आकार, चमक और दूरी को मापने के लिए सॉफ्टवेयर का उपयोग करते हैं जो उन्हें दिखाई देती है। इन परिणामों को विशाल डिजिटल कैटलॉग में संग्रहीत किया जाता है, जो उन वैज्ञानिकों के लिए प्राथमिक संदर्भ के रूप में कार्य करते हैं जो अरबों वर्षों से ब्रह्मांड के विकास का अध्ययन कर रहे हैं। हाल ही में, कृत्रिम बुद्धिमत्ता की एक नई पीढ़ी इस क्षेत्र में प्रवेश कर चुकी है। ये "फाउंडेशन मॉडल्स" (आधार मॉडल) हैं, जो आकाश की कच्ची छवियों और उनसे प्राप्त पूर्व-निर्मित कैटलॉग दोनों पर प्रशिक्षित विशाल कंप्यूटर प्रोग्राम हैं। आशा यह है कि ये मॉडल ब्रह्मांड के गहरे पैटर्न को सीख सकते हैं, और कच्चे प्रकाश तथा वैज्ञानिक सत्य के बीच एक सार्वभौमिक अनुवादक के रूप में कार्य कर सकते हैं। लेकिन इन उपकरणों को सबसे सटीक ब्रह्मांड संबंधी अध्ययनों में विश्वसनीय बनाने के लिए, वैज्ञानिकों को यह समझना होगा कि वे निर्णय कैसे लेते हैं। यदि कोई मॉडल किसी ऐसे शॉर्टकट पर निर्भर होता है जो विशिष्ट तरीकों से विफल हो जाता है, तो यह एक छिपा हुआ पूर्वाग्रह पैदा कर सकता है जो ब्रह्मांड के विस्तार के बारे में हमारी पूरी समझ को बिगाड़ सकता है।
AION-1 नामक एक शक्तिशाली नए मॉडल के हालिया ऑडिट ने इसके सोचने के तरीके में एक आश्चर्यजनक और संभावित रूप से खतरनाक दोष का खुलासा किया है। शोधकर्ताओं ने पाया कि मॉडल अपने मापन करते समय मुख्य रूप से सितारों और आकाशगंगाओं से आने वाले वास्तविक प्रकाश को नहीं देखता है। इसके बजाय, इसने एक डिजिटल मानचित्र पर भरोसा करना सीख लिया है जो उसे बताता है कि एक गैलेक्सी कहाँ होनी चाहिए, और अक्सर वास्तविक छवि को तब अनदेखा कर देता है जब दोनों के बीच असहमति होती है। यह व्यवहार कोई मामूली त्रुटि नहीं है; यह मॉडल के डिज़ाइन में निहित एक मौलिक प्राथमिकता है। जब शोधकर्ताओं ने एक गैलेक्सी की छवि को बिल्कुल समान रखते हुए और उसके स्थान को चिह्नित करने वाले डिजिटल मानचित्र को स्थानांतरित करके इसका परीक्षण किया, तो मॉडल के रिपोर्ट किए गए माप नाटकीय रूप रूप से बदल गए। गैलेक्सी की अनुमानित चमक लगभग अस्सी प्रतिशत तक गिर सकती थी, और उसकी अनुमानित दूरी जंगली रूप से बदल सकती थी, केवल इसलिए क्योंकि डिजिटल मार्कर को वस्तु के केंद्र से कुछ पिक्सेल दूर हटा दिया गया था। मॉडल प्रकाश की गणना नहीं कर रहा था; वह केवल एक बॉक्स को टिक कर रहा था।
इस विफलता के पीछे का तंत्र जिसे शोधकर्ता "डिटेक्शन गेट" (पहचान द्वार) कहते हैं, क्या है। सरल शब्दों में, मॉडल ने सीख लिया है कि यदि डिजिटल मानचित्र कहता है कि एक विशिष्ट स्थान पर गैलेक्सी मौजूद है, तो वहां एक गैलेक्सी है, चाहे पिक्सेल वास्तव में क्या दिखा रहे हों। यह कैटलॉग के स्थान डेटा को एक सुझाव के बजाय एक आदेश के रूप में मानता है। यह विशेष रूप से समस्याग्रस्त है क्योंकि इन डिजिटल मानचित्रों को बनाने वाला सॉफ्टवेयर पूर्ण नहीं है। मॉडल को प्रशिक्षित करने के लिए उपयोग किए गए सर्वेक्षण डेटा में, लगभग 3.7 प्रतिशत समय, सॉफ्टवेयर एक स्पष्ट रूप से दृश्यमान गैलेक्सी पर मार्कर लगाने में विफल रहता है। जब मॉडल ऐसी बिना मार्कर वाली गैलेक्सी का सामना करता है, तो वह प्रभावी रूप से प्रकाश को पूरी तरह से अनदेखा कर देता है, जिससे एक आत्मविश्वासी लेकिन पूरी तरह से गलत उत्तर प्राप्त होता है। शोधकर्ताओं ने दिखाया कि यह त्रुटि यादृच्छिक शोर (रैंडम नॉइज़) नहीं है; यह एक व्यवस्थित बदलाव है जो आकाशगंगाओं के पूरे समूहों की औसत दूरी को बदल देता है। सबसे खराब मामलों में, यह बदलाव भविष्य के प्रमुख अंतरिक्ष मिशनों के लिए निर्धारित सख्त सटीकता आवश्यकताओं को तोड़ने के लिए पर्याप्त बड़ा है, जो इन अध्ययनों के लिए अनुमत त्रुटि मार्जिन को पूरी तरह से खा सकता है।
कोई यह मान सकता है कि यदि मॉडल स्थान के बारे में गलत है, तो कम से कम यह दूरी का पता लगाने के लिए प्रकाश को तो देखेगा ही। हालाँकि, अध्ययन ने इसके विपरीत पाया। जब शोधकर्ताओं ने किसी गैलेक्सी के रंग या चमक के बारे में कैटलॉग के डेटा को दूषित किया, तो मॉडल का दूरी का अनुमान बिना किसी कैटलॉग डेटा के प्राप्त होने की तुलना में नौ गुना बदतर हो गया। वह कच्चे चित्र पर वापस जाने के बजाय त्रुटिपूर्ण जानकारी से चिपका रहा। यह सुझाव देता है कि मॉडल को इस तरह से प्रशिक्षित किया गया था कि कैटलॉग डेटा एक "मुफ्त उत्तर" बन गया, इसलिए उसने वास्तविक चित्र के विरुद्ध उस उत्तर को सत्यापित करना कभी नहीं सीखा। समस्या इतनी गहराई से जुड़ी हुई है कि कंप्यूटर मॉडल को बड़ा और अधिक शक्तिशाली बनाने से भी यह ठीक नहीं हुई; वास्तव में, बड़े मॉडल ने त्रुटिपूर्ण कैटलॉग डेटा पर और भी अधिक निर्भरता दिखाई।
शोधकर्ताओं ने यह भी पाया कि गैलेक्सी के आकार और संरचना को देखने की मॉडल की क्षमता इस बात से सीमित है कि वह छवियों को संख्याओं में कैसे अनुवादित करता है। छवियों को संसाधित करने वाले सिस्टम का हिस्सा चमक के स्तरों की एक बहुत ही सरल सीढ़ी की तरह कार्य करता है, जिसमें प्रकाश का प्रतिनिधित्व करने के लिए केवल लगभग अट्ठाईस अलग-अलग चरण हैं। इसका अर्थ है कि मॉडल आकाश के एक ही हिस्से के भीतर विभिन्न आकारों या बनावटों के बीच अंतर नहीं कर सकता; वह केवल यह बता सकता है कि एक हिस्सा उज्ज्वल है या मंद। यह सीमा मॉडल की शब्दावली में निर्मित है और इसे केवल अधिक कंप्यूटिंग शक्ति जोड़कर ठीक नहीं किया जा सकता। इस कारण से, छवियों पर मॉडल का प्रदर्शन स्पेक्ट्रा (प्रकाश के विस्तृत विवरण) मिलने की तुलना में हमेशा पीछे रहेगा। जब शोधकर्ताओं ने मॉडल को ये विस्तृत स्पेक्ट्रा प्रदान किए, तो पूर्वाग्रह लगभग पूरी तरह से गायब हो गया, जिससे सिद्ध हुआ कि समस्या विशिष्ट रूप से इस बात से जुड़ी है कि मॉडल उस अतिरिक्त जानकारी के बिना छवियों को कैसे संभालता है।
अध्ययन इन शक्तिशाली उपकरणों को सुरक्षित रूप से उपयोग करने के लिए एक स्पष्ट सिफारिश के साथ समाप्त होता है। शोधकर्ताओं ने पाया कि मॉडल के इनपुट से डिजिटल स्थान मानचित्र को हटा देने मात्र से पूर्वाग्रह पूरी तरह से रुक जाता है, जिससे मॉडल की सटीकता को नुकसान नहीं पहुँचता है। मॉडल उतना ही अच्छा प्रदर्शन करता है, या उससे भी बेहतर, जब उसे वास्तविक प्रकाश को देखने के लिए मजबूर किया जाता है बजाय इसके कि वह पूर्व-निर्मित मानचित्र पर निर्भर रहे। हालाँकि, यदि मानचित्र को हटा दिया जाता है, तो मॉडल को एक सामान्य प्लेसहोल्डर (स्थानधारक) नहीं दिया जाना चाहिए, क्योंकि इससे स्थिति और खराब हो जाती है। मुख्य निष्कर्ष यह है कि इन कृत्रिम बुद्धिमत्ता प्रणालियों को सबसे महत्वपूर्ण वैज्ञानिक कार्यों में उपयोगी होने के लिए, उन्हें ब्रह्मांड के कच्चे डेटा पर उन सारांशों के बजाय भरोसा करने के लिए डिज़ाइन किया जाना चाहिए जो मनुष्यों ने पहले ही लिख दिए हैं। इस सुधार के बिना, वे उपकरण जिनका उद्देश्य ब्रह्मांड के रहस्यों को उजागर करना है, खगोलशास्त्रियों को अदृश्य, व्यवस्थित त्रुटि के मार्ग पर ले जा सकते 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।