Enabling New Discoveries with Machine Learning
यह शोध पत्र एस्ट्रोनॉमी (Astronomaly) फ्रेमवर्क की समीक्षा करता है और प्रदर्शित करता है कि कैसे डीप लर्निंग को सक्रिय मानवीय इनपुट के साथ संयोजित करना, अगली पीढ़ी के दूरबीनों द्वारा उत्पन्न विशाल डेटासेट में दुर्लभ और नवीन खगोलीय पिंडों की पहचान करके वैज्ञानिक खोज के स्वचालन को सक्षम बनाता है।
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 नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
ब्रह्मांड मानव कानों के लिए अकेले सुनने हेतु बहुत अधिक शोर भरा होता जा रहा है। आने वाले वर्षों में, विशाल नई दूरबीनें आकाश का बारीकी से निरीक्षण करना शुरू कर देंगी, जो ऐसी गति से चित्र और संकेत कैप्चर करेंगी जो खगोलविदों द्वारा अब तक सामना की गई किसी भी चीज़ को बौना बना देती है। एक परियोजना, वेरा सी. रुबिन वेधशाला (Vera C. Rubin Observatory), अंततः लगभग 20 अरब ऑप्टिकल आकाशगंगाओं को सूचीबद्ध करेगी और हर एक रात में 10 मिलियन से अधिक बार आकाश में कुछ बदलते हुए देखेगी। दूसरी ओर, स्क्वायर किलोमीटर एरे (Square Kilometre Array), एक अरब से अधिक रेडियो आकाशगंगाओं की खोज करेगा। जब डेटा इतनी अत्यधिक मात्रा में आता है, तो एक वैज्ञानिक द्वारा हर एक छवि या संकेत को एक-एक करके देखने का पुराना तरीका असंभव हो जाता है। चुनौती अब केवल डेटा एकत्र करने की नहीं है, बल्कि उस घास के ढेर में सुई खोजने की है जिसका आकार एक ग्रह के बराबर है।
इसे हल करने के लिए, शोधकर्ता मशीन लर्निंग की ओर मुड़ रहे हैं, जो एक ऐसा क्षेत्र है जहाँ कंप्यूटर बिना किसी विशिष्ट नियम के प्रोग्राम किए पैटर्न पहचानना सीखते हैं। हालाँकि, एक साधारण कंप्यूटर प्रोग्राम जो किसी भी असामान्य चीज़ को चिह्नित करता है, पर्याप्त नहीं है। अरबों वस्तुओं से भरे डेटासेट में, एक कंप्यूटर कैमरे की खराबी या लेंस पर लगे धब्बे को "अजीब" के रूप में चिह्नित कर सकता है, भले ही उसमें कोई वैज्ञानिक मूल्य न हो। वास्तविक लक्ष्य वास्तव में दिलचस्प विसंगतियों को खोजना है: वे दुर्लभ, नए या अप्रत्याशित पिंड जो हमारे ब्रह्मांड की समझ को फिर से लिख सकते हैं। यहीं पर मिशेल लोचनर और उनके सहयोगियों का कार्य आता है, जो कच्चे कंप्यूटिंग पावर और मानवीय जिज्ञासा के बीच के अंतर को पाटने का एक नया तरीका प्रदान करता है।
शोधकर्ताओं ने 'एस्ट्रोनोमाली' (astronomaly) नामक एक उपकरण विकसित किया है, जो एक ऐसी प्रणाली है जिसे वैज्ञानिकों को इन विशाल डेटासेट को कुशलतापूर्वक छानने में मदद करने के लिए डिज़ाइन किया गया है। यह सिखाने के बजाय कि कंप्यूटर को एक नए प्रकार के पिंड का स्वरूप बिल्कुल कैसा दिखना चाहिए—जो कि असंभव है यदि किसी ने पहले कभी उसे देखा ही न हो—यह प्रणाली 'एक्टिव लर्निंग' (active learning) नामक विधि का उपयोग करती है। इस प्रक्रिया में, कंप्यूटर डेटा को स्कैन करता है और सबसे आशाजनक उम्मीदवारों में से एक छोटा चयन मानव वैज्ञानिक के सामने प्रस्तुत करता है। वैज्ञानिक फिर इन्हें दिलचस्प या अनदिलचस्प के रूप में लेबल करता है। कंप्यूटर इन विकल्पों से सीखता है, यह समझने को परिष्कृत करता है कि मानव किसे मूल्यवान पाता है, और फिर बाकी डेटा को उसी के अनुसार छाँटता है। यह एक ऐसी साझेदारी बनाता है जहाँ मशीन छंटनी का भारी काम संभालती है, जबकि मानव वास्तविक महत्वपूर्ण खोजों को पहचानने के लिए अपनी अंतर्दृष्टि प्रदान करता है।
इस दृष्टिकोण ने पहले ही वास्तविक निष्कर्षों की ओर संकेत किया है। 'एस्ट्रोनोमाली' का उपयोग करते हुए, टीम ने SAURON नामक एक नए प्रकार के रेडियो स्रोत की पहचान की, जिसका अर्थ है 'स्टीप एंड अनइवन रिंग ऑफ नॉनथर्मल रेडिएशन' (Steep and Uneven Ring of Nonthermal radiation)। मीरकाट गैलेक्सी क्लस्टर लीगेसी सर्वे (MeerKAT Galaxy Cluster Legacy Survey) के डेटा में पाए गए इस पिंड का स्वरूप ज्ञात स्रोतों जैसा नहीं है और यह दो सुपरमैसिव ब्लैक होल्स के विलय का अवशेष हो सकता है। इस प्रणाली ने असामान्य परिवर्तनशील तारों और आकाशगंगाओं के विलय को भी उजागर करने में मदद की जो पारंपरिक तरीकों से छूट गए थे। एक उदाहरण में, उपकरण ने डार्क एनर्जी कैमरा लीगेसी सर्वे (Dark Energy Camera Legacy Survey) से लगभग 4 मिलियन ऑप्टिकल छवियों का विश्लेषण किया, जिसमें एक दर्जन विशिष्ट स्रोतों को रेखांकित किया गया जिन्हें मानव विशेषज्ञों ने सबसे दिलचस्प पाया, जिनमें वे वस्तुएं भी शामिल थीं जिन्होंने मानक वर्गीकरण को चुनौती दी।
इस सफलता का एक प्रमुख हिस्सा यह है कि कंप्यूटर डेटा को कैसे समझता है। दशकों से, वैज्ञानिकों को मैन्युअल रूप से उन विशेषताओं को डिजाइन करना पड़ता था जिन्हें कंप्यूटर को खोजना चाहिए था, जैसे कि किसी आकाशगंगा का आकार या समय के साथ एक तारे की चमक। यह एक कठिन चरण था जिसने अक्सर कंप्यूटर द्वारा खोजी जा सकने वाली चीजों को सीमित कर दिया था। नया कार्य दिखाता है कि 'डीप लर्निंग' (deep learning) का उपयोग करना, जो मशीन लर्निंग का एक अधिक उन्नत रूप है, कंप्यूटर को इन विशेषताओं को स्वयं समझने की अनुमति देता है। छवियों में जटिल पैटर्न को पहचानने के लिए कंप्यूटर को प्रशिक्षित करके, यह प्रणाली डेटा का एक समृद्ध, आंतरिक मानचित्र बना सकती है। जब शोधकर्ताओं ने इस पद्धति को लागू किया, तो उन्होंने पाया कि कंप्यूटर पूर्व की तुलना में कहीं अधिक सटीकता के साथ समान आकाशगंगाओं को एक साथ समूहित कर सकता है और असामान्य वाली को अलग कर सकता है।
हालाँकि, शोधकर्ताओं ने इन उन्नत प्रणालियों के काम करने के तरीके में एक सूक्ष्म लेकिन महत्वपूर्ण मोड़ की खोज की। पुराने, मैन्युअल रूप से डिज़ाइन किए गए फीचर्स का उपयोग करते समय, अजीब वस्तुएं डेटा मैप के बिल्कुल किनारे पर स्थित होती थीं, जिससे उन्हें आउटलायर (outlier) के रूप में पहचानना आसान हो जाता था। लेकिन नए डीप लर्निंग तरीकों के साथ, अजीब वस्तुएं अक्सर मैप के भीतर गहराई में, सामान्य वस्तुओं के साथ मिली हुई पाई जाती थीं। एक कंप्यूटर जो केवल किनारों पर दिखने वाली चीजों की तलाश करता है, वह उन्हें मिस कर देगा। इसे हल करने के लिए, टीम ने उपकरण के एक संस्करण 'एस्ट्रोनोमाली: प्रोटिया' (astronomaly: protege) के साथ अपने दृष्टिकोण को परिष्कृत किया। केवल सांख्यिकीय विसंगतियों को खोजने के बजाय, यह संस्करण पूरी तरह से इस बात पर केंद्रित है कि मानव उपयोगकर्ता किसे दिलचस्प पाता है, और डेटा के जटिल मानचित्र में नेविगेट करने के लिए सीधे उनकी प्रतिक्रिया से सीखता है।
पेपर यह निष्कर्ष निकालता है कि खगोल विज्ञान में खोज का भविष्य मानव और मशीन के बीच इसी प्रकार की साझेदारी पर निर्भर है। जैसे-जैसे नए टेलीस्कोपों से डेटा का प्रवाह बढ़ता है, असाधारण की खोज को स्वचालित करने की क्षमता आवश्यक होगी। शोधकर्ताओं का तर्क है कि चूंकि "दिलचस्प" एक व्यक्तिपरक गुण है जो एक वैज्ञानिक से दूसरे वैज्ञानिक के लिए भिन्न होता है, इसलिए आगे बढ़ने का सबसे अच्छा रास्ता इसे कोड में पूरी तरह से परिभाषित करने का प्रयास करना नहीं है, बल्कि ऐसी प्रणालियाँ बनाना है जो इसे हमसे सीखें। मशीनों की गति को मानव विशेषज्ञों की अंतर्दृष्टि के साथ जोड़कर, खगोलविद यह सुनिश्चित कर सकते हैं कि अगली महान खोज, जो शायद 1967 में जोसेलीन बेल बर्नेल द्वारा खोजी गई पहली पल्सर जितनी ही आश्चर्यजनक हो, शोर में खो न जाए।
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।