Deep Learning Detection of Beyond-General-Relativity Deviations in Gravitational-Wave Signals: A Detection-Threshold Study with Real LIGO Noise
यह अध्ययन वास्तविक LIGO शोर का उपयोग करके, ग्रेविटेशनल-वेव संकेतों में 'बियॉन्ड-जनरल-रिलेटिविटी' (सामान्य सापेक्षता से परे) विचलन के पता लगाने की दहलीज को परिमाणित करने के लिए एक हाइब्रिड डीप लर्निंग क्लासिफायर का उपयोग करता है, जो की एक विशिष्ट पहचान सीमा स्थापित करता है और साथ ही यह प्रदर्शित करता है कि मैचड-फ़िल्टर निष्कर्षण के बिना सूक्ष्म विचलनों की पहचान करने में केवल मशीन लर्निंग को महत्वपूर्ण चुनौतियों का सामना करना पड़ता 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 न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
गुरुत्वाकर्षण वह बल है जो ग्रहों को कक्षा में बनाए रखता है और हमारे पैरों को जमीन पर टिकाए रखता है, लेकिन एक सदी से, इसकी हमारी समझ अल्बर्ट आइंस्टीन द्वारा प्रस्तावित एक एकल, सुंदर सिद्धांत पर टिकी हुई है। यह सिद्धांत, जिसे सामान्य सापेक्षता (General Relativity) के रूप में जाना जाता है, गुरुत्वाकर्षण को एक बल के रूप में नहीं, बल्कि द्रव्यमान के कारण अंतरिक्ष और समय के घुमाव के रूप में वर्णित करता है। जब ब्लैक होल जैसे विशाल पिंड आपस में टकराते हैं, तो वे इस ताने-बाने में तरंगें पैदा करते हैं जिन्हें गुरुत्वाकर्षण तरंगें (gravitational waves) कहा जाता है। ये तरंगें पूरे ब्रह्मांड में यात्रा करते समय अंतरिक्ष को खींचती और सिकोड़ती हैं, और उन हिंसक घटनाओं के बारे में जानकारी ले जाती हैं जिन्होंने उन्हें जन्म दिया। इन तरंगों की पहली प्रत्यक्ष खोज के बाद से, देखा गया प्रत्येक संकेत आइंस्टीन के अनुमानों से उल्लेखनीय सटीकता के साथ मेल खाता रहा है। हालाँकि, भौतिकविदों को पता है कि सामान्य सापेक्षता अंतिम सत्य नहीं हो सकती; यह सबसे चरम वातावरण में विफल हो जाती है, जैसे कि ब्लैक होल के केंद्र में। सत्य की अगली परत खोजने के लिए, वैज्ञानिकों को आइंस्टीन के सिद्धांत में सूक्ष्म दरारों की तलाश करनी होगी, ऐसे संकेतों की खोज करनी होगी जो सिद्धांत द्वारा अनुमानित चीज़ों से थोड़ा भी विचलित होते हों।
चुनौती शोर (noise) में निहित है। इन तरंगों को पकड़ने के लिए बनाए गए डिटेक्टर, जैसे कि लेजर इंटरफेरोमीटर ग्रेविटेशनल-वेव ऑब्जर्वेटरी (LIGO), अविश्वसनीय रूप से संवेदनशील उपकरण हैं जो एक प्रोटॉन की चौड़ाई से भी छोटे बदलावों को मापते हैं। फिर भी, अपने सबसे शांत क्षणों में भी, वे पृथ्वी और स्वयं उपकरण से आने वाले बैकग्राउंड इंटरफेरेंस के निरंतर शोर से भरे होते हैं। एक वास्तविक, सूक्ष्म विचलन को इस अराजक पृष्ठभूमि से अलग करना एक तूफान में फुसफुसाहट सुनने की कोशिश करने जैसा है। पारंपरिक तरीके आने वाले डेटा की तुलना अनुमानित तरंग पैटर्न के एक विशाल पुस्तकालय से करने पर निर्भर करते हैं, लेकिन यह दृष्टिकोण तब संघर्ष करता है जब विचलन कुछ ऐसा हो जो उस पुस्तकालय में मौजूद न हो। एक नया दृष्टिकोण उभरा है: आर्टिफिशियल इंटेलिजेंस का उपयोग करके तरंगों के आकार को सीधे सीखना, इस उम्मीद में कि एक कंप्यूटर उस अंतर को देख सकता है जिसे मानव-निर्मित टेम्पलेट शायद छोड़ दें।
कौनकोर्डिया यूनिवर्सिटी के शोधकर्ताओं द्वारा किए गए एक हालिया अध्ययन ने इस आर्टिफिशियल इंटेलिजेंस दृष्टिकोण की सीमाओं का परीक्षण करने का निर्णय लिया। उन्होंने एक सीधा लेकिन कठिन प्रश्न पूछा: यदि एक गुरुत्वाकर्षण तरंग में आइंस्टीन के सिद्धांत से एक विशिष्ट, नियंत्रित विचलन शामिल हो, तो क्या एक मशीन लर्निंग एल्गोरिदम इसे LIGO डिटेक्टर के वास्तविक, अव्यवस्थित शोर के बीच ढूंढ सकता है? इसका उत्तर देने के लिए, टीम ने किसी रहस्यमय ब्रह्मांडीय संकेत की प्रतीक्षा नहीं की। इसके बजाय, उन्होंने एक नियंत्रित प्रयोग बनाया। उन्होंने सामान्य सापेक्षता द्वारा अनुमानित ज्ञात, पूर्ण तरंग रूपों (waveforms) को लिया और उन्हें कृत्रिम रूप से तीन विशिष्ट तरीकों से बदला। उन्होंने तरंग की ऊंचाई को थोड़ा बदला, उसके समय को खिसकाया और उसकी लय को परिवर्तित किया। ये परिवर्तन किसी विशिष्ट नए गुरुत्वाकर्षण सिद्धांत पर आधारित नहीं थे; वे केवल गणितीय उपकरण थे जिन्हें यह परीक्षण करने के लिए डिज़ाइन किया गया था कि कंप्यूटर के "कान" कितने संवेदनशील थे। शोधकर्ताओं ने फिर इन संशोधित संकेतों को LIGO हैनफोर्ड डिटेक्टर के शोर की वास्तविक रिकॉर्डिंग में इंजेक्ट किया, जिससे एक ऐसा डेटासेट तैयार हुआ जिसमें कुछ संकेत पूर्ण थे और कुछ थोड़े त्रुटिपूर्ण।
शोधकर्ताओं ने पूर्ण तरंगों और त्रुटिपूर्ण तरंगों के बीच अंतर करने के लिए एक हाइब्रिड कंप्यूटर मॉडल को प्रशिक्षित किया। यह मॉडल केवल एक मानक न्यूरल नेटवर्क नहीं था; यह एक डीप लर्निंग सिस्टम और हाथ से बनाए गए सांख्यिकीय उपकरणों के सेट का संयोजन था जो डेटा की विशिष्ट विशेषताओं, जैसे कि अत्यधिक चोटियों (peaks) और सिग्नल की ताकत के समग्र वितरण को मापते हैं। टीम ने मॉडल को एक प्रकार के विचलन पर प्रशिक्षित किया और फिर इसे पूरी तरह से अलग प्रकार के विचलन पर परीक्षण किया जिसे इसने पहले कभी नहीं देखा था, ताकि यह देखा जा सके कि क्या यह अपने सीखने को सामान्यीकृत (generalize) कर सकता है। उन्होंने वास्तविक दुनिया के इतिहास के विरुद्ध परिणामों को सुनिश्चित करने के लिए पहले कभी पता चले गुरुत्वाकर्षण तरंग घटना, जिसे GW150914 के रूप में जाना जाता है, का उपयोग एक टेम्पलेट के रूप में करके भी सिस्टम का परीक्षण किया।
परिणामों ने एक स्पष्ट सीमा को प्रकट किया कि मशीन क्या देख सकती है और क्या नहीं। जब कृत्रिम विचलन बड़े थे, तो कंप्यूटर ने लगभग पूर्ण सटीकता के साथ उन्हें पहचाना, भले ही सिग्नल वास्तविक डिटेक्टर शोर में दबा हुआ था। हालाँकि, जैसे-जैसे विचलन छोटे होते गए, सिस्टम की उन्हें पहचानने की क्षमता कम होती गई। शोधकर्ताओं ने पाया कि एक विशिष्ट थ्रेशोल्ड (सीमा) है जहाँ मशीन का प्रदर्शन विश्वसनीय पहचान से गिरकर रैंडम गेसिंग (यादृच्छिक अनुमान) में बदल जाता है। उनके द्वारा परीक्षण किए गए तरंग परिवर्तन के विशिष्ट प्रकार के लिए, यह थ्रेशोल्ड तब आया जब विचलन की शक्ति लगभग 0.25 थी। इस मान से नीचे, कंप्यूटर एक पूर्ण तरंग और एक संशोधित तरंग के बीच अंतर नहीं कर सका; इसने संयोग से बेहतर प्रदर्शन नहीं किया। यह विफलता कोड की खामी नहीं थी, बल्कि पद्धति की एक मौलिक सीमा थी। अध्ययन ने दिखाया कि पारंपरिक सिग्नल-प्रोसेसिंग तकनीकों की सहायता के बिना, केवल एक मशीन लर्निंग मॉडल उन सूक्ष्म विचलन का पता लगाने में सक्षम नहीं है जो वर्तमान भौतिकी सुझाव देती है कि मौजूद हो सकते हैं।
यह नकारात्मक परिणाम इस कार्य का सबसे महत्वपूर्ण निष्कर्ष है। यह वास्तविक डिटेक्टर शोर में मशीन-लर्निंग-ओनली खोजों के लिए एक मात्रात्मक सीमा स्थापित करता है। जबकि आर्टिफिशियल इंटेलिजेंस ने भौतिकी के अन्य क्षेत्रों में बड़ी क्षमता दिखाई है, यह अध्ययन दर्शाता है कि यह कोई जादुई छड़ी नहीं है जो शोर में छिपे किसी भी सिग्नल को ढूंढ सकती है। विचलन जो वर्तमान सिद्धांत बताते हैं कि मौजूद हो सकते हैं, वे संभवतः इस प्रयोग में पाए गए 0.25 के थ्रेशोल्ड से बहुत छोटे हैं। शोधकर्ताओं ने निष्कर्ष निकाला कि खोज की सीमाओं को आगे बढ़ाने के लिए, मशीन लर्निंग को उन पारंपरिक, भौतिक रूप से प्रेरित विधियों के साथ जोड़ा जाना चाहिए जिन्होंने दशकों से विज्ञान की सेवा की है। गुरुत्वाकर्षण-तरंग खगोल विज्ञान का भविष्य पुराने उपकरणों को नए से बदलने में नहीं, बल्कि ब्रह्मांड को अधिक स्पष्टता से सुनने के लिए उन्हें एक साथ बुनने में निहित है।
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।