Machine learning maps the “dark matter” of the global marine fish food web

कल्पना कीजिए कि महासागर एक विशाल, हलचल भरा शहर है जहाँ हर मछली, छोटी सार्डिन से लेकर विशाल शार्क तक, एक विशिष्ट काम करने वाला निवासी है। कुछ समुद्री घास खाने वाले किसान हैं, कुछ अन्य मछलियों को खाने वाले डिलीवरी ड्राइवर हैं, और कुछ सड़कों की सफाई करने वाले कबाड़ बीनने वाले (scavengers) हैं। पारिस्थितिकी (ecology) में, वैज्ञानिक इसे "खाद्य जाल" (food web) कहते हैं। यह इस बात का मानचित्र है कि कौन किसे खाता है, और यह वह अदृश्य प्लंबिंग है जो पूरे महासागरीय शहर को चलाती है, पोषक तत्वों और ऊर्जा का पुनर्चक्रण करती है। लेकिन यहाँ एक पेंच है: हमारे पास केवल कुछ सड़कों का ही मानचित्र है। महासागर का अधिकांश हिस्सा मानचित्र पर एक खाली स्थान है, समुद्र का "डार्क मैटर" (dark matter), जहाँ हम जानते हैं कि निवासी मौजूद हैं, लेकिन हमें यह नहीं पता कि कौन किसे खा रहा है। यह एक बहुत बड़ी समस्या है क्योंकि यदि हमें यह नहीं पता कि शहर कैसे जुड़ा हुआ है, तो हम यह अनुमान नहीं लगा सकते कि यदि कोई तूफान आता है या कोई नई इमारत बनती है तो क्या होगा। हमें लग सकता है कि शहर नाजुक है और ढह जाएगा, जबकि वास्तव में, यह एक मजबूत, अतिरिक्त मार्गों (redundant network) वाला नेटवर्क हो सकता है जिसमें कई बैकअप रास्ते उपलब्ध हैं।

यह ठीक वही रहस्य है जिसे सुलझाने के लिए वैज्ञानिकों की एक टीम निकल पड़ी। उन्होंने महसूस किया कि केवल मछलियों को देखकर हर एक खाने के संबंध को खोजने की कोशिश करना वैसा ही है जैसे केवल अपने पड़ोस की सड़कों पर चलकर पूरे देश का मानचित्र बनाने की कोशिश करना। आप राजमार्गों, गलियों और गुप्त रास्तों को छोड़ देंगे। इसलिए, केवल देखने के बजाय, उन्होंने एक सुपर-स्मार्ट कंप्यूटर मस्तिष्क—मशीन लर्निंग—का उपयोग करके गायब कड़ियों का अनुमान लगाने का निर्णय लिया। उन्होंने कंप्यूटर को मछलियों के बारे में वह सब कुछ दिया जो वह पहले से जानता था: वे कैसी दिखती हैं, वे क्या खाती हैं, वे कहाँ रहती हैं और उनके संबंधी कौन हैं। फिर, उन्होंने कंप्यूटर से अदृश्य कड़ियों की भविष्यवाणी करने के लिए कहा, जिससे एक विरल, टूटे हुए मानचित्र को समुद्र की डाइनिंग टेबल के एक पूर्ण, चमकते ब्लूप्रिंट में बदल दिया गया।

द ग्रेट ओशन डिटेक्टिव स्टोरी (महासागर की महान जासूसी कहानी)

समुद्र का "डार्क मैटर" से मिलिए
लंबे समय से, वैज्ञानिक वैश्विक समुद्री खाद्य जाल का एक पूर्ण मानचित्र बनाने की कोशिश कर रहे हैं। इस मानचित्र को मछलियों के एक विशाल सोशल नेटवर्क के रूप में सोचें, जो दिखाता है कि कौन किसका दोस्त है (या यूँ कहें कि कौन किसका लंच है)। समस्या यह है कि हमारा वर्तमान मानचित्र अविश्वसनीय रूप से अधूरा है। यह लाखों की आबादी वाले शहर की फोन बुक होने जैसा है, लेकिन इसमें केवल उन लोगों को सूचीबद्ध किया गया है जिन्हें पिछले दस वर्षों में एक-दूसरे से बात करते देखा गया है। हम जानते हैं कि मछलियाँ वहाँ हैं, लेकिन हमें यह नहीं पता कि कौन किसे खा रहा है। यह गायब जानकारी इतनी विशाल और छिपी हुई है कि लेखक इसे समुद्र का "डार्क मैटर" कहते हैं—कनेक्शनों का एक विशाल, अदृश्य भंडार जिसे हम सीधे नहीं देख सकते लेकिन जानते हैं कि वह वहाँ होना ही चाहिए।

हमारे ज्ञान की सबसे बड़ी कमियाँ सबसे रोमांचक स्थानों में हैं: उष्णकटिबंधीय महासागरों में, जैसे कि मध्य हिंद-प्रशांत और कोरल ट्रायंगल। ये समुद्र के "वर्षावन" हैं, जो जीवन से भरे हुए हैं, फिर भी ये वे स्थान हैं जहाँ हम सबसे कम जानते हैं कि कौन किसे खाता है। यह एक ऐसी लाइब्रेरी होने जैसा है जो किताबों से भरी है लेकिन आप केवल अंग्रेजी खंड के स्पाइन (spine) पर लिखे शीर्षक पढ़ रहे हैं, जबकि बाकी लाइब्रेरी एक रहस्य बनी हुई है। लेखकों को संदेह था कि महासागर वास्तव में एक विरल, नाजुक जगह नहीं है जहाँ एक मछली केवल एक ही चीज़ खाती है; उन्हें लगा कि यह संभवतः एक घना, आपस में जुड़ा हुआ जाल है जहाँ मछलियों के पास रात के खाने के लिए कई विकल्प होते हैं। लेकिन डेटा के बिना, वे इसे साबित नहीं कर सकते थे।

एंटर द मशीन लर्निंग डिटेक्टिव (मशीन लर्निंग जासूस का आगमन)
इसे हल करने के लिए, शोधकर्ताओं ने एक विशेष प्रकार की मशीन लर्निंग का उपयोग करके एक डिजिटल जासूस बनाया जिसे "पॉजिटिव-अनलेबल लर्निंग" (positive-unlabeled learning) कहा जाता है। यह सरल शब्दों में कैसे काम करता है: आमतौर पर, जब आप कंप्यूटर को कुछ पहचानने के लिए सिखाते हैं, तो आप उसे उदाहरण दिखाते हैं कि वह क्या है (एक बिल्ली) और क्या नहीं है (एक कुत्ता)। लेकिन समुद्र में, हम आसानी से यह साबित नहीं कर सकते कि दो मछलियाँ एक-दूसरे को कभी नहीं खातीं; बस हमने इसे होते हुए देखा नहीं है। हो सकता है कि वे ऐसा करती हों, लेकिन उस समय कोई देख नहीं रहा था।

इसलिए, अनदेखे जोड़ों (unobserved pairs) को "निश्चित रूप से एक-दूसरे को नहीं खाने वाले" के रूप में मानने के बजाय, कंप्यूटर उन्हें "हमें अभी नहीं पता" के रूप में मानता है। यह उन 10,549 खाने के संबंधों से नियम सीखता है जिन्हें हम निश्चित रूप से जानते हैं। यह संकेतों को देखता है जैसे:

• आकार: क्या शिकारी का मुँह शिकार के लिए पर्याप्त बड़ा है? (Gape limitation)।
• परिवार: क्या वे एक ही परिवार से संबंधित हैं? (करीबी से संबंधित मछलियाँ अक्सर समान चीजें खाती हैं)।
• पड़ोस: क्या वे एक ही पानी की गहराई और तापमान में रहते हैं?
• स्वाद: क्या उनका आहार समान है?

इन संकेतों को जोड़कर, कंप्यूटर उच्च विश्वास के साथ "लुप्त" कड़ियों की भविष्यवाणी करना शुरू कर देता है। यह एक जिग्सॉ पहेली को हल करने जैसा है जहाँ आपके पास बॉक्स पर बनी तस्वीर है और कुछ बिखरे हुए टुकड़े हैं; कंप्यूटर बाकी तस्वीर को भरने के लिए पैटर्न का उपयोग करता है।

बड़ा खुलासा: महासागर एक व्यस्त राजमार्ग है, डेड एंड नहीं
जब टीम ने अपने कंप्यूटर डिटेक्टिव को गणना करने के लिए छोड़ा, तो परिणाम गेम-चेंजर साबित हुए। उन्होंने 2,454 मछली प्रजातियों और 10,549 ज्ञात खाने के संबंधों के वैश्विक मानचित्र से शुरुआत की। कंप्यूटर ने 50,725 नए, उच्च-संभावना वाले फीडिंग लिंक की भविष्यवाणी की जिन्हें हमने अभी तक प्रलेखित नहीं किया था।

इस खोज ने समुद्र के खाद्य जाल के आकार को पूरी तरह से बदल दिया।

• विरलता से घनत्व की ओर: इस अध्ययन से पहले, "कनेक्टेंस" (एक फैंसी शब्द जिसका अर्थ है कि कितने संभावित कनेक्शनों की तुलना में कितने कनेक्शन मौजूद हैं) केवल 0.18% था। यह एक अकेले द्वीप जैसा दिखता था जहाँ मछलियाँ मुश्किल से एक-दूसरे को जानती थीं। अनुमानित लिंक जोड़ने के बाद, यह उछलकर 0.98% हो गया। समुद्र एक विरल नेटवर्क नहीं है; यह एक घनी तरह से जुड़ा हुआ राजमार्ग प्रणाली है।
• चौड़ाई में अधिक, ऊँचाई में नहीं: लेखकों ने पाया कि ये लुप्त कड़ियाँ खाद्य श्रृंखला को लंबा (ऊपर की ओर नए शिकारियों की परतें जोड़ना) नहीं बनाती थीं; इसके बजाय, उन्होंने इसे चौड़ा बनाया। मछलियों के पास रात के खाने के लिए हमारी सोच से कहीं अधिक विकल्प हैं। यदि एक शिकारी अपना एक प्रकार का शिकार खो देता है, तो उसके पास चुनने के लिए दर्जनों अन्य विकल्प होने की संभावना है। यह "रिडंडेंसी" (अतिरिक्त विकल्प) का अर्थ है कि समुद्र शायद हमारी आशंका से कहीं अधिक लचीला (resilient) है।
• उष्णकटिबंधीय रहस्य: सबसे बड़ी रिक्तियाँ वास्तव में उष्णकटिबंधों में थीं। मध्य हिंद-प्रशांत में, अनुमानित लिंक की संख्या रिकॉर्ड किए गए लिंक से 15 गुना अधिक थी। "हाई सीज़" (तट से दूर खुले समुद्र) में, लिंक की संख्या लगभग 5 गुना बढ़ गई। यहाँ तक कि गहरे धुंधले क्षेत्र (twilight zone - 50 से 500 मीटर नीचे) में भी हजारों छिपे हुए कनेक्शन मिलने की प्रतीक्षा कर रहे थे।

भविष्य के लिए इसका क्या अर्थ है
अध्ययन बताता है कि हमारे पुराने मानचित्र भ्रामक थे। हमें लगा कि खाद्य जाल नाजुक और टूटा हुआ है, लेकिन यह वास्तव में एक मजबूत, रिडंडेंट नेटवर्क है। यह समुद्र के स्वास्थ्य के लिए अच्छी खबर है। इसका तात्पर्य यह है कि समुद्री पारिस्थितिकी तंत्र झटकों, जैसे कि अत्यधिक मछली पकड़ने या जलवायु परिवर्तन से उबरने में बेहतर हो सकते हैं, क्योंकि ऊर्जा के प्रवाह के लिए बहुत सारे बैकअप रास्ते मौजूद हैं।

हालाँकि, लेखक सावधानी बरतते हुए कहते हैं कि यह एक अनुमान (prediction) है, अंतिम जनगणना नहीं। उन्होंने हर मछली को पकड़कर उसका पेट चेक नहीं किया है; उन्होंने यह अनुमान लगाने के लिए एक शक्तिशाली मॉडल का उपयोग किया है कि क्या होने की संभावना है। मॉडल बताता है कि समुद्र का "डार्क मैटर" वास्तविक और विशाल है, लेकिन हमें अभी भी इन कड़ियों को वास्तविक दुनिया में सत्यापित करने की आवश्यकता है।

मानचित्र अब खाली नहीं है। अब हमारे पास एक संभाव्यता आधारित ब्लूप्रिंट (probabilistic blueprint) है जो हमें बताता है कि आगे कहाँ देखना है। जैसे-जैसे समुद्र गर्म हो रहा है और मछलियाँ नए पड़ोस में जा रही हैं, खाद्य जाल की यह नई समझ अत्यंत महत्वपूर्ण होगी। यह हमें यह अनुमान लगाने में मदद करता है कि महासागर का शहर खुद को कैसे पुनर्गठित करेगा, यह सुनिश्चित करते हुए कि भले ही निवासी बदल जाएं, पारिस्थितिकी तंत्र की प्लंबिंग मजबूत बनी रहे। महासागर उतना खाली या नाजुक नहीं है जितना कि हम सोचते थे; यह एक व्यस्त, परस्पर जुड़ा हुआ संसार है, और हम अंततः पूरी तस्वीर देखना शुरू कर रहे हैं।