Interpretable AutoML Framework for Physics-Aligned Classification of Potentially Hazardous Asteroids

ब्रह्मांडीय रखवाले: हमें क्यों जानना चाहिए कि कौन से पत्थर खतरनाक हैं

कल्पना कीजिए कि सौर मंडल एक विशाल, अराजक डांस फ्लोर है जहाँ ग्रह एक सटीक लय में घूमते हैं, लेकिन हजारों पथरीले घुमंतू—क्षुद्रग्रह (एस्टरॉयड)—भीड़ के बीच तैर रहे हैं। इनमें से अधिकांश अंतरिक्ष चट्टानें हानिरहित पर्यटक हैं, लेकिन कुछ में पृथ्वी से टकराने की क्षमता है, जिससे ऐसी आपदाएं आ सकती हैं जो हमारी दुनिया को हिलाकर रख दें। वैज्ञानिक इन्हें "संभावित रूप से खतरनाक क्षुद्रग्रह" (PHAs) कहते हैं। हमें सुरक्षित रखने के लिए, खगोलशास्त्री इन चट्टानों को ट्रैक करने के लिए दूरबीनों का उपयोग करते हैं, और उनकी गति, आकार और वे कहाँ जा रहे हैं, इसके बारे में भारी मात्रा में डेटा एकत्र करते हैं।

हालाँकि, इस डेटा को देखना समुद्र तट पर एक विशिष्ट रेत के कण को खोजने जैसा है जबकि आपने आँखों पर पट्टी बाँधी हो; यहाँ जानकारी बहुत अधिक है। यहीं पर आर्टिफिशियल इंटेलिजेंस (AI) काम आता है। AI को एक सुपर-स्मार्ट जासूस के रूप में सोचें जो खतरनाक चट्टानों का पता लगाने के लिए लाखों सुरागों को स्कैन कर सकता है। लेकिन यहाँ एक पेंच है: कभी-कभी AI एक "ब्लैक बॉक्स" की तरह व्यवहार करता है। यह एक उत्तर तो देता है, लेकिन यह नहीं बताता कि उसे क्यों लगता है कि एक चट्टान खतरनाक है। यदि हम किसी कंप्यूटर पर यह भरोसा करने जा रहे हैं कि एक विशाल चट्टान टक्कर की ओर बढ़ रही है, तो हमें उसके तर्क को जानने की आवश्यकता है। हमें AI का "व्याख्यात्मक" (explainable) होना आवश्यक है, जो हमें उन सुरागों को दिखाए जिनका उसने उपयोग किया है ताकि इंसान उसके काम की दोबारा जाँच कर सकें। यही वह चुनौती है जिसे दयानंद सागर विश्वविद्यालय और यूनिवर्सिटा नोवा डी लिस्बोआ के शोधकर्ताओं की एक टीम के नए अध्ययन ने हल करने का निर्णय लिया।

शोध पत्र का मिशन: एक स्मार्ट, स्पष्ट जासूस

यह शोध पत्र खतरनाक क्षुद्रग्रहों को पहचानने के लिए AI को प्रशिक्षित करने का एक नया, सुपर-कुशल तरीका पेश करता है। पुराने, धीमे तरीके के बजाय जहाँ वैज्ञानिक मैन्युअल रूप से चुनते हैं कि किन डेटा बिंदुओं का उपयोग करना है और अनुमान लगाते हैं कि कौन सा कंप्यूटर प्रोग्राम सबसे अच्छा काम करेगा, लेखकों ने एक "स्मार्ट फैक्ट्री" बनाई जिसे AutoML फ्रेमवर्क कहा जाता है। उन्होंने PyCaret नामक टूल का उपयोग किया, जो एक स्वचालित शेफ (रसोइया) की तरह कार्य करता है। एक मानव शेफ द्वारा हर मसाले के संयोजन को चखकर सही रेसिपी खोजने के बजाय, यह स्वचालित शेफ तुरंत सैकड़ों अलग-अलग मशीन लर्निंग एल्गोरिदम को आजमाता है, सबसे अच्छे को चुनता है, और बिना किसी इंसान द्वारा हजारों लाइनों का कोड लिखे, उसे पूरी तरह से ट्यून करता है।

लेकिन टीम केवल इसे तेज़ बनाने तक ही नहीं रुकी; उन्होंने इसे ईमानदार भी बनाया। वे यह सुनिश्चित करना चाहते थे कि AI केवल अतीत को याद न कर रहा हो बल्कि वास्तव में भविष्य की भविष्यवाणी भी कर सके। ऐसा करने के लिए, उन्होंने टेम्पोरल वैलिडेशन (समय-आधारित सत्यापन) नामक एक चालाकी भरी तकनीक का उपयोग किया। कल्पना कीजिए कि आप मौसम की भविष्यवाणी करने की कोशिश कर रहे हैं। पिछले वर्ष के गर्मियों के डेटा को इस वर्ष के सर्दियों के डेटा के साथ मिलाकर अपनी भविष्यवाणी का परीक्षण करने के बजाय, आप AI को पुराने डेटा पर प्रशिक्षित करते हैं और उससे पूछते हैं कि आगे क्या होगा। शोधकर्ताओं ने अपने क्षुद्रग्रह डेटा को समय के अनुसार क्रमबद्ध किया, मॉडल को "पुराने" अवलोकनों पर प्रशिक्षित किया और फिर "नए" अवलोकनों पर इसका परीक्षण किया। यह साबित करता है कि मॉडल केवल अतीत को ही नहीं, बल्कि भविष्य को भी संभाल सकता है।

उन्होंने क्या पाया: "जादुई" सुराग

परिणाम अविश्वसनीय रूप से मजबूत थे। सबसे अच्छा मॉडल जो उन्होंने पाया, जिसने ग्रेडिएंट बूस्टिंग नामक विधि का उपयोग किया था, वह 99.22% सटीकता के साथ खतरनाक क्षुद्रग्रहों की पहचान करने में सक्षम था। यह गलत अलार्म (फॉल्स अलार्म) न देने में लगभग पूर्ण (100% प्रिसिजन) था और इसने वास्तविक खतरनाक चट्टानों के 95.55% को पकड़ा (रिकॉल)।

लेकिन इस शोध पत्र का सबसे रोमांचक हिस्सा वह है जो AI ने उन्हें बताया कि उसने वे निर्णय क्यों लिए। SHAP नामक तकनीक का उपयोग करते हुए (जो एक आवर्धक लेंस की तरह है जो दिखाता है कि प्रत्येक सुराग कितना महत्वपूर्ण है), शोधकर्ताओं ने खतरे के लिए सबसे महत्वपूर्ण कारक की खोज की: मिनिमम ऑर्बिट इंटरसेक्शन डिस्टेंस (MOID)।

MOID को "निकटतम दृष्टिकोण" दूरी के रूप में समझें। AI ने सीखा कि यदि किसी क्षुग्रह का पथ पृथ्वी के पथ के बहुत करीब आता है, तो यह एक बड़ा रेड फ्लैग (चेतावनी का संकेत) है। वास्तव में, MOID इतना महत्वपूर्ण था कि जब शोधकर्ताओं ने इसे AI के प्रशिक्षण से हटाने का प्रयास किया, तो खतरनाक क्षुग्रहों को पहचानने की मॉडल की क्षमता नाटकीय रूप से गिर गई, जहाँ इसकी "रिकॉल" (बुरे तत्वों को खोजने की क्षमता) 95.55% से गिरकर 62.75% रह गई। इसने साबित कर दिया कि AI केवल अनुमान नहीं लगा रहा था; इसने खतरे के वास्तविक भौतिक विज्ञान (फिजिक्स) को सीख लिया था।

अध्ययन ने अन्य सुरागों को भी देखा, जैसे क्षुग्रह की चमक (एब्सोल्यूट मैग्नीट्यूड), जो इसके आकार का संकेत देती है। हालांकि यह महत्वपूर्ण है, AI ने दिखाया कि MOID मुख्य आकर्षण था। शोधकर्ताओं ने एक "स्ट्रेस टेस्ट" भी किया जिसे एब्लेशन स्टडी कहा जाता है, जहाँ उन्होंने व्यवस्थित रूप से सबसे महत्वपूर्ण सुरागों को एक-एक करके हटाया यह देखने के लिए कि क्या होता है। उन्होंने पाया कि MOID के बिना, सिस्टम काफी संघर्ष करता है, जिससे पुष्टि होती है कि क्षुद्रग्रह की कक्षा और पृथ्वी की कक्षा के बीच की दूरी ही सबसे महत्वपूर्ण पहेली का हिस्सा है।

यह क्यों मायने रखता है

यह शोध पत्र केवल यह नहीं कहता कि "AI काम करता है"; यह एक पारदर्शी, भरोसेमंद प्रणाली बनाता है जो अपने तर्क की व्याख्या करती है। स्वचालित मॉडल चयन को स्पष्ट व्याख्या के साथ जोड़कर, लेखकों ने एक ऐसा उपकरण बनाया है जिस पर ग्रहों की रक्षा करने वाली टीमें वास्तव में भरोसा कर सकती हैं। उन्होंने दिखाया कि कंप्यूटर को सबसे अच्छा एल्गोरिदम खोजने का भारी काम करने देकर, और फिर SHB जैसे उपकरणों का उपयोग करके "ब्लैक बॉक्स" के भीतर झाँककर, हम एक ऐसी प्रणाली प्राप्त कर सकते हैं जो न केवल सटीक है बल्कि समझने योग्य भी है।

लेखक सुझाव देते हैं कि यह फ्रेमवर्क बड़े स्तर पर ले जाने के लिए तैयार है। जैसे-जैसे नए क्षुग्रह खोजे जाते हैं और डेटाबेस में जोड़े जाते हैं, यह सिस्टम आसानी से उनका पुनर्मूल्यांकन कर सकता है, जो हमारे ब्रह्मांडीय पड़ोस पर नज़र रखने का एक विश्वसनीय, पारदर्शी और तेज़ तरीका प्रदान करता है। यह एक ऐसे भविष्य की ओर एक कदम है जहाँ हम केवल इस उम्मीद में नहीं रहते कि हम अंतरिक्ष की चट्टानों से सुरक्षित हैं, बल्कि हमारे पास एक स्पष्ट, डेटा-संचालित मानचित्र होता है जो हमें बताता है कि हमें वास्तव में किन पर नज़र रखनी है।