Automated Spiral-Arm Pitch-Angle Estimation in Galaxy Images Using Deep Learning

आकाशगंगाएँ तारों के स्थिर द्वीप नहीं हैं; वे गतिशील, घूमती हुई प्रणालियाँ हैं जहाँ पदार्थ की व्यवस्था उनके इतिहास और उनके छिपे हुए केंद्रों के बारे में एक कहानी बताती है। कई आकाशगंगाओं की सबसे विशिष्ट विशेषताओं में से एक उनकी सर्पिल भुजाएँ (spiral arms) हैं, जो एक चमकदार केंद्रीय उभार से बाहर की ओर बढ़ती सितारों और गैस की सुंदर, लहरदार वक्र रेखाएँ हैं। खगोलशास्त्री लंबे समय से इस बात में रुचि रखते रहे हैं कि ये भुजाएँ कितनी कसकर लिपटी हुई हैं। यह "कसाव", जिसे 'पिच एंगल' (pitch angle) कहा जाता है, केवल एक दृश्य विवरण नहीं है; यह एक संक्षिप्त कोड के रूप में कार्य करता है जो आकाशगंगा के द्रव्यमान, उसके घूमने की गति और यहाँ तक कि उसके केंद्र में छिपे सुपरमैसिव ब्लैक होल के आकार को भी प्रकट करता है। एक कसकर लिपटी हुई सर्पिल संरचना, ढीली लिपटी हुई संरचना की तुलना में एक अलग आंतरिक संरचना का संकेत देती है, और हजारों आकाशगंगाओं में इस कोण को मापना वैज्ञानिकों को उन मूलभूत नियमों को समझने में मदद कर सकता है जो इन विशाल प्रणालियों के विकास को नियंत्रित करते हैं। हालाँकि, इस कोण को हाथ से मापना धीमा है और इसमें त्रुटियों की संभावना अधिक होती है, विशेष रूप से तब जब आकाशगंगाएँ अजीब कोणों पर झुकी हुई हों या धूल से ढकी हों, जिससे आधुनिक दूरबीनों से उपलब्ध छवियों की विशाल संख्या और उनके रहस्यों को खोलने के लिए आवश्यक विस्तृत डेटा के बीच एक अंतर पैदा हो जाता है।

इस अंतर को पाटने के लिए, वोल्गोग्राड स्टेट यूनिवर्सिटी के शोधकर्ता रमिल आर. यावेव और मैक्सिम वी. पोलियाकोव ने एक नई विधि विकसित की है जो सर्पिल भुजाओं के घुमाव को स्वचालित रूप से मापने के लिए आर्टिफिशियल इंटेलिजेंस (AI) का उपयोग करती है। हर संभव वास्तविक आकाशगंगा को पहचानने के लिए कंप्यूटर को सिखाने के बजाय, जिसके लिए मानव-लेबल वाले उदाहरणों के एक विशाल पुस्तकालय की आवश्यकता होती जो कि अस्तित्व में ही नहीं है, टीम ने अपने स्वयं के अभ्यास ब्रह्मांड का निर्माण किया। उन्होंने एक कंप्यूटर प्रोग्राम बनाया जो हजारों कृत्रिम सर्पिल आकाशगंगाओं को उत्पन्न करता है, जिनमें से प्रत्येक में एक गणितीय रूप से पूर्ण सर्पिल भुजा और एक ज्ञात, सटीक पिच एंगल होता है। क्योंकि छवि कंप्यूटर द्वारा बनाई गई थी, इसलिए वह उत्तर को पूरी तरह से जानता है, जिससे शोधकर्ताओं को एक डीप लर्निंग सिस्टम—जो मानव मस्तिष्क के मॉडल पर आधारित एक प्रकार का आर्टिफिशियल इंटेलिजेंस है—को दृश्य आकार और उसके संख्यात्मक पिच एंगल के बीच के संबंध को सीखने में मदद मिली।

हालाँकि, चुनौती यह थी कि पूर्ण, कंप्यूटर-जनरेटेड छवियों पर प्रशिक्षित कंप्यूटर अक्सर दूरबीनों से ली गई वास्तविक तस्वीरों को देखते समय संघर्ष करता है। वास्तविक छवियाँ अव्यवस्थित होती हैं, शोर (noise), असमान प्रकाश व्यवस्था और एक कोण से सपाट डिस्क को देखने के कारण होने वाले विरूपण से भरी होती हैं। इसे हल करने के लिए, शोधकर्ताओं ने केवल कच्ची छवियां AI को नहीं दीं। इसके बजाय, उन्होंने पहले एक परिष्कृत प्रीप्रोसेसिंग पाइपलाइन बनाई जो सुधारात्मक लेंसों के एक सेट की तरह कार्य करती है। सिस्टम पहले आकाशगंगा के झुकाव की गणना करता है और छवि को गणितीय रूप से "सपाट" (flatten) करता है, जैसे कि दर्शक आकाशगंगा के चेहरे को सीधे नीचे से देख रहा हो। फिर यह सर्पिल भुजाओं के सूक्ष्म विवरणों को बढ़ाता है, किनारों को तेज करता है और कंट्रास्ट को बढ़ाता है ताकि कंप्यूटर संरचना को स्पष्ट रूप से देख सके, भले ही मूल फोटो धुंधली या दानेदार हो। इन सुधारों को लागू करने के बाद ही AI, जो 'मोबाइलनेटवी2' (MobileNetV2) नामक एक हल्के और कुशल मॉडल पर आधारित है, छवि का विश्लेषण करके पिच एंगल की भविष्यवाणी करता है।

इस दृष्टिकोण के परिणाम उत्साहजनक थे, हालांकि उन्होंने एक पूर्ण सिमुलेशन और वास्तविक दुनिया के बीच के अंतर को भी उजागर किया। शोधकर्ताओं द्वारा बनाई गई 2,200 कृत्रिम आकाशगंगाओं पर परीक्षण करने पर, सिस्टम उल्लेखनीय रूप से सटीक था, जिसका औसत त्रुटि एक डिग्री से थोड़ा अधिक था। इससे सिद्ध हुआ कि यदि डेटा स्वच्छ हो और उत्तर ज्ञात हों, तो AI वास्तव में सर्पिल भुजाओं की ज्यामिति को सीख सकता है। असली परीक्षा तब आई जब टीम ने अपने प्रशिक्षित सिस्टम को स्लोअन डिजिटल स्काई सर्वे (Sloan Digital Sky Survey) की 65 वास्तविक आकाशगंगाओं पर लागू किया, और इसके परिणामों की तुलना अन्य वैज्ञानिकों द्वारा प्रकाशित अध्ययनों में किए गए मापों से की। विशेष छवि सुधारों के बिना, AI की भविष्यवाणियाँ औसतन सात डिग्री से अधिक गलत थीं। हालाँकि, एक बार जब शोधकर्ताओं ने अपनी पूर्ण पाइपलाइन (छवि को सपाट करने और बढ़ाने वाली प्रक्रिया) को लागू किया, तो औसत त्रुटि घटकर छह डिग्री से भी कम रह गई। हालाँकि यह अभी तक उन सबसे सटीक, विशिष्ट माप तकनीकों को बदलने के लिए पर्याप्त नहीं है जिनका उपयोग आज खगोलशास्त्री करते हैं, लेकिन यह एक महत्वपूर्ण सुधार का प्रतिनिधित्व करता है और प्रदर्शित करता है कि यह विधि काम करती है।

अध्ययन ने यह भी बताया कि सिस्टम कहाँ संघर्ष करता है। AI उन आकाशगंगाओं पर सबसे अच्छा प्रदर्शन करता है जिनकी भुजाएँ स्पष्ट और निरंतर होती हैं। जब सर्पिल भुजाएँ टूटी हुई, खंडित या "फ्लॉकुलेंट" (flocculent)—एक शब्द जिसका उपयोग फूला हुआ या खंडित स्वरूप वर्णित करने के लिए किया जाता है—थीं, तो त्रुटि थोड़ी बढ़ गई। यह समझ में आता है, क्योंकि सिस्टम को एक एकल, चिकनी ज्यामितीय पैटर्न खोजने के लिए प्रशिक्षित किया गया था, जबकि वास्तविक आकाशगंगाओं में भुजाएँ अक्सर अपना आकार बदल लेती हैं या टूट जाती हैं। इसके अलावा, शोधकर्ताओं ने देखा कि वास्तविक आकाशगंगाओं के लिए, AI मूल्यों का अनुमान मध्य श्रेणी के करीब लगाने की प्रवृत्ति रखता है, यानी यह बहुत खुली सर्पिल को कम आंकता है और बहुत कसकर लिपटी सर्पियल को अधिक आंकता है। यह सुझाव देता है कि हालांकि कंप्यूटर सर्पिल के सामान्य विचार को पहचानने में अच्छा है, लेकिन इसे वास्तव में सटीक होने के लिए वास्तविक आकाशगंगाओं की पूरी विविधता के संपर्क में आने की आवश्यकता है।

अंततः, यह कार्य भविष्य के लिए एक शक्तिशाली उपकरण प्रदान करता है। यह दिखाता है कि कृत्रिम प्रशिक्षण डेटा के साथ स्मार्ट इमेज प्रोसेसिंग को जोड़कर, वैज्ञानिक कंप्यूटर को जटिल गैलेक्टिक विशेषताओं को मापने के लिए सिखा सकते हैं, जिसके लिए लाखों मानव-लेबल वाले उदाहरणों की आवश्यकता नहीं होती। यह विधि तेज़ और स्केलेबल है, जो मानव द्वारा लगने वाले समय के एक अंश में आकाश के विशाल सर्वेक्षणों को संसाधित करने में सक्षम है। हालाँकि यह अभी तक सबसे विस्तृत, मैनुअल विश्लेषणों का विकल्प नहीं है, लेकिन यह एक उत्कृष्ट 'फर्स्ट पास' (प्रथम चरण) के रूप में कार्य करता है, जो टेलीस्कोप छवियों के विशाल संग्रहों को तेजी से छाँटकर रुचि वाली आकाशगंगाओं की पहचान कर सकता है। जैसा कि शोधकर्ता कहते हैं, अगला कदम सिस्टम को अधिक वास्तविक दुनिया के डेटा के साथ परिष्कृत करना और इसे वास्तविक सर्पिल भुजाओं की अव्यवस्थित और विविध प्रकृति को संभालने के लिए प्रशिक्षित करना है, जिससे हम एक ऐसे भविष्य के करीब पहुँच सकें जहाँ आकाश की प्रत्येक आकाशगंगा के लिए संरचनात्मक रहस्यों को स्वचालित रूप से खोला जा सके।