Branch-Aware Selective Similarity Registration of Multi-Resolution Rock Tomograms

कल्पना कीजिए कि आप एक त्रि-आयामी पहेली को जोड़ने की कोशिश कर रहे हैं जहाँ टुकड़े दो अलग-अलग बक्सों से आते हैं। एक बॉक्स में एक सूक्ष्म चट्टान के नमूने का उच्च-रिज़ॉल्यूशन स्कैन है, जो हर सूक्ष्म कण और छिद्र को बारीक विवरण के साथ दिखाता है। दूसरे बॉक्स में उसी चट्टान के एक बहुत बड़े टुकड़े का निम्न-रिज़ॉल्यूशन स्कैन है, जहाँ वे सूक्ष्म विवरण धुंधले होकर एक चिकनी, खुरदरी बनावट में बदल गए हैं। वैज्ञानिकों को इन दोनों दृश्यों को आपस में जोड़ने की आवश्यकता है ताकि यह समझा जा सके कि चट्टान के माध्यम से तरल पदार्थ कैसे चलते हैं या यह तेल और गैस को कैसे रोक सकती है। चुनौती यह है कि ये चित्र एक-दूसरे से बिल्कुल अलग दिखते हैं: तीक्ष्ण छवि में मौजूद सूक्ष्म विवरण धुंधली छवि में गायब या विलीन हो गए हैं, और दोनों स्कैनों के बीच का ओवरलैप (अतिव्याप्ति) उनके कुल आकार के एक अंश के बराबर भी नहीं हो सकता है। यदि कंप्यूटर उन्हें गलत तरीके से संरेखित करने की कोशिश करता है, तो यह एक सूक्ष्म छिद्र को बड़ी चट्टान के गलत हिस्से के साथ जोड़ सकता है, जिससे चट्टान के गुणों के बारे में गलत निष्कर्ष निकल सकते हैं।

वर्षों तक, शोधकर्ता बिना किसी सटीक शुरुआती अनुमान या पूर्व-हल किए गए उदाहरणों के विशाल पुस्तकालय की आवश्यकता के बिना, इन बेमेल छवियों को संरेखित करने का एक विश्वसनीय तरीका खोजने के लिए संघर्ष करते रहे हैं। अधिकांश मौजूदा विधियाँ या तो कम ओवरलैप होने पर विफल हो जाती हैं, या चट्टान के कणों के दोहराव वाले पैटर्न से भ्रमित हो जाती हैं, या उन्हें ऐसे प्रशिक्षण डेटा की आवश्यकता होती है जो इन अद्वितीय भूवैज्ञानिक नमूनों के लिए उपलब्ध ही नहीं है। किंग फहद यूनिवर्सिटी ऑफ पेट्रोलियम एंड मिनरल्स के शोधकर्ताओं की एक टीम ने एक नया दृष्टिकोण विकसित किया है जो एक 'बृट-फोर्स कैलकुलेटर' के बजाय एक सतर्क अन्वेषक की तरह काम करके इस समस्या को हल करता है। एक एकल उत्तर थोपने के बजाय, उनकी विधि कई संभावित तरीकों को उत्पन्न करती है जिनसे चित्र आपस में जुड़ सकते हैं, प्रत्येक का दृश्य साक्ष्य के विरुद्ध परीक्षण करती है, और फिर यह निर्णय लेती है कि क्या एक मिलान के लिए प्रतिबद्ध होना है या यह स्वीकार करना है कि छवियां सुरक्षित रूप से संरेखित करने के लिए बहुत संदिग्ध हैं।

इस नए सिस्टम का मूल आधार एक ऐसी प्रक्रिया है जो चट्टान की संरचना के भीतर विशिष्ट ज्यामितीय आकृतियों की तलाश करती है। सॉफ़्टवेयर तीक्ष्ण छवि को स्कैन करता है ताकि तीन विशिष्ट विशेषताओं वाले समूहों को खोजा जा सके जो एक त्रिभुज बनाते हैं। यह त्रिभुजों के किनारों की लंबाई और विशेषताओं के आकार को मापता है। फिर यह धुंधली छवि में समान त्रिभुज आकृतियों की तलाश करता है। चूंकि चट्टान के कण पैटर्न में दोहराते हैं, इसलिए एक एकल त्रिभुज आकृति कई स्थानों पर दिखाई दे सकती है, जिससे दो छवियों के संरेखण के कई संभावित तरीके बन जाते हैं। पहले मिलान को खोजने के बजाय, सिस्टम इन सभी प्रतिस्पर्धी संभावनाओं को जीवित रखता है। यह उन्हें "शाखाओं" (branches) में समूहित करता है, जहाँ प्रत्येक शाखा दो चट्टानी आयतनों (volumes) के सापेक्ष एक-दूसरे की स्थिति के एक अलग और भिन्न तरीके का प्रतिनिधित्व करती है।

एक बार जब उम्मीदवार संरेखण स्थापित हो जाते हैं, तो सिस्टम वास्तविक पिक्सेल डेटा का उपयोग करके उनका परीक्षण करता है। यह दोनों स्कैनों के ओवरलैपिंग क्षेत्र को तीन अलग-अलग क्षेत्रों में विभाजित करता है। पहले क्षेत्र में, यह सीखता है कि बड़े स्कैन की धुंधली बनावट, छोटे स्कैन की तीक्ष्ण बनावट से कैसे संबंधित है, जिससे प्रकाश और अंधेरे क्षेत्रों के बीच के संबंध का एक सरल मॉडल बनता है। दूसरे क्षेत्र में, यह इस मॉडल का उपयोग यह देखने के लिए करता है कि प्रत्येक उम्मीदवार संरेखण वास्तविक छवि सामग्री की कितनी अच्छी तरह भविष्यवाणी करता है। यदि कोई उम्मीदवार धुंधली बनावट की अच्छी भविष्यवाणी करता है, तो उसे उच्च स्कोर मिलता है। महत्वपूर्ण बात यह है कि सिस्टम केवल उच्चतम स्कोर की तलाश नहीं करता है; यह शीर्ष उम्मीदवारों की आपस में तुलना करता है। यदि सबसे अच्छा उम्मीदवार दूसरे स्थान वाले से केवल थोड़ा ही बेहतर है, तो सिस्टम पहचान लेता है कि चट्टान के दोहराव वाले पैटर्न बहुत भ्रमित करने वाले हैं और एक एकल उत्तर पर भरोसा करना सुरक्षित नहीं है, और वह परिणाम देने से इनकार कर देता है। यह "परित्याग" (abstention) एक जानबूझकर की गई विशेषता है, जो कंप्यूटर को आत्मविश्वास के साथ गलती करने से रोकती है।

केवल सबसे आशाजनक उम्मीदवार, जिनके पास स्पष्ट बढ़त है, अंतिम चरण में जाते हैं। यहाँ, सिस्टम संरेखण को यथासंभव सटीक बनाने के लिए इसे परिष्कृत (fine-tune) करता है। इसके बाद, यह इस परिष्कृत स्थिति की जांच तीसरे, अनछुए क्षेत्र के विरुद्ध करता है। यह अंतिम जांच एक सुरक्षा कवच (guardrail) के रूप में कार्य करती है। यदि संरेखण इस आरक्षित क्षेत्र में भी कायम रहता है, तो सिस्टम मिलान को स्वीकार कर लेता है। यदि यह विफल रहता है, तो सिस्टम परिणाम को त्याग देता है। यह तीन-चरणीय प्रक्रिया सुनिश्चित करती है कि अंतिम उत्तर न केवल एक गणितीय फिट है, बल्कि एक ऐसा स्थान है जो छवि के विभिन्न हिस्सों में दृश्य साक्ष्य द्वारा लगातार समर्थित है।

शोधकर्ताओं ने कार्बोनेट, सैंडस्टोन और शेल सहित विभिन्न प्रकार की चट्टानों पर, विभिन्न रिज़ॉल्यूशन और अलग-अलग डिग्री के ओवरलैप का उपयोग करके इस विधि का परीक्षण किया। 383 परीक्षणों की एक श्रृंखला में, सिस्टम ने 375 मामलों में सही संरेखण सफलतापूर्वक पाया। उन सभी सफल मैचों में, संरेखण इतना सटीक था कि उसे सही माना जा सके, जिसमें स्थिति त्रुटि दो ग्रिड इकाइयों के बहुत कम अंतर के भीतर रही। शेष आठ मामलों में, सिस्टम ने सही ढंग से पहचाना कि छवियां बहुत संदिग्ध थीं या ओवरलैप बहुत कम था जिससे सुरक्षित संरेखण की गारंटी नहीं दी जा सकती थी, और उसने परिणाम न देने का विकल्प चुना। "मुझे नहीं पता" कहने की यह क्षमता, जब डेटा अपर्याप्त हो, पुराने तरीकों की तुलना में एक महत्वपूर्ण सुधार है जो अक्सर गलत होने के बावजूद जबरदस्ती मिलान करने की कोशिश करते हैं।

अन्य मौजूदा तकनीकों की तुलना में, नई विधि कहीं अधिक विश्वसनीय साबित हुई। मानक दृष्टिकोण जो पिक्सेल चमक की तुलना करने या सतह की विशेषताओं को खोजने पर निर्भर करते हैं, वे केवल परीक्षणों के एक छोटे से हिस्से में ही सही मिलान ढूंढ पाए, और अक्सर चट्टान के दोहराव वाले पैटर्न में खो गए। यहाँ तक कि एक शक्तिशाली विधि भी, जो लाखों रोटेशन और स्थितियों की खोज करती है, कई मामलों में सही संरेखण खोजने में विफल रही, और कभी-कभी ऐसे परिणाम दिए जो दिखने में तो तर्कसंगत लगते थे लेकिन ज्यामितमितीय रूप से गलत थे। कई संभावित विकल्पों को बनाए रखने और स्वतंत्र भागों के विरुद्ध उन्हें सत्यापित करने की नई प्रणाली की क्षमता ने उन्हें इन बाधाओं से पार पाने में मदद की। इसने प्रत्यक्ष तुलना में सभी 50 परीक्षण मामलों को सफलतापूर्वक पंजीकृत किया, जबकि अगली सर्वश्रेष्ठ विधि केवल 43 में सफल रही।

अध्ययन ने यह भी बताया कि इस विधि की सीमाएँ कहाँ हैं। जब दोनों छवियों के बीच ओवरलैप अत्यंत कम था, तो सिस्टम कभी-कभी पहला सही शुरुआती अनुमान ही नहीं बना सका, जिसका अर्थ था कि बाद के चरण मिलान को पुनः प्राप्त नहीं कर सके। यह सुझाव देता है कि प्राथमिक बाधा पर्याप्त साझा संरचना को खोजने में है, न कि अंतिम निर्णय लेने की प्रक्रिया में। शोधकर्ताओं ने यह भी पाया कि हालांकि यह विधि विभिन्न प्रकार की चट्टानों के लिए अच्छी तरह से काम करती है, लेकिन यह पूरी तरह से अलग चट्टान के नमूनों की छवियों को संरेखित करने की समस्या को स्वतः हल नहीं करती है; इसने असंबंधित चट्टानों को मिलाने के प्रयासों को सही ढंग से खारिज कर दिया, जो पुष्टि करता है कि यह केवल सामान्य छवि विशेषताओं के बजाय वास्तविक संरचनात्मक समानता पर निर्भर करती है।

यह कार्य भूविज्ञान में जटिल दृश्य संरेखण समस्याओं को संभालने के तरीके में एक बदलाव का प्रतिनिधित्व करता है। अस्पष्टता को एक त्रुटि (bug) के बजाय एक प्रबंधनीय विशेषता (feature) के रूप में मानकर, शोधकर्ताओं ने एक ऐसा उपकरण बनाया है जो वास्तविक दुनिया के भूवैज्ञानिक डेटा के लिए पर्याप्त मजबूत है। इस विधि को हजारों उदाहरणों पर प्रशिक्षण की आवश्यकता नहीं है, न ही यह मानती है कि दोनों चित्र एक जैसे दिखेंगे। इसके बजाय, यह चट्टान की अंतर्निहित ज्यामिति का उपयोग संभावनाओं को प्रस्तावित करने के लिए और दृश्य बनावट का उपयोग उन्हें सत्यापित करने के लिए करती है। परिणाम एक ऐसा सिस्टम है जो पृथ्वी के उपसतह के उच्च-रिज़ॉल्यूशन और निम्न-रिज़ॉल्यूशन दृश्यों को विश्वसनीय रूप से जोड़ सकता है, जो हमारे ऊर्जा संसाधनों को धारण करने वाली छिपी हुई संरचनाओं की एक स्पष्ट तस्वीर प्रदान करता है, और यह भी जानता है कि कब रुकना है और यह स्वीकार करना है कि पहेली के टुकड़े आपस में फिट नहीं बैठते।