न्यूरल नेटवर्क्स का उपयोग 3D यूनिवर्स मैप बनाने में किया गया

हाल ही में, हावाई विश्वविद्यालय के खगोल विज्ञान विभाग के खगोलशास्त्रियों ने एआई अल्गोरिदम का उपयोग करके 3 अरब से अधिक खगोलीय वस्तुओं का एक विशाल 3डी मैप बनाने के लिए किया। खगोल विज्ञान टीम ने इस कार्य को पूरा करने के लिए स्पेक्ट्रोस्कोपिक डेटा और न्यूरल नेटवर्क वर्गीकरण अल्गोरिदम का उपयोग किया।

2016 में, हावाई विश्वविद्यालय मैनोआ के (यूएचएम) इंस्टीट्यूट फॉर एस्ट्रोनॉमी के खगोलशास्त्रियों ने जनता के लिए एक विशाल डेटासेट जारी किया, जिसमें 3 अरब से अधिक तारों, आकाशगंगाओं और अन्य खगोलीय वस्तुओं के अवलोकन डेटा शामिल थे, जो चार साल की अवधि में लगभग तीन-चौथाई रात के आकाश को देखते हुए एकत्र किए गए थे। इस परियोजना को पैन-स्टारआरएस परियोजना कहा जाता था और इसके द्वारा उत्पादित डेटासेट लगभग 2 पेटाबाइट्स (दो मिलियन गीगाबाइट) का था।

मैक्स प्लैंक इंस्टीट्यूट फॉर एस्ट्रोनॉमी के गैलेक्सीज़ एंड कॉस्मोलॉजी विभाग के निदेशक हंस-वाल्टर रिक्स ने फिज़.ऑर्ग के अनुसार कहा:

“पैन-स्टारआरएस1 ने हमारी घरेलू आकाशगंगा, मिल्की वे को पहले से कभी नहीं देखे गए विवरण के स्तर पर मैप किया है। सर्वेक्षण हमारे ब्रह्मांड के एक महत्वपूर्ण हिस्से का एक गहरा और वैश्विक दृश्य प्रदान करता है और इसके केंद्र में विशाल ब्लैक होल्स के विकास के सबसे दूरस्थ ज्ञात उदाहरणों की खोज करने में सक्षम बनाता है।”

डेटासेट जारी करने के एक लक्ष्य यह था कि यह दृश्य आकाश का एक मानचित्र बनाने के लिए उपयोग किया जाएगा, जिसमें डेटासेट में देखे गए कई प्रकाश बिंदुओं को वर्गीकृत किया जाएगा। पैन-स्टारआरएस परियोजना से जुड़े शोधकर्ताओं ने मानचित्र को उत्पन्न करने के लिए मशीन लर्निंग अल्गोरिदम को प्रशिक्षित करने के लिए डेटासेट का उपयोग किया।

हावाई विश्वविद्यालय के शोधकर्ता हावाई के बड़े द्वीप पर स्थित पीएस1 टेलीस्कोप के साथ काम करते हैं। पीएस1 लगभग 75% दृश्य आकाश को स्कैन कर सकता है। टेलीस्कोप दुनिया का सबसे बड़ा गहरा मल्टीकलर ऑप्टिकल सर्वेक्षण है, और शोधकर्ता इसकी शक्ति का लाभ उठाकर एक जटिल स्काईमैप बनाना चाहते थे। इसके लिए पीएस1 के कंप्यूटरों को वस्तुओं को वर्गीकृत करने के लिए प्रशिक्षित करना शामिल था, एक प्रकार के खगोलीय निकाय को दूसरे प्रकार से अलग करना। उन्होंने जिस डेटासेट का उपयोग कंप्यूटर को प्रशिक्षित करने के लिए किया, उसमें लाखों माप शामिल थे, जो आकार और रंग जैसी विशेषताओं द्वारा वर्णित थे।

इस्तेमाल किए गए एआई अल्गोरिदम सामान्य फीडफॉरवर्ड न्यूरल नेटवर्क थे जो ऑप्टिमाइजेशन विधियों के साथ जुड़े हुए थे जो नेटवर्क को लाखों डेटा बिंदुओं के बीच जटिल संबंधों को सीखने की अनुमति देते थे। यूएचएम के इंस्टीट्यूट फॉर एस्ट्रोनॉमी में पूर्व कॉस्मोलॉजी पोस्टडॉक रॉबर्ट बेक ने बताया कि राज्य के अत्याधुनिक ऑप्टिमाइजेशन अल्गोरिदम का उपयोग कंप्यूटर को लगभग 4 मिलियन खगोलीय वस्तुओं को वर्णित करने वाले डेटासेट पर प्रशिक्षित करने के लिए किया गया था। टेकएक्सप्लोरिस्ट की रिपोर्ट के अनुसार, शोध टीम को मिल्की वे आकाशगंगा के भीतर धूल के हस्तक्षेप को भी सही करना पड़ा। शोध टीम ने फोटोमेट्रिक रेडशिफ्ट (एक वस्तु की गति का अनुमान) के कारण उत्पन्न अनिश्चितता का अनुमान लगाने के लिए मोंटे कार्लो नमूनाकरण विधि का उपयोग किया और फिर स्पेक्ट्रोस्कोपिक डेटा पर मशीन लर्निंग मॉडल को प्रशिक्षित किया।

मॉडल को प्रशिक्षित करने के बाद, इसके प्रदर्शन की जांच एक सत्यापन डेटासेट पर की गई। नेटवर्क ने लगभग 96.6% क्वासर, 97.8% तारे और 98.1% आकाशगंगाओं की पहचान की। इसके अलावा, मॉडल ने आकाशगंगाओं की दूरी का अनुमान लगाया और जब इसकी जांच की गई, तो अनुमान लगभग 3% से अधिक नहीं थे।

एआई प्रशिक्षण और उपयोगिता का परिणाम विश्व का सबसे बड़ा 3डी स्टार, क्वासर और आकाशगंगा कैटलॉग था। अध्ययन के सह-लेखक केनेथ चैंबर्स ने गिज़्मोडो के अनुसार बताया कि मानचित्र को उत्पन्न करने के लिए उपयोग किए जाने वाले मॉडल को और अधिक डेटा एकत्र किए जाने के साथ फिर से उपयोग किया जा सकता है, जो मानचित्र को और बेहतर बनाने और हमारे सौर मंडल और ब्रह्मांड की हमारी समझ को बढ़ाने में मदद करेगा। वैज्ञानिक मानचित्र का उपयोग ब्रह्मांड के आकार के बारे में अंतर्दृष्टि प्राप्त करने और यह निर्धारित करने के लिए कर सकेंगे कि हमारे ब्रह्मांड विज्ञान मॉडल कहां-कहां नए प्रोजेक्शन के साथ मेल नहीं खाता।