"लर्निंग लर्निंग" नामक मशीन सीखने की तकनीक पर बहुत ध्यान दिया गया है, जहाँ कंप्यूटर विशेष रूप से ऐसा करने के लिए प्रोग्राम किए बिना डेटा में समझदार पैटर्न के लिए सक्षम हैं। हाल के वर्षों में, इस तकनीक को कई अनुप्रयोगों पर लागू किया गया है, जिसमें फेसबुक जैसे सोशल मीडिया प्लेटफार्मों के लिए आवाज और चेहरे की पहचान शामिल है।
हालांकि, खगोलविदों को भी गहरी शिक्षा से लाभ मिल रहा है, जो उन्हें आकाशगंगाओं की छवियों का विश्लेषण करने और समझने में मदद कर रहा है कि वे कैसे बनते हैं और विकसित होते हैं। एक नए अध्ययन में, अंतरराष्ट्रीय शोधकर्ताओं की एक टीम ने आकाशगंगाओं की छवियों का विश्लेषण करने के लिए एक गहन शिक्षण एल्गोरिथ्म का उपयोग किया हबल अंतरिक्ष सूक्ष्मदर्शी। यह पद्धति इन आकाशगंगाओं को वर्गीकृत करने में कारगर साबित हुई जो उनके विकास में किस स्तर पर थीं।
"डीप लर्निंग, हाई-ज़ेड गैलेक्सीज़ इन अ सेंट्रल गलगेट फेज़ इन ए कैरेक्टरल मास रेंज" शीर्षक से अध्ययन, हाल ही में ऑनलाइन दिखाई दिया और इसे प्रकाशन के लिए स्वीकार कर लिया गया है। एस्ट्रोफिजिकल जर्नल। अध्ययन का नेतृत्व यूनिवर्सिटी पेरिस डिडरोट के मार्क हर्टेस-कंपनी ने किया और इसमें कैलिफोर्निया यूनिवर्सिटी सांता क्रूज़ (यूसीएससी), हिब्रू विश्वविद्यालय, स्पेस टेलीस्कोप साइंस इंस्टीट्यूट, पेंसिल्वेनिया फिलाडेल्फिया विश्वविद्यालय, मिनिया पेरिसटेक और शंघाई नॉर्मल यूनिवर्सिटी के सदस्य शामिल थे। (SNHU)।
अतीत में, मार्क ह्यूर्टस-कंपनी ने पहले से ही सीखने के गहरे तरीकों को लागू किया है हबल आकाशगंगा वर्गीकरण के लिए डेटा। डेविड कू और जोएल प्राइमैक के सहयोग से, दोनों यूसी सांता क्रूज़ (और Google से समर्थन के साथ) में प्रोफेसर एमेरिटस हैं, ह्यूर्टस-कंपनी और टीम ने पिछले दो गर्मियों में एक तंत्रिका नेटवर्क विकसित किया है जो विभिन्न चरणों में आकाशगंगाओं की पहचान कर सकता है। उनके विकास में।
"यह परियोजना हमारे पास कई विचारों में से एक थी," हाल ही में यूएससीएस प्रेस विज्ञप्ति में कू ने कहा। “हम एक ऐसी प्रक्रिया को चुनना चाहते थे जो सिद्धांतकार सिमुलेशन के आधार पर स्पष्ट रूप से परिभाषित कर सकते हैं, और इसके साथ कुछ करना है कि एक आकाशगंगा कैसे दिखती है, तो अवलोकन में इसके लिए गहन शिक्षण एल्गोरिदम दिखते हैं। हम अभी अनुसंधान करने के इस नए तरीके का पता लगाने के लिए शुरुआत कर रहे हैं। यह सिद्धांत और टिप्पणियों के पिघलने का एक नया तरीका है। ”
अपने अध्ययन के लिए, शोधकर्ताओं ने कंप्यूटर सिमुलेशन का उपयोग आकाशगंगाओं की नकली छवियों को उत्पन्न करने के लिए किया, क्योंकि वे इसके द्वारा टिप्पणियों में देखेंगे हबल अंतरिक्ष सूक्ष्मदर्शी। नकली छवियों का उपयोग गहरे सीखने वाले तंत्रिका नेटवर्क को प्रशिक्षित करने के लिए किया गया था ताकि आकाशगंगा के विकास के तीन प्रमुख चरणों को पहचाना जा सके जो पहले सिमुलेशन में पहचाना गया था। शोधकर्ताओं ने तब नेटवर्क का उपयोग वास्तविक हबल छवियों के एक बड़े सेट का विश्लेषण करने के लिए किया था।
हर्टस-कंपनी की पिछली छवियों के अनुसार, ये चित्र हबल के कॉस्मिक एसेम्बली नियर-इन्फ्रारेड डीप एक्सट्रागैलेक्टिक लिगेसी सर्वे (कैंडेल्स) प्रोजेक्ट का हिस्सा हैं - जो इतिहास का सबसे बड़ा प्रोजेक्ट है। हबल अंतरिक्ष सूक्ष्मदर्शी। उन्होंने पाया कि तंत्रिका नेटवर्क के नकली और वास्तविक आकाशगंगाओं के वर्गीकरण उल्लेखनीय रूप से सुसंगत थे। जैसा कि जोएल प्राइमैक ने समझाया:
“हम यह सब सफल होने की उम्मीद नहीं कर रहे थे। मुझे आश्चर्य है कि यह कितना शक्तिशाली है। हम जानते हैं कि सिमुलेशन की सीमाएँ हैं, इसलिए हम बहुत मजबूत दावा नहीं करना चाहते हैं। लेकिन हमें नहीं लगता कि यह सिर्फ एक भाग्यशाली है। "
अनुसंधान दल को विशेष रूप से आकाशगंगाओं में दिलचस्पी थी, जिनके पास एक छोटा, घना, तारा बनाने वाला क्षेत्र है, जिसे "ब्लू डला" के रूप में जाना जाता है। ये क्षेत्र गैस-समृद्ध आकाशगंगाओं के विकास में जल्दी आते हैं, जब एक आकाशगंगा के केंद्र में गैस के बड़े प्रवाह नीले प्रकाश का उत्सर्जन करने वाले युवा सितारों के गठन का कारण बनते हैं। इन और अन्य प्रकार की आकाशगंगाओं का अनुकरण करने के लिए, टीम ने प्राइमेक द्वारा विकसित अत्याधुनिक VELA सिमुलेशन और सहयोगियों की एक अंतरराष्ट्रीय टीम पर भरोसा किया।
सिम्युलेटेड और अवलोकन डेटा दोनों में, कंप्यूटर प्रोग्राम ने पाया कि "ब्लू डला" चरण केवल एक निश्चित सीमा के भीतर जनता के साथ आकाशगंगाओं में होता है। इसके बाद केंद्रीय क्षेत्र में स्टार गठन समाप्त हो गया, जिसके कारण कॉम्पैक्ट "रेड डला" चरण में आ गया, जहां मध्य क्षेत्र के सितारे अपने मुख्य अनुक्रम चरण से बाहर निकल गए और लाल दिग्गज बन गए।
द्रव्यमान रेंज की निरंतरता रोमांचक थी क्योंकि यह इंगित करता था कि तंत्रिका नेटवर्क एक पैटर्न की पहचान कर रहा था जो वास्तविक आकाशगंगाओं में एक महत्वपूर्ण शारीरिक प्रक्रिया से उत्पन्न होता है - और ऐसा करने के लिए विशेष रूप से बिना बताए। जैसा कि कू ने संकेत दिया, यह अध्ययन खगोल विज्ञान और एआई के लिए एक बड़ा कदम है, लेकिन अभी भी बहुत सारे शोध किए जाने की जरूरत है:
“VELA सिमुलेशन को CANDELS अवलोकनों को समझने में हमारी मदद करने के मामले में बहुत सफलता मिली है। किसी के पास सही सिमुलेशन नहीं है, हालांकि। जब हम इस काम को जारी रखेंगे, हम बेहतर सिमुलेशन विकसित करते रहेंगे। ”
उदाहरण के लिए, टीम के सिमुलेशन में सक्रिय गैलेक्टिक नाभिक (एजीएन) द्वारा निभाई गई भूमिका शामिल नहीं थी। बड़ी आकाशगंगाओं में, कोर पर एक केंद्रीय सुपरमेसिव ब्लैक होल (SMBH) पर गैस और धूल जमा होती है, जिसके कारण गैस और विकिरण विशाल जेट में उत्सर्जित होते हैं। हाल के कुछ अध्ययनों ने संकेत दिया है कि यह कैसे आकाशगंगाओं में स्टार गठन पर एक गिरफ्तार प्रभाव डाल सकता है।
हालांकि, दूर की टिप्पणियों, छोटी आकाशगंगाओं ने टीम के सिमुलेशन में देखी गई घटना के सबूत दिखाए हैं, जहां गैस से भरपूर कोर नीले रंग की डली चरण में ले जाते हैं। कू के अनुसार, गेलेक्टिक इवोल्यूशन का अध्ययन करने के लिए गहन सीखने का उपयोग करने से अवलोकन डेटा के पहले के अवांछित पहलुओं को प्रकट करने की क्षमता है। समय के साथ आकाशगंगाओं को स्नैपशॉट के रूप में देखने के बजाय, खगोलविद अनुकरण करने में सक्षम होंगे कि वे अरबों वर्षों में कैसे विकसित होते हैं।
"दीप लर्निंग पैटर्न के लिए दिखता है, और मशीन ऐसे पैटर्न देख सकती है जो इतने जटिल हैं कि हम इंसान उन्हें नहीं देख सकते हैं," उन्होंने कहा। "हम इस दृष्टिकोण का एक बहुत अधिक परीक्षण करना चाहते हैं, लेकिन इस सबूत-की-अवधारणा अध्ययन में, मशीन को सिमुलेशन में पहचाने गए आकाशगंगा के विकास के विभिन्न चरणों के डेटा में सफलतापूर्वक लग रहा था।"
भविष्य में, खगोलविदों के पास अगली पीढ़ी की दूरबीनों की तैनाती के लिए धन्यवाद का विश्लेषण करने के लिए अधिक अवलोकन डेटा होगा बड़े सिन्थोपिक सर्वेक्षण टेलिस्कोप (LSST), द जेम्स वेब स्पेस टेलीस्कोप (JWST), और द वाइड-फील्ड इन्फ्रारेड सर्वे टेलीस्कोप (WFIRST)। ये टेलीस्कोप और भी बड़े पैमाने पर डेटासेट प्रदान करेंगे, जो तब मशीन सीखने के तरीकों का विश्लेषण करके यह निर्धारित कर सकते हैं कि क्या पैटर्न मौजूद हैं।
खगोल विज्ञान और कृत्रिम बुद्धिमत्ता, ब्रह्मांड की हमारी समझ को बेहतर बनाने के लिए मिलकर काम कर रहे हैं। मुझे आश्चर्य है कि अगर हमें इसे थ्योरी ऑफ एवरीथिंग (टीओई) खोजने के कार्य में भी लगाना चाहिए!
