एक मशीन लर्निंग मॉडल सक्रिय गैलेक्टिक न्यूक्ली में लैग्स का पता लगाता है
सबसे ऊर्जावान आकाशगंगाओं के केंद्र की खोज करने के लिए, खगोलशास्त्री रिवर्बरेशन 3D मैपिंग का उपयोग करते हैं। यह तकनीक सुपरमैसिव ब्लैक होल को घेरे हुए एक्रीशन डिस्क से निकलने वाली रोशनी में समय के चरण अंतर या लैग्स का विश्लेषण करती है। भविष्य का वेरा रुबिन वेधशाला इस कार्य के लिए विशाल डेटा उत्पन्न करेगा, लेकिन यह महत्वपूर्ण चुनौतियाँ भी प्रस्तुत करता है जिनके लिए नई विश्लेषण उपकरणों की आवश्यकता है 🕰️।
लैग्स डिस्क की छिपी संरचना को उजागर करते हैं
छोटे लैग्स डिस्क को पार करने में लगने वाले समय से उत्पन्न होते हैं, जो इसकी रेडियल विस्तार को मैप करने की अनुमति देते हैं। दूसरी ओर, लंबे नकारात्मक लैग्स, जो अधिक सूक्ष्म और पकड़ने में जटिल हैं, पदार्थ के अंदर की ओर बहने में लगने वाले समय से जुड़े हैं, जो डिस्क की ऊर्ध्वाधर संरचना के बारे में संकेत प्रदान करते हैं। पारंपरिक विधियों से इनकी पहचान करना बहुत कठिन है, विशेष रूप से उन डेटा श्रृंखलाओं के साथ जिनमें अंतराल हैं या सिग्नल कमजोर है।
नई अवलोकन युग के लिए चुनौतियाँ:- रुबिन वेधशाला लाखों AGN का अवलोकन करेगी, लेकिन उसके डेटा में मौसमी अंतराल होंगे।
- लंबे नकारात्मक लैग का सिग्नल स्वाभाविक रूप से कमजोर है और आसानी से छिप जाता है।
- क्लासिक विश्लेषण विधियाँ अपेक्षित विशाल डेटा मात्रा को संसाधित करने के लिए अच्छी तरह से स्केल नहीं करतीं।
प्रतीत होता है कि सुपरमैसिव ब्लैक होल भी प्रतिक्रिया देने में देरी कर सकते हैं, हालांकि उनके मामले में यह प्रकाश-दिनों में मापा जाता है।
एक ट्रांसफॉर्मर पहचान को क्रांतिकारी बनाता है
इन बाधाओं को पार करने के लिए, एक मशीन लर्निंग मॉडल को विकसित और प्रशिक्षित किया गया है जो ट्रांसफॉर्मर आर्किटेक्चर पर आधारित है। यह मॉडल रुबिन द्वारा उत्पन्न होने वाली सिमुलेटेड लाइट कर्व्स की जांच करता है, दोनों प्रकार के लैग्स को स्वचालित और मजबूती से पहचानने के लिए।
परिणाम जो अंतर लाते हैं:- मॉडल लंबे नकारात्मक लैग की उपस्थिति को 96% पूर्णता के साथ पहचानता है और केवल 0.04% संदूषण के साथ।
- यह लैग के मान की भविष्यवाणी 98% सटीकता के साथ करता है।
- यह स्थापित तकनीकों को व्यापक रूप से पीछे छोड़ देता है: इंटरपोलेटेड क्रॉस-कॉरिलेशन फंक्शन 54% सटीकता प्राप्त करती है और जेवलिन केवल एक