وہی ٹیکنالوجی جو چہرے کی شناخت اور خود چلانے والی کاریں چلاتی ہے جلد ہی کائنات کے پوشیدہ رازوں سے پردہ اٹھانے میں ایک اہم آلہ ثابت ہو سکتی ہے۔
مشاہداتی فلکیات میں حالیہ پیشرفت نے اعداد و شمار کے دھماکے کا باعث بنا ہے۔
طاقتور دوربینیں روزانہ ٹیرا بائٹس ڈیٹا اکٹھا کرتی ہیں۔ اتنے زیادہ ڈیٹا پر کارروائی کرنے کے لیے، سائنس دانوں کو میدان میں مختلف کاموں کو خودکار کرنے کے لیے نئے طریقے تلاش کرنے کی ضرورت ہے، جیسے تابکاری اور دیگر آسمانی مظاہر کی پیمائش۔
ایک خاص کام جس کو ماہرین فلکیات تیز کرنے کے لیے بے تاب ہیں وہ ہے کہکشاؤں کی درجہ بندی۔ اس مضمون میں، ہم اس بات پر جائیں گے کہ کہکشاؤں کی درجہ بندی کیوں اتنی اہم ہے اور کیسے محققین نے ڈیٹا کے حجم میں اضافے کے لیے جدید مشین لرننگ تکنیکوں پر انحصار کرنا شروع کر دیا ہے۔
ہمیں کہکشاؤں کی درجہ بندی کرنے کی ضرورت کیوں ہے؟
کہکشاؤں کی درجہ بندی، جسے میدان میں کہکشاں مورفولوجی کے نام سے جانا جاتا ہے، کا آغاز 18ویں صدی میں ہوا۔ اس دوران سر ولیم ہرشل نے مشاہدہ کیا کہ مختلف 'نیبولا' مختلف شکلوں میں آتے ہیں۔ اس کے بیٹے جان ہرشل نے کہکشاں نیبولا اور غیر کہکشاں نیبولا کے درمیان فرق کرکے اس درجہ بندی کو بہتر کیا۔ ان دو درجہ بندیوں میں سے آخرالذکر وہ ہیں جنہیں ہم جانتے ہیں اور کہکشائیں کہتے ہیں۔
18ویں صدی کے آخر تک، مختلف فلکیات دانوں نے قیاس کیا کہ یہ کائناتی اجسام "اضافی کہکشاں" ہیں، اور یہ کہ وہ ہماری اپنی آکاشگنگا سے باہر ہیں۔
ہبل نے 1925 میں ہبل کی ترتیب کے تعارف کے ساتھ کہکشاؤں کی ایک نئی درجہ بندی متعارف کرائی، جسے غیر رسمی طور پر ہبل ٹیوننگ فورک ڈایاگرام کے نام سے جانا جاتا ہے۔
ہبل کی ترتیب نے کہکشاؤں کو باقاعدہ اور بے قاعدہ کہکشاؤں میں تقسیم کیا۔ باقاعدہ کہکشاؤں کو مزید تین وسیع طبقوں میں تقسیم کیا گیا تھا: بیضوی، سرپل اور لینٹیکولر۔
کہکشاؤں کا مطالعہ ہمیں کئی اہم اسرار کے بارے میں بصیرت فراہم کرتا ہے کہ کائنات کیسے کام کرتی ہے۔ محققین نے ستاروں کی تشکیل کے عمل کے بارے میں نظریہ بنانے کے لیے کہکشاؤں کی مختلف شکلوں کا استعمال کیا ہے۔ تخروپن کا استعمال کرتے ہوئے، سائنسدانوں نے یہ ماڈل بنانے کی بھی کوشش کی ہے کہ کہکشائیں خود ان شکلوں میں کیسے بنتی ہیں جن کا ہم آج مشاہدہ کرتے ہیں۔
کہکشاؤں کی خودکار مورفولوجیکل درجہ بندی
کہکشاؤں کی درجہ بندی کرنے کے لیے مشین لرننگ کے استعمال کی تحقیق نے امید افزا نتائج دکھائے ہیں۔ 2020 میں، جاپان کی قومی فلکیاتی آبزرویٹری کے محققین نے a گہری سیکھنے کی تکنیک کہکشاؤں کو درست طریقے سے درجہ بندی کرنے کے لیے۔
محققین نے Subaru/Hyper Suprime-Cam (HSC) سروے سے حاصل کردہ تصاویر کا ایک بڑا ڈیٹا سیٹ استعمال کیا۔ اپنی تکنیک کا استعمال کرتے ہوئے، وہ کہکشاؤں کو S-wise spirals، Z-wise spirals، اور non-spirals میں درجہ بندی کر سکتے ہیں۔
ان کی تحقیق نے دوربینوں سے بڑے ڈیٹا کو یکجا کرنے کے فوائد کا مظاہرہ کیا۔ گہری سیکھنے تکنیک عصبی جالوں کی وجہ سے، ماہرین فلکیات اب مورفولوجی کی دیگر اقسام کی درجہ بندی کرنے کی کوشش کر سکتے ہیں جیسے بارز، انضمام، اور مضبوط لینس والی اشیاء۔ مثال کے طور پر، متعلقہ تحقیق MK Cavanagh اور K. Bekki سے CNNs کا استعمال ضم ہونے والی کہکشاؤں میں بار کی تشکیل کی تحقیقات کے لیے۔
یہ کیسے کام کرتا
NAOJ کے سائنسدانوں نے convolutional پر انحصار کیا۔ نیند نیٹ ورک یا تصاویر کی درجہ بندی کرنے کے لیے CNNs۔ 2015 سے، CNNs کچھ اشیاء کی درجہ بندی کرنے کے لیے ایک انتہائی درست تکنیک بن چکے ہیں۔ CNNs کے لیے حقیقی دنیا کی ایپلی کیشنز میں تصاویر میں چہرے کا پتہ لگانا، خود چلانے والی کاریں، ہاتھ سے لکھے ہوئے کردار کی شناخت، اور طبی شامل ہیں۔ تصویری تجزیہ.
لیکن سی این این کیسے کام کرتا ہے؟
CNN کا تعلق مشین لرننگ تکنیکوں کی ایک کلاس سے ہے جسے درجہ بندی کے نام سے جانا جاتا ہے۔ درجہ بندی کرنے والے مخصوص ان پٹ لے سکتے ہیں اور ڈیٹا پوائنٹ کو آؤٹ پٹ کر سکتے ہیں۔ مثال کے طور پر، ایک سٹریٹ سائن کا درجہ بندی کرنے والا ایک تصویر لینے اور آؤٹ پٹ کرنے کے قابل ہو گا چاہے وہ تصویر گلی کا نشان ہے یا نہیں۔
سی این این ایک کی ایک مثال ہے۔ عصبی نیٹ ورک. یہ اعصابی نیٹ ورکس پر مشتمل ہیں۔ نیورسن میں منظم تہوں. تربیتی مرحلے کے دوران، یہ نیوران مخصوص وزن اور تعصبات کو اپنانے کے لیے بنائے جاتے ہیں جو درکار درجہ بندی کے مسئلے کو حل کرنے میں مدد کریں گے۔
جب ایک عصبی نیٹ ورک ایک تصویر حاصل کرتا ہے، تو یہ مجموعی طور پر ہر چیز کے بجائے تصویر کے چھوٹے حصوں میں لیتا ہے، ہر انفرادی نیوران دوسرے نیوران کے ساتھ اس طرح بات چیت کرتا ہے جیسا کہ یہ مرکزی تصویر کے مختلف حصوں میں لیتا ہے۔
convolutional تہوں کی موجودگی CNN کو دوسرے نیورل نیٹ ورکس سے مختلف بناتی ہے۔ یہ پرتیں ان پٹ امیج سے خصوصیات کی شناخت کے مقصد کے ساتھ پکسلز کے اوور لیپنگ بلاکس کو اسکین کرتی ہیں۔ چونکہ ہم ایک دوسرے کے قریب ہونے والے نیوران کو جوڑتے ہیں، اس لیے نیٹ ورک کو تصویر کو سمجھنے میں آسان وقت ملے گا کیونکہ ان پٹ ڈیٹا ہر پرت سے گزرتا ہے۔
گلیکسی مورفولوجی میں استعمال
کہکشاؤں کی درجہ بندی میں استعمال ہونے پر، CNNs کہکشاں کی تصویر کو چھوٹے "پیچز" میں توڑ دیتے ہیں۔ تھوڑا سا ریاضی کا استعمال کرتے ہوئے، پہلی پوشیدہ پرت یہ حل کرنے کی کوشش کرے گی کہ آیا پیچ میں لائن ہے یا وکر۔ مزید پرتیں تیزی سے پیچیدہ سوالات کو حل کرنے کی کوشش کریں گی جیسے کہ کیا پیچ میں سرپل کہکشاں کی کوئی خصوصیت ہے، جیسے بازو کی موجودگی۔
اگرچہ اس بات کا تعین کرنا نسبتاً آسان ہے کہ آیا کسی تصویر کے کسی حصے میں سیدھی لکیر ہے، لیکن یہ پوچھنا پیچیدہ ہوتا جاتا ہے کہ آیا تصویر سرپل کہکشاں دکھاتی ہے، یہ تو چھوڑیں کہ کس قسم کی سرپل کہکشاں ہے۔
عصبی نیٹ ورکس کے ساتھ، درجہ بندی بے ترتیب اصولوں اور معیاروں سے شروع ہوتی ہے۔ یہ اصول آہستہ آہستہ اس مسئلے کے لیے زیادہ سے زیادہ درست اور متعلقہ ہوتے جاتے ہیں جسے ہم حل کرنے کی کوشش کر رہے ہیں۔ تربیتی مرحلے کے اختتام تک، نیورل نیٹ ورک کو اب اچھی طرح اندازہ ہونا چاہیے کہ تصویر میں کن خصوصیات کو تلاش کرنا ہے۔
سٹیزن سائنس کا استعمال کرتے ہوئے AI کو بڑھانا
شہری سائنس سے مراد وہ سائنسی تحقیق ہے جو شوقیہ سائنسدانوں یا عوامی اراکین کے ذریعے کی جاتی ہے۔
فلکیات کا مطالعہ کرنے والے سائنسدان اکثر شہری سائنسدانوں کے ساتھ مل کر مزید اہم سائنسی دریافتوں میں مدد کرتے ہیں۔ NASA برقرار رکھتا ہے a فہرست شہری سائنس کے درجنوں پروجیکٹس جن میں سیل فون یا لیپ ٹاپ والا کوئی بھی حصہ ڈال سکتا ہے۔
جاپان کی قومی فلکیاتی آبزرویٹری نے ایک شہری سائنس پروجیکٹ بھی لگایا ہے جس کے نام سے جانا جاتا ہے۔ گلیکسی کروز. یہ پہل رضاکاروں کو کہکشاؤں کی درجہ بندی کرنے اور کہکشاؤں کے درمیان ممکنہ تصادم کے آثار تلاش کرنے کی تربیت دیتی ہے۔ ایک اور شہری منصوبے کو بلایا گلیکسی زو لانچ کے صرف پہلے سال میں ہی 50 ملین سے زیادہ درجہ بندی حاصل کر چکا ہے۔
سٹیزن سائنس پروجیکٹس کے ڈیٹا کا استعمال کرتے ہوئے، ہم کر سکتے ہیں۔ اعصابی نیٹ ورکس کو تربیت دیں۔ کہکشاؤں کو مزید تفصیلی کلاسوں میں درجہ بندی کرنا۔ دلچسپ خصوصیات کے ساتھ کہکشائیں تلاش کرنے کے لیے ہم شہری سائنس کے ان لیبلز کو بھی استعمال کر سکتے ہیں۔ عصبی نیٹ ورک کا استعمال کرتے ہوئے انگوٹھیوں اور لینز جیسی خصوصیات کو تلاش کرنا اب بھی مشکل ہو سکتا ہے۔
نتیجہ
فلکیات کے میدان میں اعصابی نیٹ ورک کی تکنیک تیزی سے مقبول ہو رہی ہے۔ 2021 میں ناسا کے جیمز ویب اسپیس ٹیلی سکوپ کا آغاز مشاہداتی فلکیات کے ایک نئے دور کا وعدہ کرتا ہے۔ ٹیلی سکوپ نے پہلے ہی ٹیرا بائٹس کا ڈیٹا اکٹھا کر لیا ہے، ممکنہ طور پر اس کے پانچ سالہ مشن کی زندگی میں ہزاروں مزید ڈیٹا اکٹھا کر لیا گیا ہے۔
کہکشاؤں کی درجہ بندی بہت سے ممکنہ کاموں میں سے صرف ایک ہے جسے ML کے ساتھ بڑھایا جا سکتا ہے۔ خلائی ڈیٹا پروسیسنگ کا اپنا بگ ڈیٹا مسئلہ بننے کے ساتھ، محققین کو بڑی تصویر کو سمجھنے کے لیے جدید مشین لرننگ کو مکمل طور پر استعمال کرنا چاہیے۔
جواب دیجئے