एका एकमेव मशीन-लर्निंग विश्लेषणात 11,000 हून अधिक एक्सोप्लॅनेट उमेदवारांचा अहवाल

एक्सोप्लॅनेट विज्ञानाला नव्याने घडवू शकणारा उमेदवारांचा साठा

खगोलशास्त्रज्ञांनी एकाच वेळी जाहीर झालेल्या संभाव्य एक्सोप्लॅनेटच्या सर्वात मोठ्या गटांपैकी एक ओळखला असू शकतो. दिलेल्या स्रोत सामग्रीत वर्णन केलेल्या नव्या प्रीप्रिंटनुसार, NASA च्या Transiting Exoplanet Survey Satellite, किंवा TESS, ने निरीक्षण केलेल्या 83,717,159 तार्‍यांच्या लाईट कर्व्हवर मशीन-लर्निंग अल्गोरिदम लागू करून संशोधकांनी 11,554 एक्सोप्लॅनेट उमेदवार शोधले.

जर त्या उमेदवारांची पुष्टी झाली, तर सौरमालेपलीकडील ज्ञात जगांच्या संख्येत हा असामान्य झेप ठरेल. स्रोत मजकुरानुसार, सप्टेंबर 2025 पर्यंत 6,000 पेक्षा अधिक एक्सोप्लॅनेटची पुष्टी झाली होती, आणि त्यानंतर जवळपास 300 जोडले गेले. या प्रमाणात सत्यापित झालेला साठा एकूण संख्या 18,000 च्या जवळ नेईल, म्हणजेच सध्याची संख्या जवळपास तिप्पट होईल.

हीच मथळ्यातील संख्या या घोषणेला लक्ष देण्यास आणि सावध राहण्यास भाग पाडते. जाहीर झालेले उमेदवार अद्याप निश्चित ग्रह नाहीत, आणि हा अभ्यास अद्याप समकक्ष-पुनरावलोकित झालेला नाही. तरीही, उमेदवार टप्प्यावरसुद्धा हे काम विद्यमान खगोलशास्त्रीय डेटामध्ये अजून किती शोधक्षमता दडलेली आहे हे दाखवते.

इतकी अनेक जगं का नजरेतून सुटली असावीत

या शोधामागील मूलभूत पद्धत एक्सोप्लॅनेट संशोधकांना परिचित आहे. TESS पृथ्वीवरून पाहताना एखादा ग्रह आपल्या यजमान तार्‍यासमोरून जाताना होणारी प्रकाशातील सूक्ष्म घट पाहते. अशा घटनांना ट्रान्झिट म्हणतात. आव्हान प्रमाणाचे आहे. डेटा लाखो तार्‍यांपर्यंत वाढला की मंद, गोंगाटयुक्त, संदिग्ध संकेतांची संख्या पारंपरिक कार्यप्रवाहांना कार्यक्षमतेने तपासणे अशक्य होईल इतकी वाढते.

नव्या अल्गोरिदमचा सर्वात मोठा वाटा इथे दिसतो. 8 कोटींपेक्षा अधिक तार्‍यांचे स्कॅन करून त्याने असे सूक्ष्म संकेत नोंदवले, जे अन्यथा पकडणे जवळपास अशक्य झाले असते. हे आठवण करून देते की खगोलशास्त्रातील शोध आता फक्त मोठे दुर्बीण बांधण्यावर अवलंबून नाही. दुर्बिणी जे डेटा आधीच गोळा करतात, त्यातून अधिक सिग्नल काढण्यावरही ते अवलंबून आहे.

2018 मध्ये प्रक्षेपित TESS अशा मोठ्या प्रमाणावर शोधासाठी विशेषतः योग्य आहे, कारण त्याने ताऱ्यांच्या प्रचंड संख्येतील पुनरावृत्त निरीक्षणांचा अभिलेख तयार केला आहे. प्रत्येक लाईट कर्व्ह म्हणजे कालांतराने झालेल्या चमक बदलांचा नोंदवही. त्या कर्व्हमध्ये कक्षेत फिरणाऱ्या ग्रहांनी निर्माण केलेल्या नियमित घसरणी दडलेल्या असू शकतात, पण त्याचबरोबर तारकीय क्रियाशीलता, उपकरणांचे परिणाम आणि इतर खगोलीय प्रभावांमधला गोंगाटही असतो. मशीन लर्निंग या गुंतागुंतीतून मोठ्या प्रमाणावर छाननी करण्याचा मार्ग देते.

दुर्बीण युगातून अल्गोरिदम युगात

एक्सोप्लॅनेट विज्ञान नेहमीच चांगल्या साधनांसोबत पुढे गेले आहे. 1995 मध्ये पहिल्या निश्चित एक्सोप्लॅनेट शोधाने नवे क्षेत्र खुले केले, आणि नंतरच्या वेधशाळांनी शोधाचा वेग वाढवला. हा नवा निकाल सूचित करतो की पुढची लाट केवळ नव्या मोहिमांची वाट पाहण्याऐवजी आधीच उपलब्ध निरीक्षणीय संग्रहाचे पुनर्प्रक्रियन करून येऊ शकते.

हा बदल महत्त्वाचा आहे, कारण तो शोधाची अर्थव्यवस्था आणि गती दोन्ही बदलतो. जर प्रगत वर्गीकरण प्रणाली मोठ्या संग्रहांमध्ये विश्वासार्हपणे उच्च-गुणवत्तेचे उमेदवार ओळखू शकत असतील, तर खगोलशास्त्रज्ञ मॅन्युअल श्रम प्रमाणात न वाढवता फॉलो-अपसाठी मोठ्या लक्ष्यसूची तयार करू शकतात. प्रत्यक्षात, याचा अर्थ इतर उपकरणांवरील मर्यादित निरीक्षण वेळ अधिक कार्यक्षमतेने केंद्रित करता येईल.

याचा अर्थ खगोलीय संग्रहांना स्थिर नोंदींपेक्षा नूतनीकरणक्षम वैज्ञानिक संसाधने म्हणून पाहिले पाहिजे. विश्लेषण पद्धती सुधारत गेल्या की तोच दुर्बीण-डेटा अतिरिक्त शोध देऊ शकतो. त्या अर्थाने, मशीन लर्निंग निरीक्षणात्मक खगोलशास्त्राची जागा घेत नाही. ते आधीपासून अस्तित्वात असलेल्या निरीक्षणात्मक पायाभूत सुविधांचे उपयुक्त आयुष्य आणि वैज्ञानिक पोहोच वाढवते.

पुढे काय घडायला हवे

सर्वात महत्त्वाचे पुढचे पाऊल म्हणजे पुष्टी. उमेदवार दर्जा म्हणजे संकेत आशादायक आहेत, पण निर्णायक नाहीत. तारकीय बदलशीलता किंवा ग्रहांच्या ट्रान्झिटची नक्कल करणाऱ्या eclipsing binary प्रणाल्या यांसह अनेक कारणांनी खोटे सकारात्मक निष्कर्ष येऊ शकतात. स्रोत मजकूर 11,554 वस्तूंपैकी सर्वच सिद्ध ग्रह आहेत असा दावा करत नाही, आणि तो फरक केंद्रस्थानी आहे.

तरीही, अंतिम पुष्टीदर कमी असला तरी हा सर्वेक्षण अत्यंत महत्त्वाचा ठरू शकतो. एवढ्या मोठ्या उमेदवार-संचातून भविष्यातील पडताळणी कार्य, सांख्यिकीय लोकसंख्या-अभ्यास आणि अधिक तपशीलवार निरीक्षणासाठी प्राधान्यक्रम ठरवण्याकरिता समृद्ध पाइपलाइन मिळते. यातील काही उमेदवार वातावरणीय वैशिष्ट्य विश्लेषण, कक्षीय विश्लेषण किंवा ग्रह प्रणाली निर्मितीच्या तुलनात्मक अभ्यासासाठी लक्ष्य ठरू शकतात.

शोधाचा व्याप हेही सूचित करतो की काही प्रकारचे ग्रह कमकुवत किंवा गोंधळलेल्या संकेतांत लपल्यामुळे पद्धतशीररीत्या कमी मोजले गेले असावेत. तसे असल्यास, हा निकाल केवळ एकूण संख्येपेक्षा अधिक गोष्टींवर परिणाम करू शकतो. काही वर्गांतील ग्रह किती सामान्य आहेत आणि खगोलशास्त्रज्ञांनी त्यांना कुठे शोधावे, याबद्दलची मॉडेल्सही बदलू शकतात.

सावधगिरीची खूण असलेली शोधकथा

विशेषतः एक्सोप्लॅनेटसारख्या लोकांच्या उत्सुकतेचा विषय असलेल्या क्षेत्रात, मोठ्या उमेदवार संख्यांना अंतिम यश मानण्याचा मोह होतो. पण अधिक शिस्तबद्ध वाचन अधिक योग्य ठरते. हा प्रीप्रिंटमधून आलेला सुरुवातीचा, पण संभाव्यतः महत्त्वाचा अहवाल आहे, जो अद्याप समकक्ष पुनरावलोकनातून गेलेला नाही. उमेदवारांना पुष्टी लागते. अंतिम उत्पादन सुरुवातीच्या यादीपेक्षा निश्चितच लहान असेल.

तरीही तो फक्त प्राथमिक आहे म्हणून काम नाकारणे चुकीचे ठरेल. या टप्प्यावरसुद्धा हा अभ्यास विज्ञानातील व्यापक परिवर्तन दाखवतो. शोध अधिकाधिक उपकरणे आणि बुद्धिमान विश्लेषण प्रणाली यांच्या परस्परसंवादातून घडतो आहे. खगोलशास्त्रात, पुढची मोठी झेप फक्त अवकाशात अधिक दूर पाहण्यानेच नव्हे, तर विद्यमान तारकप्रकाश अधिक प्रभावीपणे वाचायला शिकण्यानेही येऊ शकते.

जर नोंदवलेले उमेदवार लक्षणीय संख्येत टिकले, तर हा सर्वेक्षण त्या बदलाचा एक मैलाचा दगड ठरेल. तो दाखवेल की परग्रहांवरील जगांचे नकाशे अजून अपूर्ण आहेत, आणि त्यातल्या काही सर्वात मोठ्या भर नवीन दुर्बीण प्रक्षेपणातून नव्हे, तर आधीच हाताशी असलेल्या डेटावर लागू केलेल्या अधिक चांगल्या अल्गोरिदममधून येऊ शकतात.

हा लेख Live Science च्या वृत्तांकनावर आधारित आहे. मूळ लेख वाचा.