‘അടുത്തുള്ള അയൽക്കാരൻ’ രീതിയിലൂടെ അപാകതകൾ കണ്ടെത്തുന്നതിന് കെ-ഡി ട്രീ ഉപയോഗിച്ച് 2018-ൽ എടുത്ത വടക്കൻ ആകാശത്തിന്റെ ഡിജിറ്റൽ ചിത്രങ്ങൾ ഗവേഷകർ വിശകലനം ചെയ്തു. മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങൾ തിരയൽ ഓട്ടോമേറ്റ് ചെയ്യാൻ സഹായിച്ചു.
ഭൂരിഭാഗം ജ്യോതിശാസ്ത്ര കണ്ടെത്തലുകളും തുടർന്നുള്ള കണക്കുകൂട്ടലുകളോടെയുള്ള നിരീക്ഷണങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്. ഇരുപതാം നൂറ്റാണ്ടിലെ നിരീക്ഷണങ്ങളുടെ എണ്ണം താരതമ്യേന ചെറുതാണെങ്കിലും, വലിയ തോതിലുള്ള ജ്യോതിശാസ്ത്ര സർവേകളുടെ വരവോടെ ഡാറ്റയുടെ അളവ് ഗണ്യമായി വർദ്ധിച്ചു. ഉദാഹരണത്തിന്, വടക്കൻ ആകാശം സർവേ ചെയ്യാൻ ഒരു വൈഡ്-ഫീൽഡ് വ്യൂ ക്യാമറ ഉപയോഗിക്കുന്ന Zwicky Transient Facility (ZTF), ഓരോ രാത്രി നിരീക്ഷണത്തിലും ~1.4 TB ഡാറ്റ സൃഷ്ടിക്കുന്നു, അതിന്റെ കാറ്റലോഗിൽ കോടിക്കണക്കിന് വസ്തുക്കൾ അടങ്ങിയിരിക്കുന്നു. ഇത്രയും വലിയ അളവിലുള്ള ഡാറ്റ സ്വമേധയാ പ്രോസസ്സ് ചെയ്യുന്നത് ചെലവേറിയതും സമയമെടുക്കുന്നതുമാണ്, അതിനാൽ റഷ്യ, ഫ്രാൻസ്, യുഎസ് എന്നിവിടങ്ങളിൽ നിന്നുള്ള ഗവേഷകരുടെ SNAD ടീം ഒരു ഓട്ടോമേറ്റഡ് സൊല്യൂഷൻ വികസിപ്പിച്ചെടുത്തു.
ശാസ്ത്രജ്ഞർ ജ്യോതിശാസ്ത്ര വസ്തുക്കളെ പരിശോധിക്കുമ്പോൾ, അവയുടെ പ്രകാശ വക്രങ്ങൾ നിരീക്ഷിക്കുന്നു, ഇത് സമയത്തിന്റെ പ്രവർത്തനമായി ഒരു വസ്തുവിന്റെ തെളിച്ചത്തിന്റെ വ്യതിയാനങ്ങൾ കാണിക്കുന്നു. നിരീക്ഷകർ ആദ്യം ആകാശത്ത് ഒരു മിന്നൽ പ്രകാശം തിരിച്ചറിയുകയും പിന്നീട് അതിന്റെ പരിണാമം പിന്തുടരുകയും പ്രകാശം കാലക്രമേണ തെളിച്ചമുള്ളതാണോ അതോ ദുർബലമാവുകയോ അതോ അണയുകയോ ചെയ്യുന്നു. ഈ പഠനത്തിൽ, ഗവേഷകർ ZTF-ന്റെ 2018 കാറ്റലോഗിൽ നിന്ന് ഒരു ദശലക്ഷം യഥാർത്ഥ ലൈറ്റ് കർവുകളും പഠനത്തിൻ കീഴിലുള്ള വസ്തുക്കളുടെ തരം ഏഴ് സിമുലേറ്റഡ് ലൈവ് കർവ് മോഡലുകളും പരിശോധിച്ചു. മൊത്തത്തിൽ, ഒരു വസ്തുവിന്റെ തെളിച്ചത്തിന്റെ വ്യാപ്തിയും സമയപരിധിയും ഉൾപ്പെടെ ഏകദേശം 40 പാരാമീറ്ററുകൾ അവർ പിന്തുടർന്നു.
യഥാർത്ഥ ജ്യോതിശാസ്ത്ര ബോഡികളിൽ നിരീക്ഷിക്കപ്പെടുമെന്ന് പ്രതീക്ഷിക്കുന്ന ഒരു കൂട്ടം സ്വഭാവസവിശേഷതകൾ ഉപയോഗിച്ച് ഞങ്ങളുടെ സിമുലേഷനുകളുടെ സവിശേഷതകൾ ഞങ്ങൾ വിവരിച്ചു. ഏകദേശം ഒരു ദശലക്ഷം വസ്തുക്കളുടെ ഡാറ്റാസെറ്റിൽ, ഞങ്ങൾ അതിശക്തമായ സൂപ്പർനോവകൾ, ടൈപ്പ് Ia സൂപ്പർനോവകൾ, ടൈപ്പ് II സൂപ്പർനോവകൾ, വേലിയേറ്റം തടസ്സപ്പെടുത്തൽ ഇവന്റുകൾ എന്നിവയ്ക്കായി തിരയുകയായിരുന്നു,’ പേപ്പറിന്റെ സഹ-രചയിതാവും ഇല്ലിനോയിസ് യൂണിവേഴ്സിറ്റിയിലെ പോസ്റ്റ്ഡോക്കുമായ കോൺസ്റ്റാന്റിൻ മലഞ്ചെവ് വിശദീകരിക്കുന്നു. ഉർബാന-ചാംപെയിൻ. ‘അത്തരം വസ്തുക്കളെ നമ്മൾ അനോമലി എന്നാണ് വിളിക്കുന്നത്. അവ ഒന്നുകിൽ വളരെ അപൂർവമാണ്, അധികം അറിയപ്പെടാത്ത ഗുണങ്ങളുള്ളവയാണ്, അല്ലെങ്കിൽ കൂടുതൽ പഠനത്തിന് അർഹതയുള്ളവയാണ്.’
യഥാർത്ഥ വസ്തുക്കളിൽ നിന്നുള്ള ലൈറ്റ് കർവ് ഡാറ്റയെ k-D ട്രീ അൽഗോരിതം ഉപയോഗിച്ചുള്ള സിമുലേഷനുകളുമായി താരതമ്യം ചെയ്തു. ഹൈപ്പർപ്ലെയ്‌നുകൾ, പ്ലെയിനുകൾ, ലൈനുകൾ അല്ലെങ്കിൽ പോയിന്റുകൾ എന്നിവ ഉപയോഗിച്ച് സ്ഥലത്തെ ചെറിയ ഭാഗങ്ങളായി വിഭജിക്കാനുള്ള ഒരു ജ്യാമിതീയ ഡാറ്റാ ഘടനയാണ് k-D ട്രീ. നിലവിലെ ഗവേഷണത്തിൽ, ഏഴ് സിമുലേഷനുകളിൽ വിവരിച്ചതിന് സമാനമായ ഗുണങ്ങളുള്ള യഥാർത്ഥ ഒബ്‌ജക്റ്റുകൾക്കായി തിരയുമ്പോൾ തിരയൽ ശ്രേണി കുറയ്ക്കുന്നതിന് ഈ അൽഗോരിതം ഉപയോഗിച്ചു.
തുടർന്ന്, ഓരോ സിമുലേഷനും അടുത്തുള്ള 15 അയൽക്കാരെ, അതായത് ZTF ഡാറ്റാബേസിൽ നിന്നുള്ള യഥാർത്ഥ ഒബ്‌ജക്റ്റുകളെ ടീം തിരിച്ചറിഞ്ഞു–മൊത്തം 105 പൊരുത്തങ്ങൾ, ഗവേഷകർ പിന്നീട് അപാകതകൾ പരിശോധിക്കാൻ ദൃശ്യപരമായി പരിശോധിച്ചു. മാനുവൽ വെരിഫിക്കേഷൻ 11 അപാകതകൾ സ്ഥിരീകരിച്ചു, അതിൽ ഏഴ് സൂപ്പർനോവ കാൻഡിഡേറ്റുകളും നാലെണ്ണം ടൈഡൽ തടസ്സ സംഭവങ്ങൾ ഉണ്ടാകാനിടയുള്ള സജീവ ഗാലക്‌സി ന്യൂക്ലിയസ് സ്ഥാനാർത്ഥികളുമാണ്.
‘ഇത് വളരെ നല്ല ഫലമാണ്,’ പേപ്പറിന്റെ സഹ രചയിതാവും സ്റ്റെർൻബെർഗ് ആസ്ട്രോണമിക്കൽ ഇൻസ്റ്റിറ്റ്യൂട്ടിലെ റിസർച്ച് ഫെലോയുമായ മരിയ പ്രൂഷിൻസ്കായ അഭിപ്രായപ്പെടുന്നു. ‘ഇതിനകം കണ്ടെത്തിയ അപൂർവ വസ്‌തുക്കൾക്ക് പുറമേ, ജ്യോതിശാസ്ത്രജ്ഞർക്ക് മുമ്പ് നഷ്‌ടമായ നിരവധി പുതിയവ കണ്ടെത്താൻ ഞങ്ങൾക്ക് കഴിഞ്ഞു. അത്തരം ഒബ്‌ജക്‌റ്റുകൾ നഷ്‌ടപ്പെടാതിരിക്കാൻ നിലവിലുള്ള തിരയൽ അൽഗോരിതങ്ങൾ മെച്ചപ്പെടുത്താം എന്നാണ് ഇതിനർത്ഥം.’
പ്രയോഗിക്കാൻ താരതമ്യേന എളുപ്പമാണെങ്കിലും ഈ രീതി വളരെ ഫലപ്രദമാണെന്ന് ഈ പഠനം തെളിയിക്കുന്നു. ഒരു പ്രത്യേക തരത്തിലുള്ള ബഹിരാകാശ പ്രതിഭാസങ്ങൾ കണ്ടെത്തുന്നതിനുള്ള നിർദ്ദിഷ്ട അൽഗോരിതം സാർവത്രികമാണ്, കൂടാതെ അപൂർവ തരം സൂപ്പർനോവകളിൽ മാത്രം പരിമിതപ്പെടുത്താതെ രസകരമായ ഏതെങ്കിലും ജ്യോതിശാസ്ത്ര വസ്തുക്കളെ കണ്ടെത്താൻ ഇത് ഉപയോഗിക്കാം.
‘ഇതുവരെ കണ്ടെത്താനാകാത്ത ജ്യോതിശാസ്ത്ര, ജ്യോതിശാസ്ത്ര പ്രതിഭാസങ്ങൾ യഥാർത്ഥത്തിൽ അപാകതകളാണ്,’ HSE യൂണിവേഴ്സിറ്റി ഫാക്കൽറ്റി ഓഫ് ഫിസിക്സിലെ അസോസിയേറ്റ് പ്രൊഫസർ മാറ്റ്വി കോർണിലോവ് അഭിപ്രായപ്പെടുന്നു. ‘അവരുടെ നിരീക്ഷിച്ച പ്രകടനങ്ങൾ അറിയപ്പെടുന്ന വസ്തുക്കളുടെ ഗുണങ്ങളിൽ നിന്ന് വ്യത്യസ്തമാകുമെന്ന് പ്രതീക്ഷിക്കുന്നു. ഭാവിയിൽ, പുതിയ തരം വസ്തുക്കളെ കണ്ടെത്താൻ ഞങ്ങളുടെ രീതി ഉപയോഗിച്ച് ഞങ്ങൾ ശ്രമിക്കും.’