लेकिन एआई विकास की दुनिया में दिलचस्पी रखने वाला कोई भी व्यक्ति यह पहचानेगा कि हम तंत्रिका नेटवर्क में अरबों मापदंडों को ट्यून करने में कामयाब रहे हैं, आंशिक रूप से ग्रेडिएंट डिसेंट नामक गणितीय तकनीक के माध्यम से। और चूंकि यह बड़े तंत्रिका नेटवर्क के प्रशिक्षण के लिए आवश्यक है, इसलिए लोगों ने जीपीयू पर ग्रेडिएंट डिसेंट प्रदर्शन को अनुकूलित करने में बहुत प्रयास किया है।
इसलिए शोधकर्ताओं की एक टीम ने FLIP (इमेजिंग ग्रहों के लिए भौतिकी-आधारित शिक्षण के लिए एक संक्षिप्त नाम) नामक एक प्रक्रिया विकसित की जो 10 के साथ हार्डवेयर के एक भौतिक मॉडल (इस मामले में, जेम्स वेब स्पेस टेलीस्कोप का NIRCam) का उपयोग करती है।6 संभावित सेटिंग्स, फिर इसकी सभी सेटिंग्स को अनुकूलित करने के लिए सॉफ़्टवेयर का उपयोग करता है। अनुकूलन एक सिम्युलेटेड पॉइंट स्प्रेड फ़ंक्शन के साथ शुरू होता है और फिर वास्तविक स्टार से डेटा पर अपने प्रदर्शन को अनुकूलित करने के लिए ग्रेडिएंट डिसेंट का उपयोग करता है। वर्तमान GPU पर चलने पर, इस प्रक्रिया में केवल आधे घंटे से थोड़ा अधिक समय लगता है।
शोधकर्ता तब परिणामों को उस वास्तविक वैज्ञानिक छवि के अनुसार परिष्कृत करते हैं जिसका वे विश्लेषण कर रहे हैं। प्रक्रिया का यह अंतिम भाग महत्वपूर्ण है, क्योंकि कुछ चर एक अवलोकन से दूसरे अवलोकन में भिन्न होते हैं।
अच्छे परिणाम
यह कैसे काम करता है इसका परीक्षण करने के लिए, शोधकर्ताओं ने ज्ञात एक्सोप्लैनेट (एचआईपी 65426 और 51 एरिडानी) वाले दो सितारों के अवलोकन का उपयोग किया, साथ ही एक तीसरे (टीवाईसी 5899) का भी उपयोग किया, जिसमें कोई ज्ञात एक्सोप्लैनेट नहीं है, लेकिन अवलोकनों के बीच बहुत भिन्नता के लिए जाना जाता है। ये युवा तारे हैं, और उनमें से दो के पास विशाल ग्रह हैं जो अपने गुरुत्वाकर्षण पतन के कारण अभी भी गर्म हैं, जिससे उनकी तस्वीरें पहले भी ली जा सकती हैं।
वेब डेटा का उपयोग करते हुए, टीम ने अवलोकनों के आधार पर सिग्नल-टू-शोर अनुपात को 1.5 से 2 के कारक तक बढ़ाने के लिए FLIP का उपयोग किया। एक तरंग दैर्ध्य पर जिसका उपयोग कार्बन डाइऑक्साइड का पता लगाने के लिए किया जा सकता है, वे पहली बार वेब डेटा में से एक ग्रह को देखने में सक्षम थे। टीवाईसी 5899 के लिए, दृष्टिकोण ने अवलोकनों की संवेदनशीलता को 15 गुना बढ़ा दिया।
शोधकर्ता इस बात पर जोर देते हैं कि अनुप्रयोग ज्ञात ग्रहों के बेहतर दृश्य से आगे जाते हैं। शोर को कम करके, उन लोगों को पहचानना भी संभव होना चाहिए जो हल्के हैं (और इसलिए पुराने या कम द्रव्यमान के हैं) जो पहले पता लगाने से बच गए थे। वे यह भी सोचते हैं कि वे उन क्षेत्रों को उजागर करने के लिए FLIP को संशोधित कर सकते हैं जहां यह मॉडल में सबसे नाटकीय परिवर्तन करता है, जो संभावित रूप से हमें दूरबीन के हार्डवेयर के साथ क्या हो रहा है इसके बारे में कुछ बता सकता है।
नेचर, 2026. DOI: 10.1038/s41586-026-11213-z (DOI के बारे में)।
