LIGO ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਵੈਧੂਤ ਰਿਕਾਰਡ (observatory) ਦੇ ਗਲਿੱਚ ਕੈਟਾਲਾਗ 'ਤੇ ਡੀਪ-ਟ੍ਰਾਂਸਫਰ-ਲਰਨਿੰਗ ਤਕਨੀਕਾਂ ਲਾਗੂ ਕੀਤੀਆਂ, ਜਿਸ ਨਾਲ ਉੱਚ ਸਟੀਕਤਾ ਪ੍ਰਾਪਤ ਹੋਈ ਅਤੇ ਸਮਾਨ ਸ਼ੋਰ ਪੈਟਰਨਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਕਲੱਸਟਰ (cluster) ਕੀਤਾ ਗਿਆ। ਇਹ ਵੱਡੀ ਸਫਲਤਾ ਵਿਗਿਆਨਕ ਖੋਜ ਦੀ ਗਤੀ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ।
LIGO ਲਈ ਗਲਿੱਚ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹਨ
LIGO ਦੇ ਇੰਟਰਫੈਰੋਮੀਟਰ (interferometers) ਬਹੁਤ ਹੀ ਸੰਵੇਦਨਸ਼ੀਲ ਹਨ, ਪਰ ਇਹ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਉਹਨਾਂ ਨੂੰ ਅਸਥਾਈ ਸ਼ੋਰ (transient noise) ਪ੍ਰਤੀ ਕਮਜ਼ੋਰ ਵੀ ਬਣਾਉਂਦੀ ਹੈ—ਜਿਸ ਨੂੰ ਗਲਿੱਚ ਕਿਹਾ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ ਛੋਟੇ, ਗੈਰ-ਖਗੋਲ-ਭੌਤਿਕ ਵਿਘਨ ਹਨ। ਇੱਕ ਗਲਿੱਚ ਅਸਲੀ ਲਹਿਰ ਵਾਂਗ ਦਿਖਾਈ ਦੇ ਸਕਦਾ ਹੈ, ਜਾਂ ਇਹ ਇੱਕ ਮੱਧਮ ਸਿਗਨਲ ਨੂੰ ਦਬਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਕਾਂ ਨੂੰ ਹਜ਼ਾਰਾਂ ਘਟਨਾਵਾਂ ਦੀ ਮੈਨੂਅਲ ਜਾਂ ਮੈਨੂਅਲ ਤਰੀਕੇ ਨਾਲ ਜਾਂਚ ਕਰਨ ਲਈ ਮਜਬੂਰ ਹੋਣਾ ਪੈਂਦਾ ਹੈ। ਕੱਚੇ ਡਿਟੈਕਟਰ ਆਉਟਪੁੱਟ ਨੂੰ ਭਰੋਸੇਯੋਗ ਖਗੋਲ-ਭੌਤਿਕ ਖੋਜਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਇਹਨਾਂ ਆਰਟੀਫੈਕਟਸ ਦੀ ਤੇਜ਼ ਅਤੇ ਵਧੇਰੇ ਭਰੋਸੇਯੋਗ ਪਛਾਣ ਜ਼ਰੂਰੀ ਹੈ।
ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਕਲਾਸੀਫਿਕੇਸ਼ਨ ਦੀ ਸੀਮਾ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ
ਡੀਪ ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਉਹਨਾਂ ਮਾਡਲਾਂ ਦੀ ਮੁੜ ਵਰਤੋਂ ਕਰਕੇ ਇਸ ਰੁਕਾਵਟ ਨੂੰ ਦੂਰ ਕਰਦੀ ਹੈ ਜਿਨ੍ਹਾਂ ਨੇ ਪਹਿਲਾਂ ਹੀ ਗੈਰ-ਸੰਬੰਧਿਤ ਚਿੱਤਰ ਸੰਗ੍ਰਹਿਆਂ 'ਤੇ ਅਮੀਰ ਵਿਜ਼ੂਅਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਸਿੱਖੀਆਂ ਹੁੰਦੀਆਂ ਹਨ। ਇਹ ਪਹੁੰਚ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ (pre-trained) ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਦੀ ਹੈ ਅਤੇ ਛੋਟੇ ਡੇਟਾਸੈਟਾਂ ਨਾਲ ਵੀ ਵਧੀਆ ਕੰਮ ਕਰਦੀ ਹੈ। ਕਿਉਂਕਿ ਨੈੱਟਵਰਕ ਦਾ ਜ਼ਿਆਦਾਤਰ ਗਿਆਨ ਅਟੁੱਟ ਰਹਿੰਦਾ ਹੈ, ਇਸ ਲਈ ਜਦੋਂ ਗਲਿੱਚ ਦੀਆਂ ਕੁਝ ਹੀ ਉਦਾਹਰਣਾਂ ਉਪਲਬਧ ਹੁੰਦੀਆਂ ਹਨ, ਤਾਂ ਵੀ ਇਹ ਵਧੀਆ ਪ੍ਰਦਰਸ਼ਨ ਕਰਦਾ ਹੈ।
ਇਸਦਾ ਨਤੀਜਾ ਇੱਕ ਅਜਿਹਾ ਕਲਾਸੀਫਾਇਰ (classifier) ਹੈ ਜੋ ਬਹੁਤ ਹੀ ਸਟੀਕਤਾ ਨਾਲ ਗਲਿੱਚ ਪਰਿਵਾਰਾਂ ਵਿੱਚ ਅੰਤਰ ਕਰਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਇੱਕ ਵੱਖਰਾ ਕਲੱਸਟਰਿੰਗ ਪੜਾਅ ਨਵੇਂ ਮਿਲੇ ਅਨੋਮਲੀਆਂ (anomalies) ਨੂੰ ਮੌਜੂਦਾ ਸ਼੍ਰੇਣੀਆਂ ਦੇ ਨਾਲ ਸਮੂਹਬੱਧ ਕਰਦਾ ਹੈ। ਕਲੱਸਟਰਿੰਗ ਸਮਾਨ ਸ਼ੋਰ ਦੀਆਂ ਕਿਸਮਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਦੀ ਹੈ।
ਕੀ ਦਾਅ 'ਤੇ ਹੈ
- ਸੁਧਾਰਿਆ ਹੋਇਆ ਸਿਗਨਲ ਡਿਟੈਕਸ਼ਨ – ਸਾਫ਼ ਡੇਟਾ ਸਟ੍ਰੀਮਜ਼ LIGO ਨੂੰ ਕਮਜ਼ੋਰ ਜਾਂ ਇੱਕ ਦੂਜੇ ਦੇ ਉੱਪਰ ਆਉਣ ਵਾਲੀਆਂ ਗੁਰੂਤਾਕਰਸ਼ਣ-ਲਹਿਰਾਂ (gravitational-wave) ਦੀਆਂ ਘਟਨਾਵਾਂ ਨੂੰ ਪਛਾਣਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦੀਆਂ ਹਨ, ਜੋ ਨਹੀਂ ਤਾਂ ਗੁੰਮ ਹੋ ਸਕਦੀਆਂ ਸਨ।
- ਮਨੁੱਖੀ ਗਲਤੀਆਂ ਵਿੱਚ ਕਮੀ – ਆਟੋਮੇਟਿਡ ਅਤੇ ਇਕਸਾਰ ਲੇਬਲਿੰਗ ਗਲਿੱਚ ਨੂੰ ਅਸਲੀ ਘਟਨਾ ਵਜੋਂ ਗਲਤ ਕਲਾਸੀਫਾਈ ਕਰਨ ਦੇ ਜੋਖਮ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ, ਇੱਕ ਅਜਿਹੀ ਗਲਤੀ ਜੋ ਅਗਲੇ ਵਿਸ਼ਲੇਸ਼ਣਾਂ 'ਤੇ ਅਸਰ ਪਾ ਸਕਦੀ ਹੈ।
- ਤੇਜ਼ ਖੋਜ – ਖੋਜਕਰਤਾ ਡੇਟਾ ਦੀ ਸਫਾਈ ਦੀ ਬਜਾਏ ਖਗੋਲ-ਭੌਤਿਕ ਵਿਗਿਆਨ (astrophysics) 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਡਿਟੈਕਸ਼ਨ ਤੋਂ ਪ੍ਰਕਾਸ਼ਨ ਤੱਕ ਦਾ ਸਮਾਂ ਘਟ ਜਾਂਦਾ ਹੈ।
ਸਾਵਧਾਨੀਆਂ ਅਤੇ ਅਗਲਾ ਰਾਹ
ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਲਾਭ ਦਿੰਦੀ ਹੈ, ਪਰ ਇਹ ਮਾਹਿਰਾਂ ਦੀ ਨਿਗਰਾਨੀ ਦੀ ਲੋੜ ਨੂੰ ਖਤਮ ਨਹੀਂ ਕਰਦੀ। ਮਾਡਲ ਆਪਣੇ ਅਸਲ ਸਿਖਲਾਈ ਖੇਤਰਾਂ ਤੋਂ ਪੱਖਪਾਤ (biases) ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ, ਅਤੇ ਦੁਰਲੱਭ ਜਾਂ ਨਵੇਂ ਗਲਿੱਚ ਅਜੇ ਵੀ ਆਟੋਮੇਟਿਡ ਨੈੱਟ ਤੋਂ ਨਿਕਲ ਸਕਦੇ ਹਨ। ਚੱਲ ਰਹੇ ਕੰਮ ਦਾ ਉਦੇਸ਼ ਐਕਟਿਵ-ਲਰਨਿੰਗ ਲੂਪਸ (active-learning loops) ਨੂੰ ਜੋੜਨਾ ਹੈ, ਜਿੱਥੇ ਮਨੁੱਖੀ ਰਿਵਿਊਅਰ ਅਨਿਸ਼ਚਿਤ ਕਲਾਸੀਫਿਕੇਸ਼ਨਾਂ ਨੂੰ ਸੁਧਾਰਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਸੁਧਾਰਾਂ ਨੂੰ ਲਗਾਤਾਰ ਸੁਧਾਰ ਲਈ ਮਾਡਲ ਵਿੱਚ ਵਾਪਸ ਭੇਜਦੇ ਹਨ।
ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ
ਸਾਰ: ਡੀਪ ਟ੍ਰਾਂਸਫਰ ਲਰਨਿੰਗ ਇੱਕ ਬਹੁਤ ਹੀ ਔਖੀ ਅਤੇ ਗਲਤੀ-ਪੂਰਨ ਰੁਕਾਵਟ ਨੂੰ ਇੱਕ ਆਟੋਮੇਟਿਡ, ਉੱਚ-ਸਟੀਕਤਾ ਵਾਲੀ ਸੇਵਾ ਵਿੱਚ ਬਦਲ ਰਹੀ ਹੈ, ਜਿਸ ਨਾਲ ਬ੍ਰਹਿਮੰਡ ਦੇ LIGO ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਤੇਜ਼ ਕਰ ਰਹੀ ਹੈ ਅਤੇ ਕੱਚੇ ਡੇਟਾ ਤੋਂ ਵਿਗਿਆਨਕ ਗਿਆਨ ਤੱਕ ਦੇ ਮਾਰਗ ਨੂੰ ਤੇਜ਼ ਕਰ ਰਹੀ ਹੈ।