ഒരു സംഘം ഗവേഷകർ gravitational wavesയുടെ ഉറവിടങ്ങളെ തിരിച്ചറിയാൻ ഒരു നവോത്ഥാനമാർഗം കണ്ടുപിടിച്ചതായി കഴിഞ്ഞ ദിവസം എത്തിച്ച് പ്രഖ്യാപിച്ചു. ഇതിലൂടെ ഈ തിരച്ചിലുകളുടെ കൃത്യത മെച്ചപ്പെടുകയും, ഈ രഹസ്യാത്മക കോസ്മിക് സംഭവങ്ങളുടെ തിരിച്ചറിയൽ പ്രക്രിയ വേഗത്തിലാക്കുകയും ചെയ്യും എന്നാണ് അവർ വിശ്വസിക്കുന്നത്. ഇന്ന് Nature എന്ന ജേണലിൽ പ്രസിദ്ധീകരിച്ച അവരുടെ പഠനം, ന്യൂട്രോൺ സ്റ്റാർ മർജറുകളിൽ നിന്നുള്ള gravitational wave ઉત്പാദനത്തിൽ കേന്ദ്രീകരിക്കുന്ന ഒരു അൽഗോറിതം അവതരിപ്പിക്കുന്നു. അത്തരത്തിലുള്ള സംഭവങ്ങൾ തിരിച്ചറിയുമ്പോളേ, ലോകമാകെയുള്ള ആസ്റ്റ്രോണമേഴ്സ് ഇടതു വിവരം ശേഖരിക്കാൻ കഴിയുകയും, ഈ ചെറുകൃതത്തിന്റെയും ഹൈഡ്രോളെക്കിങ്ങിന്റെയും ഉറവിടങ്ങളെക്കുറിച്ചുള്ള കൂടുതൽ വിശദമായ വിവരങ്ങൾ ശേഖരിക്കാനും കഴിയും. നിങ്ങൾക്കുള്ള ഒരു ഊഹകല്പനയ്ക്ക് വേണ്ടി, gravitational waves സാമ്പത്തിക സമയത്തിന്റെ ഘടനയിലൂടെ സൃഷ്‌ടിക്കുന്ന തരംഗങ്ങളാണ്, ഏകദേശം ഒരു ശതാബ്ദത്തിലേക്ക് അടിയടുക്കിയ എയിൻസ്റ്റൈനിന്റെ സിദ്ധാന്തത്തിൽ ആദ്യമായി കണക്ക് കാണിക്കുകയും, 2015-ൽ നിലവിലുള്ള LIGO-Virgo-KAGRA സഹകരണത്തിന്റെ ഒരു ഭാഗമായാണ് ആദ്യം കണ്ടെത്തിയത്. ഈ തരംഗങ്ങൾ ബ്രാൻഡ് ഘടകങ്ങൾ, അഥവാ കാളകളുടെയും ന്യൂട്രോൺ സ്റ്റാർസിന്റെ പരസ്പര ഇടപാടുകളിൽ നിന്നാണ് ഉണ്ടായിരിക്കുന്നത്. ഗ്രഹണ ചരിത്രത്തിൽ, researchers’ algorithm പ്രത്യേകിച്ച് മർജർ നടപടികളിലേക്കുള്ള പാതരായി തിരിഞ്ഞുവരുന്ന ന്യൂട്രോൺ സ്റ്റാർസുകൾ ലക്ഷ്യമിടുകയും, അവർ ഒത്തുചേരുന്നത് വരെ കടൽക്കയ്പ്പ് ചെയ്യാന്‍ ശ്രമിക്കുന്നു, ഇത് “ന്യൂട്രോൺ സ്റ്റാർ മർജർ” എന്നറിയപ്പെടുന്നു. ഈ മർജർ നടത്തവേ സേവിച്ച gravitational waves തിരിച്ചറിഞ്ഞാൽ, ആസ്റ്റ്രോണമേഴ്സുകൾക്ക് ന്യൂട്രോൺ സ്റ്റാർ ഘടനകളെ മനസ്സിലാക്കുന്നതിൽ, ചില ഭാരമുള്ള ഘടകങ്ങളുടെ ഉദയം, പൊതുവായ എം. ബി. തത്വത്തിന്റെ പരിശോധന, ബ്രഹ്മാണ്ഡത്തിന്റെ വിപുലീകരണ നിരക്ക് അളക്കൽ എന്നിവയിൽ സഹായിക്കും. കാരണം artificial intelligence ഉപയോഗിക്കുന്നത് ഈ gravitational wave സംഭവങ്ങളുടെ വിശകലനം വേഗത്തിലാക്കുന്നു, കൂടാതെ സംഘത്തിന്റെ കണ്ടെത്തലുകളുടെ അടിസ്ഥാനത്തിൽ, മർജർ ഉത്തരവാദിത്വത്തിന്റെ സ്ഥലത്തെ കൃത്യത ഉയർത്തുന്നു. അവർ ഒരു സെക്കന്റിനുള്ളിൽ gravitational wavesയുടെ ഉറവിടം നിർണ്ണയിക്കാവുന്നതാണെന്നും, ഇത് LISA പോലെയുള്ള അടുത്ത തലമുറ gravitational wave ഡിറ്റക്ടറുകൾക്കായുള്ള ഡാറ്റാ വിശകലനത്തിനായി ഒരു ടെംപ്പോലേറ്റ് പോലെയാകും.

"വിദ്യാഭ്യാസത്തിന്റെ ശേഷം, ഒരു പുതിയ നിരീക്ഷണം ഉണ്ടായപ്പോൾ, ന്യുറൽ നെറ്റ്വർക്ക് ഒരു എൻട്രിയായി അളവ് സ്വീകരിക്കാൻ കഴിയും, നീരസമായ 뉴ട്രോൺ സ്റ്റാർസ് പ്രാവർത്തങ്ങളുടെ വിശേഷണങ്ങൾ (അവയുടെ ലോക്കലൈസേഷനും ഉൾപ്പെടെ) ഒരു സെക്കന്റിന് താഴെ പ്രവ്ചയിക്കാൻ കഴിയും, " ഗവേഷണത്തിൽ ലീഡ് അതോറായ ട്യൂബിന്റെനിലെ ഒരു മെഷീൻ ലേണിങ് ഗവേഷകൻ മാക്സിമില്യൻ ഡാക്സ്, Gizmodo-ക്ക് അയച്ച ഇമെയിലിൽ വിശദീകരിച്ചു. “ഈ വേഗത്തിലുള്ള പ്രതികരണം ഒരിക്കലും നിങ്ങളുടെ നിലവിലുള്ള gravitational wave സിമുലേഷൻ മേഖലയിൽ പുതിയതല്ല. " Башҡിളിക്കാൻ, ഡാക്സ് അവരുടെ രീതി ഇരട്ട ന്യൂട്രോൺ സ്റ്റാർ മർജറുകളിൽ നിന്നുള്ള ഇലക്ട്രോമാഗ്നെട്ടിക് സാഹചര്യങ്ങളെ മുൻകൂറായി തിരിച്ചറയ്ക്കാൻ സഹായിക്കുമെന്ന പ്രതീക്ഷയും പ്രകടിപ്പിച്ചു. “ഈ ബഹുമുഖ സഞ്ചാരങ്ങൾ വളരെ ആവേശകരമാണ്, കൂടാതെ വ്യത്യസ്ത ഫീൽഡുകൾ, കോസ്മോളജി, ആണുകിയPhysics, ഗുരുത്വാകർഷണം എന്നിവയിൽ പ്രാധാന്യം ഉള്ളവയാണ്. ” ഗവേഷകർക്കുള്ള algorithms 30% കൃത്യത മെച്ചത്തിലാണെന്നും, ഇനി എങ്ങനെയായാലും ആസ്റ്റ്രോണമേഴ്സിന് കൂടുതൽ, അടിയുറപ്പ് കൊണ്ടുള്ള നിരീക്ഷണങ്ങളിലേക്ക് ഏറെ ശ്രദ്ധ സ്വീകരിക്കുന്ന merger സംഭവങ്ങൾ തിരിച്ചറിയാൻ സഹായിക്കുന്നുവെന്നും അവർ വ്യക്തമാക്കി. "Machine learning നിലവിലെ gravitational-wave ഗവേഷണത്തിലേക്കും ഉള്ളCHED ലക്ഷ നിമിത്തം ശ്രദ്ധേയമായി, " UKയിലെ പോർട്മൗത്ത് സർവകലികലായ Michael Williams നിരീക്ഷിച്ചു. "എന്നാൽ, പല വെല്ലുവിളികൾ ഇവിടെ നിലനിൽക്കുന്നു, " പുതിയ ഗവേഷണത്തിൽ തത്വമായി പങ്കില്ലാത്തവൻ വില്യാമ്സ് കൂട്ടിച്ചേർത്തു. "Machine-learning algorithms ഒഴിവാക്കലിന്റെ പ്രകടനം എല്ലാം അവയുടെ പരിശീലനമെന്നാണുള്ളത്. ഈ algorithm ന് ഒരു ആധാരമായ വെല്ലുവിളി म्हणजे gravitational-wave detectors ൽ യഥാർത്ഥ ശബ്ദങ്ങളുടെ പ്രത്യേകതകൾ കാലവർഷം ചെലവിൽ മാറുന്നു, പരിശീലനത്തിനോട് തക്കമുള്ളതായ് പുതുമാത്തിരികൾ തുടങ്ങി, എന്നത് വരുത്തുന്ന സിസ്റ്റമാറ്റിക് പിഴവുകൾ ആണ്. " വിദ്യൾ പേുലായോടുകൂടി, യഥാർത്ഥ പരീക്ഷണം, ഈ ടീമിന്റെ algorithm മർജർ നടത്തപ്പെടുമ്പോൾ മുമ്പ് ഉള്ള വിവരങ്ങൾ കാര്യമായി നൽകാൻ കഴിയുമോ എന്നതാണ്.