ब्लैक होल हुनटर्स

सेल्फ-लेसींग के घटनाए कितने दुर्लभ हो सकते हैं?

बहित दुर्लब! अगर हम भाग्यशाली होते हैं, हम १० उदाहरण का पाने का अपेक्षा करते हैं, पूरे सुपर वास्प के डेटासेट और १०० के आस-पास टेस्स के डेटासेट में। सेल्फ लेन्सिनग के कोई निर्णायक उदाहरण नहीं पाया गया हियाँ एक ब्लैक होल बाइनरी सिस्टम में। अगर आप एक खोजत लेते हो, आप विज्ञानिक इस्तेहल बना लेंगे!

आप क्यों अनुकरण किया गया प्रकाश वक्र इस्तेमल कारते हों?

जो घटनाएँ हमे खोज रहे हैं इतना दुर्लब हैं कि हम कोई वास्तविक उदाहरण नहीं देखे हैं। हम अनुकरण किया गये प्रकाश वक्र इस्तेमाल करते दो कारणों के लिए। पहला कारण , आपको समझने के लिए के कि आपको कैसे आकारों को छाटना हैं, ताकि जब आप किसी वास्तविक लेंसिंग घटना को देखें तो आप उसे देखने से न चूकें। दूसरा कारण यह है कि सिम्युलेटेड लाइटकर्व्स को शामिल करने से हमें सबसे कम लेंसिंग आवर्धन पर काम करने की सुविधा मिलती है जिसे ज़ूनिवर्स स्वयंसेवकों द्वारा पता लगाया जाना चाहिए।

मैं कैसे बोल सकता हूँ कि एक प्रकाश ककर अनुकरण किया गया हैं?

अनुकरण किए गए छवियों के विशेष मेटाडेटा होते हैं जो सिम्यलैशन परमेटर्स को दर्शाता हैं। अगर आप सुबजकत का मेटादडेटा को *विषय जानकारी * को डाबकर देख सकते हैं कि यह क्या अनुकरण किया गया हैं। कृपया याद रखे कि अगर यह विषय अनुकरण किया गए हो, तभ भी आको "हाँ" दबाना अगर आप एक लेन्सिनग संकेत को देखते हो।

यह क्या एक कंप्युटर के द्वारा कीय जा सकता हैं?

प्रकाश वक्र में खूब नॉइज़ हो सकता हैं। यह भविष्यवाणी करना बहुत कठिन बना देता हैं कि एक लेन्सिनग घटना का प्रकाश वक्र कैसा दिखेगा पर्याप्त सटीकता के साथ एक ऑटोमैटिक डिटेक्शन अलगोरिथ बनाने के लिए। हम वास्तविक संकेतों को भी अनदेखा कर सकते हैं अगर हम सटीक रूप से भविष्यवाणी न किए कि कैसे दिखेंगे।

आधुनिक मशीन लर्निंग तकनीके यह काम कर सकते हैं। लेकिन, हम ध्यान से काम नहीं करे, ये एल्गोरिदम डेटा की बहुत सूक्ष्म विशेषताओं पर ध्यान केंद्रित करते हैं, न कि उन शिखरों के समग्र आकार पर जिन्हें हम ढूंढ रहे हैं। उन्हे इस्तेमाल करने के लिए ट्रेनिंग डेटा का होने जरूरी हैं जिनमे संकेतों हो आलसी लेन्सिनग संकेतों के तरह।ये सिमलैशन जो हम प्रोजेक्ट में उपयोग कर रहे हैं, उन्हें ट्रेनिंग डेटा के रूप में उपयोग करने के लिए पर्याप्त सटीक नहीं हैं। वे आपको एक अस्पष्ट विचार दे देते हैं कि एक वास्तविक लेन्सिनग घटनाएँ कैसे दिख सकते हैं लेकिन वे वास्तविकता से इतने भिन्न हैं कि उनके साथ प्रशिक्षित मशीन लर्निंग एल्गोरिदम कई वास्तविक संकेतों को चूक सकता है।

इंसानों को फायदा क्यों है?

इंसान बहिर्विभाजन करने में बहुत अच्छे हैं कुछ ही उदाहरण से और डेटा में ऐसे पैटर्न देखना जो समान हैं, लेकिन एक से नहीं। यह इस तरह के परियोजना में एक बड़ा पायेदा देता हैं , जहा पर कोई असली उदाहरण नहीं हैं और हमें मुट्ठी भर अनुमानित सिमुलेशन से निष्कर्ष निकालने के लिए स्वयंसेवकों की आवश्यकता है।