ਰਹਿਣਯੋਗ ਦੁਨੀਆ ਦੀ ਖੋਜ ਨੂੰ ਤੇਜ਼-ਟਰੈਕ ਕਰਨਾ

ਰਹਿਣਯੋਗ ਦੁਨੀਆ ਦੀ ਖੋਜ ਨੂੰ ਤੇਜ਼-ਟਰੈਕ ਕਰਨਾ
ਆਧੁਨਿਕ ਖਗੋਲ ਵਿਗਿਆਨ AI ਅਤੇ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਤੋਂ ਬਿਨਾਂ ਸੰਘਰਸ਼ ਕਰੇਗਾ, ਜੋ ਲਾਜ਼ਮੀ ਔਜ਼ਾਰ ਬਣ ਗਏ ਹਨ। ਉਨ੍ਹਾਂ ਕੋਲ ਇਕੱਲੇ ਹੀ ਆਧੁਨਿਕ ਟੈਲੀਸਕੋਪਾਂ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੀ ਵਿਸ਼ਾਲ ਮਾਤਰਾ ਦਾ ਪ੍ਰਬੰਧਨ ਅਤੇ ਕੰਮ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹੈ। ML ਵੱਡੇ ਡੈਟਾਸੈੱਟਾਂ ਦੀ ਖੋਜ ਕਰ ਸਕਦਾ ਹੈ, ਖਾਸ ਪੈਟਰਨਾਂ ਦੀ ਭਾਲ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਮਨੁੱਖਾਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਮਾਂ ਲਵੇਗਾ।ਧਰਤੀ ਵਰਗੇ exoplanets ‘ਤੇ biosignatures ਦੀ ਖੋਜ ਸਮਕਾਲੀ ਖਗੋਲ ਵਿਗਿਆਨ ਦਾ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸਾ ਹੈ, ਅਤੇ ML ਇਸ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਭੂਮਿਕਾ ਨਿਭਾ ਸਕਦਾ ਹੈ.
ਕਿਉਂਕਿ ਐਕਸੋਪਲੇਨੇਟਸ ਬਹੁਤ ਦੂਰ ਹਨ, ਖਗੋਲ ਵਿਗਿਆਨੀ ਉਹਨਾਂ ‘ਤੇ ਪੂਰਾ ਧਿਆਨ ਦਿੰਦੇ ਹਨ ਜੋ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ ਦੀ ਆਗਿਆ ਦਿੰਦੇ ਹਨ। ਜਦੋਂ ਸਟਾਰਲਾਈਟ ਕਿਸੇ ਗ੍ਰਹਿ ਦੇ ਵਾਯੂਮੰਡਲ ਵਿੱਚੋਂ ਲੰਘਦੀ ਹੈ, ਤਾਂ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ ਪ੍ਰਕਾਸ਼ ਨੂੰ ਵੱਖ-ਵੱਖ ਤਰੰਗ-ਲੰਬਾਈ ਵਿੱਚ ਵੰਡ ਸਕਦੀ ਹੈ। ਖਗੋਲ-ਵਿਗਿਆਨੀ ਫਿਰ ਖਾਸ ਅਣੂਆਂ ਦੇ ਦੱਸਣ ਵਾਲੇ ਸੰਕੇਤਾਂ ਲਈ ਪ੍ਰਕਾਸ਼ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹਨ। ਹਾਲਾਂਕਿ, ਐਕਸੋਪਲੈਨੇਟ ਵਾਯੂਮੰਡਲ ਵਿੱਚ ਰਸਾਇਣਕ ਬਾਇਓ-ਸਿਗਨੇਚਰ ਔਖੇ ਹਨ ਕਿਉਂਕਿ ਕੁਦਰਤੀ ਅਬਾਇਓਜੈਨਿਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਕੁਝ ਸਮਾਨ ਹਸਤਾਖਰ ਪੈਦਾ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਹਾਲਾਂਕਿ ਇਹ ਤਰੀਕਾ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ, ਇਸ ਨੂੰ ਕੁਝ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈਂਦਾ ਹੈ। ਤਾਰੇ ਦੇ ਚਟਾਕ ਅਤੇ ਭੜਕਣ ਵਰਗੀਆਂ ਤਾਰਾਂ ਦੀ ਗਤੀਵਿਧੀ ਸਿਗਨਲ ਨੂੰ ਪ੍ਰਦੂਸ਼ਿਤ ਕਰ ਸਕਦੀ ਹੈ, ਅਤੇ ਵਾਯੂਮੰਡਲ ਤੋਂ ਪ੍ਰਕਾਸ਼ ਤਾਰੇ ਦੀ ਰੋਸ਼ਨੀ ਦੇ ਮੁਕਾਬਲੇ ਬਹੁਤ ਕਮਜ਼ੋਰ ਹੋ ਸਕਦਾ ਹੈ। ਜੇ ਐਕਸੋਪਲੇਨੇਟ ਦੇ ਵਾਯੂਮੰਡਲ ਵਿੱਚ ਬੱਦਲ ਜਾਂ ਧੁੰਦ ਹੈ, ਤਾਂ ਇਹ ਸਪੈਕਟ੍ਰੋਸਕੋਪਿਕ ਡੇਟਾ ਵਿੱਚ ਅਣੂ ਸਮਾਈ ਲਾਈਨਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਮੁਸ਼ਕਲ ਬਣਾ ਸਕਦਾ ਹੈ।ਰੇਲੇ ਸਕੈਟਰਿੰਗ ਚੁਣੌਤੀ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ, ਅਤੇ ਇੱਕੋ ਸਪੈਕਟਰੋਸਕੋਪਿਕ ਸਿਗਨਲ ਦੀਆਂ ਕਈ ਵੱਖ-ਵੱਖ ਵਿਆਖਿਆਵਾਂ ਵੀ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਸਿਗਨਲ ਵਿੱਚ ਜਿੰਨਾ ਜ਼ਿਆਦਾ “ਸ਼ੋਰ” ਹੁੰਦਾ ਹੈ, ਸਿਗਨਲ ਤੋਂ ਸ਼ੋਰ ਅਨੁਪਾਤ (SNR) ਓਨਾ ਹੀ ਬੁਰਾ ਹੁੰਦਾ ਹੈ। ਰੌਲੇ-ਰੱਪੇ ਵਾਲਾ ਡਾਟਾ—ਘੱਟ SNR ਵਾਲਾ ਡਾਟਾ—ਇੱਕ ਸਪੱਸ਼ਟ ਸਮੱਸਿਆ ਹੈ।
ਅਸੀਂ ਅਜੇ ਵੀ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਐਕਸੋਪਲੈਨੇਟਸ ਅਤੇ ਗ੍ਰਹਿ ਵਾਯੂਮੰਡਲ ਦੀ ਖੋਜ ਕਰ ਰਹੇ ਹਾਂ , ਅਤੇ ਸਾਡੇ ਮਾਡਲ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਤਕਨੀਕਾਂ ਪੂਰੀਆਂ ਨਹੀਂ ਹਨ। ਜਦੋਂ ਘੱਟ SNR ਸਮੱਸਿਆ ਨਾਲ ਜੋੜਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਜੋੜਾ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਰੱਖਦਾ ਹੈ।ਪਰ ਨਵੀਂ ਖੋਜ ਦੇ ਅਨੁਸਾਰ, ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਦਦ ਕਰ ਸਕਦੀ ਹੈ। ” ਘੱਟ ਸਿਗਨਲ-ਟੂ-ਆਇਸ ਰੇਸ਼ੋ ਟਰਾਂਸਮਿਸ਼ਨ ਸਪੈਕਟਰਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਧਰਤੀ-ਵਰਗੇ ਐਕਸੋਪਲੈਨੇਟਸ ਵਿੱਚ ਸੰਭਾਵੀ ਬਾਇਓਸਿਗਨੇਚਰ ਦਾ ਮਸ਼ੀਨ-ਸਹਾਇਤਾ ਵਰਗੀਕਰਣ ” ਆਰਐਕਸਿਵ ਪ੍ਰੀਪ੍ਰਿੰਟ ਸਰਵਰ ‘ਤੇ ਪੋਸਟ ਕੀਤਾ ਗਿਆ ਇੱਕ ਪੇਪਰ ਹੈ ਜੋ ਰਾਇਲ ਐਸਟ੍ਰੋਨੋਮੀਕਲ ਸੋਸਾਇਟੀ ਦੇ ਮਾਸਿਕ ਨੋਟਿਸ ਦੁਆਰਾ ਸਮੀਖਿਆ ਅਧੀਨ ਹੈ । ਮੇਡੇਲਿਨ, ਕੋਲੰਬੀਆ ਵਿੱਚ ਯੂਨੀਵਰਸਿਡਾਡ ਡੀ ਐਂਟੀਓਕੀਆ ਵਿਖੇ ਕੰਪਿਊਟੇਸ਼ਨਲ ਫਿਜ਼ਿਕਸ ਐਂਡ ਐਸਟ੍ਰੋਫਿਜ਼ਿਕਸ ਗਰੁੱਪ ਤੋਂ ਮੁੱਖ ਲੇਖਕ ਡੇਵਿਡ ਐਸ. ​​ਡੂਕ-ਕਾਸਟਾਨੋ ਹੈ।
JWST ਸਾਡਾ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ ਟੂਲ ਹੈ, ਅਤੇ ਇਹ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਨਤੀਜੇ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਪਰ ਇੱਕ ਸਮੱਸਿਆ ਹੈ: ਸਮਾਂ ਦੇਖਣਾ। ਕੁਝ ਨਿਰੀਖਣ ਯਤਨਾਂ ਵਿੱਚ ਬਹੁਤ ਸਮਾਂ ਲੱਗਦਾ ਹੈ। ਇਹ ਓਜ਼ੋਨ ਵਰਗੀਆਂ ਚੀਜ਼ਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸੰਖਿਆ ਵਿੱਚ ਆਵਾਜਾਈ ਲੈ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਸਾਡੇ ਕੋਲ ਨਿਰੀਖਣ ਸਮੇਂ ਦੀ ਅਸੀਮਿਤ ਮਾਤਰਾ ਹੁੰਦੀ, ਤਾਂ ਇਹ ਇੰਨਾ ਮਾਇਨੇ ਨਹੀਂ ਰੱਖਦਾ।
ਇੱਕ ਅਧਿਐਨ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ TRAPPIST-1e ਦੇ ਮਾਮਲੇ ਵਿੱਚ, ਇਹ ਅੰਕੜਾਤਮਕ ਤੌਰ ‘ਤੇ ਮਹੱਤਵਪੂਰਨ ਖੋਜਾਂ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ 200 ਟ੍ਰਾਂਜਿਟ ਤੱਕ ਲੈ ਸਕਦਾ ਹੈ। ਜੇਕਰ ਖੋਜ ਮੀਥੇਨ ਅਤੇ ਜਲ ਵਾਸ਼ਪ ਤੱਕ ਸੀਮਤ ਹੈ ਤਾਂ ਆਵਾਜਾਈ ਸੰਖਿਆ ਵਧੇਰੇ ਵਾਜਬ ਬਣ ਜਾਂਦੀ ਹੈ।
“ਅਧਿਐਨਾਂ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਆਵਾਜਾਈ ਦੀ ਇੱਕ ਵਾਜਬ ਸੰਖਿਆ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਇਹਨਾਂ ਵਾਯੂਮੰਡਲ ਸਪੀਸੀਜ਼ ਦੀ ਮੌਜੂਦਗੀ, ਜੋ ਆਮ ਤੌਰ ‘ਤੇ ਇੱਕ ਗਲੋਬਲ ਜੀਵ-ਮੰਡਲ ਨਾਲ ਜੁੜੀਆਂ ਹੁੰਦੀਆਂ ਹਨ, ਨੂੰ ਮੁੜ ਪ੍ਰਾਪਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ,” ਲੇਖਕ ਲਿਖਦੇ ਹਨ। ਬਦਕਿਸਮਤੀ ਨਾਲ, ਮੀਥੇਨ ਓਜ਼ੋਨ ਜਿੰਨਾ ਮਜਬੂਤ ਬਾਇਓਸਿਗਨੇਚਰ ਨਹੀਂ ਹੈ।
ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਸੰਭਾਵੀ ਬਾਇਓਮਾਰਕਰਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਸਮੇਂ ਨੂੰ ਦੇਖਦੇ ਹੋਏ, ਖੋਜਕਰਤਾਵਾਂ ਦਾ ਕਹਿਣਾ ਹੈ ਕਿ ਸਿਗਨਲ-ਟੂ-ਨੋਆਇਸ ਅਨੁਪਾਤ (SNR) ਸਰਵੇਖਣ ਕਰਨ ਲਈ JWST ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬਿਹਤਰ ਹੋ ਸਕਦਾ ਹੈ। “ਹਾਲਾਂਕਿ ਇਹ ਅੰਕੜਾਤਮਕ ਤੌਰ ‘ਤੇ ਮਹੱਤਵਪੂਰਨ ਪੁਨਰ ਪ੍ਰਾਪਤੀਆਂ ਦੀ ਇਜਾਜ਼ਤ ਨਹੀਂ ਦੇ ਸਕਦਾ ਹੈ, ਇਹ ਘੱਟੋ ਘੱਟ ਮੌਜੂਦਾ ਅਤੇ ਭਵਿੱਖ ਦੇ ਵਧੇਰੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਦੂਰਬੀਨਾਂ (ਜਿਵੇਂ ਕਿ, ELT, LUVOIR, HabEx, ਰੋਮਨ, ARIEL) ਦੇ ਨਾਲ ਦਿਲਚਸਪ ਟੀਚਿਆਂ ਦੇ ਭਵਿੱਖ ਦੇ ਫਾਲੋ-ਅੱਪ ਨਿਰੀਖਣਾਂ ਲਈ ਯੋਜਨਾਬੰਦੀ ਨੂੰ ਸਮਰੱਥ ਕਰੇਗਾ,” ਲੇਖਕ ਟੈਲੀਸਕੋਪਾਂ ਦੇ ਨਾਮ ਲਿਖੋ ਜੋ ਇਮਾਰਤ ਜਾਂ ਯੋਜਨਾ ਦੇ ਪੜਾਵਾਂ ਵਿੱਚ ਹਨ।
ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਇਸ ਸਮੱਸਿਆ ਦੇ ਹੱਲ ਲਈ ਇੱਕ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਟੂਲ ਤਿਆਰ ਕੀਤਾ ਹੈ। ਉਹ ਕਹਿੰਦੇ ਹਨ ਕਿ ਇਹ ਏਆਈ ਦੀ ਸ਼ਕਤੀ ਦਾ ਲਾਭ ਉਠਾ ਕੇ ਰਹਿਣਯੋਗ ਦੁਨੀਆ ਦੀ ਖੋਜ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ। ਉਹ ਲਿਖਦੇ ਹਨ, “ਇਸ ਕੰਮ ਵਿੱਚ, ਅਸੀਂ ਇੱਕ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਜਨਰਲ ਵਿਧੀ ਨੂੰ ਵਿਕਸਤ ਅਤੇ ਟੈਸਟ ਕੀਤਾ ਹੈ ਜਿਸਦਾ ਉਦੇਸ਼ ਬਾਇਓ-ਸਿਗਨੇਚਰ ਰੱਖਣ ਦੀ ਸੰਭਾਵਨਾ ਦੇ ਅਨੁਸਾਰ ਘੱਟ ਸਿਗਨਲ-ਟੂ-ਨੋਇਜ਼ ਅਨੁਪਾਤ ਦੇ ਨਾਲ ਟਰਾਂਸਮਿਸ਼ਨ ਸਪੈਕਟਰਾ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਹੈ,” ਉਹ ਲਿਖਦੇ ਹਨ।ਕਿਉਂਕਿ ਸਾਡੇ ਐਕਸੋਪਲੈਨੇਟ ਵਾਯੂਮੰਡਲ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ ਡੇਟਾ ਦਾ ਬਹੁਤਾ ਹਿੱਸਾ ਸ਼ੋਰ ਹੈ, ML ਟੂਲ ਇਸ ‘ਤੇ ਪ੍ਰਕਿਰਿਆ ਕਰਨ, ਇਹ ਪਤਾ ਲਗਾਉਣ ਲਈ ਕਿ ਇਹ ਕਿੰਨਾ ਰੌਲਾ ਹੈ, ਅਤੇ ਵਾਯੂਮੰਡਲ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਜਿਸ ਵਿੱਚ ਮੀਥੇਨ, ਓਜ਼ੋਨ, ਅਤੇ/ਜਾਂ ਪਾਣੀ ਹੋ ਸਕਦਾ ਹੈ ਜਾਂ ਫਾਲੋ-ਅੱਪ ਨਿਰੀਖਣਾਂ ਲਈ ਕਾਫ਼ੀ ਦਿਲਚਸਪ ਹੈ। .
ਟੀਮ ਨੇ ਮਸ਼ਹੂਰ TRAPPIST-1 e ਗ੍ਰਹਿ ਦੇ ਆਧਾਰ ‘ਤੇ 1 ਮਿਲੀਅਨ ਸਿੰਥੈਟਿਕ ਵਾਯੂਮੰਡਲ ਸਪੈਕਟਰਾ ਤਿਆਰ ਕੀਤਾ ਅਤੇ ਫਿਰ ਉਨ੍ਹਾਂ ‘ਤੇ ਆਪਣੇ ML ਮਾਡਲਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ। TRAPPIST-1e ਆਕਾਰ ਵਿੱਚ ਧਰਤੀ ਦੇ ਸਮਾਨ ਹੈ ਅਤੇ ਆਪਣੇ ਤਾਰੇ ਦੇ ਰਹਿਣਯੋਗ ਖੇਤਰ ਵਿੱਚ ਇੱਕ ਚਟਾਨੀ ਗ੍ਰਹਿ ਹੈ। ਪੇਪਰ ਵਿੱਚ ਕਿਹਾ ਗਿਆ ਹੈ, “ਟ੍ਰੈਪਿਸਟ-1 ਸਿਸਟਮ ਨੇ ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ, ਖਾਸ ਕਰਕੇ ਗ੍ਰਹਿ ਵਿਗਿਆਨ ਅਤੇ ਖਗੋਲ ਵਿਗਿਆਨ ਵਿੱਚ, ਇਸਦੀਆਂ ਬੇਮਿਸਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੇ ਕਾਰਨ ਮਹੱਤਵਪੂਰਨ ਵਿਗਿਆਨਕ ਧਿਆਨ ਖਿੱਚਿਆ ਹੈ,” ਪੇਪਰ ਵਿੱਚ ਕਿਹਾ ਗਿਆ ਹੈ।TRAPPIST-1 ਤਾਰਾ ਸਾਡੇ ਦੁਆਰਾ ਖੋਜੇ ਗਏ ਕਿਸੇ ਵੀ ਸਿਸਟਮ ਦੇ ਸਭ ਤੋਂ ਵੱਧ ਚੱਟਾਨ ਗ੍ਰਹਿਆਂ ਦੀ ਮੇਜ਼ਬਾਨੀ ਲਈ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ। ਖੋਜਕਰਤਾਵਾਂ ਲਈ, ਇਹ ਉਹਨਾਂ ਦੇ ML ਮਾਡਲਾਂ ਦੀ ਸਿਖਲਾਈ ਅਤੇ ਟੈਸਟ ਕਰਨ ਲਈ ਇੱਕ ਆਦਰਸ਼ ਉਮੀਦਵਾਰ ਹੈ ਕਿਉਂਕਿ ਖਗੋਲ ਵਿਗਿਆਨੀ ਵਾਜਬ ਸਮੇਂ ਵਿੱਚ ਅਨੁਕੂਲ SNR ਰੀਡਿੰਗ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ। TRAPPIST-1e ਗ੍ਰਹਿ ਦਾ ਧਰਤੀ ਵਾਂਗ ਸੰਕੁਚਿਤ ਵਾਯੂਮੰਡਲ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ ਮਾਡਲ ਸਫਲ ਸਨ ਅਤੇ ਸਹੀ SNR ਪੱਧਰਾਂ ਦੇ ਨਾਲ ਟਰਾਂਸਮਿਸ਼ਨ ਸਪੈਕਟਰਾ ਦੀ ਸਹੀ ਪਛਾਣ ਕੀਤੀ ਗਈ ਸੀ।
ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਆਧੁਨਿਕ ਧਰਤੀ ਦੇ ਯਥਾਰਥਵਾਦੀ ਸਿੰਥੈਟਿਕ ਵਾਯੂਮੰਡਲ ਸਪੈਕਟਰਾ ‘ਤੇ ਆਪਣੇ ਮਾਡਲਾਂ ਦੀ ਵੀ ਜਾਂਚ ਕੀਤੀ। ਉਹਨਾਂ ਦੇ ਸਿਸਟਮ ਨੇ ਸਫਲਤਾਪੂਰਵਕ ਸਿੰਥੈਟਿਕ ਵਾਯੂਮੰਡਲ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਿਸ ਵਿੱਚ ਪ੍ਰੋਟੀਰੋਜ਼ੋਇਕ ਧਰਤੀ ਦੇ ਸਮਾਨ ਅਨੁਪਾਤ ਵਿੱਚ ਮੀਥੇਨ ਅਤੇ/ਜਾਂ ਓਜ਼ੋਨ ਸ਼ਾਮਲ ਸਨ। ਪ੍ਰੋਟੀਰੋਜ਼ੋਇਕ ਦੇ ਦੌਰਾਨ, ਗ੍ਰੇਟ ਆਕਸੀਜਨੇਸ਼ਨ ਈਵੈਂਟ (GOE) ਦੇ ਕਾਰਨ ਵਾਯੂਮੰਡਲ ਵਿੱਚ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀਆਂ ਆਈਆਂ।
GOE ਨੇ ਸਭ ਕੁਝ ਬਦਲ ਦਿੱਤਾ. ਇਸ ਨੇ ਓਜ਼ੋਨ ਪਰਤ ਨੂੰ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ, ਗੁੰਝਲਦਾਰ ਜੀਵਨ ਦੇ ਵਧਣ-ਫੁੱਲਣ ਲਈ ਹਾਲਾਤ ਪੈਦਾ ਕੀਤੇ ਅਤੇ ਇੱਥੋਂ ਤੱਕ ਕਿ ਲੋਹੇ ਦੇ ਵਿਸ਼ਾਲ ਭੰਡਾਰਾਂ ਦੀ ਸਿਰਜਣਾ ਵੀ ਕੀਤੀ ਜੋ ਅੱਜ ਅਸੀਂ ਖੁਦ ਕਰਦੇ ਹਾਂ। ਜੇਕਰ ਦੂਜੇ ਐਕਸੋਪਲੈਨੇਟਸ ਨੇ ਪ੍ਰਕਾਸ਼-ਸੰਸ਼ਲੇਸ਼ਕ ਜੀਵਨ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਦਾ ਵਾਯੂਮੰਡਲ ਪ੍ਰੋਟੀਰੋਜ਼ੋਇਕ ਧਰਤੀ ਦੇ ਸਮਾਨ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਇਸਲਈ ਇਹ ਜੈਵਿਕ ਜੀਵਨ ਲਈ ਇੱਕ ਢੁਕਵਾਂ ਮਾਰਕਰ ਹੈ। (ਗੂੜ੍ਹੇ ਆਕਸੀਜਨ ਦੀ ਤਾਜ਼ਾ ਖੋਜ ਨੇ ਐਕਸੋਪਲੇਨੇਟ ਵਾਯੂਮੰਡਲ ਵਿੱਚ ਬਾਇਓਮਾਰਕਰ ਵਜੋਂ ਆਕਸੀਜਨ ਦੀ ਸਾਡੀ ਸਮਝ ਲਈ ਗੰਭੀਰ ਪ੍ਰਭਾਵ ਪਾਏ ਹਨ।)ਆਪਣੇ ਪੇਪਰ ਵਿੱਚ, ਲੇਖਕ ਆਕਸੀਜਨ ਜਾਂ ਓਜ਼ੋਨ ਦੀ ਖੋਜ ਨੂੰ ਐਕਸੋਪਲੈਨੇਟ ਸਪੈਕਟ੍ਰੋਸਕੋਪੀ ਦਸਤਖਤਾਂ ਦੇ “ਕ੍ਰਾਊਨ ਜਵੇਲ” ਵਜੋਂ ਵਰਣਨ ਕਰਦੇ ਹਨ। ਪਰ ਅਬਾਇਓਟਿਕ ਸਰੋਤ ਵੀ ਹਨ, ਅਤੇ ਆਕਸੀਜਨ ਜਾਂ ਓਜ਼ੋਨ ਬਾਇਓਟਿਕ ਹਨ ਜਾਂ ਨਹੀਂ ਇਹ ਇਸ ਗੱਲ ‘ਤੇ ਨਿਰਭਰ ਕਰ ਸਕਦਾ ਹੈ ਕਿ ਦਸਤਖਤ ਵਿੱਚ ਹੋਰ ਕੀ ਹੈ। ਉਹ ਲਿਖਦੇ ਹਨ , “ਬਾਇਓਟਿਕ ਅਤੇ ਐਬਾਇਓਟਿਕ ਓ 2 ਵਿੱਚ ਫਰਕ ਕਰਨ ਲਈ , ਕੋਈ ਖਾਸ ਸਪੈਕਟ੍ਰਲ ਫਿੰਗਰਪ੍ਰਿੰਟਸ ਦੀ ਖੋਜ ਕਰ ਸਕਦਾ ਹੈ।”
ਆਪਣੇ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ, ਉਹਨਾਂ ਨੂੰ ਇਹ ਜਾਣਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ ਕਿ ਕਿਹੜੇ ਐਕਸੋਪਲੈਨੇਟ ਵਾਯੂਮੰਡਲ ਦੀ ਸਹੀ ਪਛਾਣ ਕੀਤੀ ਗਈ ਹੈ (ਸੱਚ) ਅਤੇ ਕਿਹੜੇ ਐਕਸੋਪਲੈਨੇਟ ਵਾਯੂਮੰਡਲ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਪਛਾਣਿਆ ਗਿਆ ਹੈ (ਗਲਤ।)
ਨਤੀਜਿਆਂ ਨੂੰ ਜਾਂ ਤਾਂ ਸਹੀ ਸਕਾਰਾਤਮਕ (TP) ਜਾਂ ਸੱਚਾ ਨਕਾਰਾਤਮਕ (TN), ਜੋ ਕਿ ਸ਼ੁੱਧਤਾ ਨਾਲ ਸਬੰਧਤ ਹਨ, ਜਾਂ ਗਲਤ ਸਕਾਰਾਤਮਕ (FP) ਜਾਂ ਗਲਤ ਨਕਾਰਾਤਮਕ (FN) ਦੇ ਰੂਪ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤੇ ਜਾਣ ਦੀ ਜ਼ਰੂਰਤ ਹੈ, ਜੋ ਕਿ ਗਲਤੀਆਂ ਹਨ। ਆਪਣੇ ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ ਲਈ ਉਹਨਾਂ ਨੇ ਇੱਕ ਵਰਗੀਕਰਨ ਪ੍ਰਣਾਲੀ ਬਣਾਈ ਜਿਸ ਨੂੰ ਉਹ ਇੱਕ ਉਲਝਣ ਮੈਟ੍ਰਿਕਸ ਕਹਿੰਦੇ ਹਨ।
“ਡਾਇਗਰਾਮ ਵਿੱਚ, ਅਸੀਂ ਗ੍ਰਹਿਆਂ ਨੂੰ ਵੱਖ ਕਰਨ ਲਈ ਦਿਲਚਸਪ ਸ਼੍ਰੇਣੀ ਪੇਸ਼ ਕਰਦੇ ਹਾਂ ਜੋ ਫਾਲੋ-ਅੱਪ ਨਿਰੀਖਣ ਜਾਂ ਡੂੰਘਾਈ ਨਾਲ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਹੱਕਦਾਰ ਹਨ,” ਲੇਖਕ ਸਮਝਾਉਂਦੇ ਹਨ। “ਸਾਨੂੰ ਦੁਬਾਰਾ ਯਾਦ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਇਹ ਇਸ ਕੰਮ ਦਾ ਫੋਕਸ ਹੈ: ਸਾਡਾ ਉਦੇਸ਼ ML ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਬਾਇਓਸਿਗਨੇਚਰ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਨਹੀਂ ਹੈ ਪਰ ਗ੍ਰਹਿਆਂ ਨੂੰ ਲੇਬਲਿੰਗ ਕਰਨਾ ਹੈ ਜੋ ਦਿਲਚਸਪ ਹਨ ਜਾਂ ਨਹੀਂ।”ਮਾਡਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਪ੍ਰੋਟੀਰੋਜ਼ੋਇਕ ਅਰਥ ਸਪੈਕਟ੍ਰਾ ਵਿੱਚ ਸੰਭਾਵਿਤ ਬਾਇਓਸਿਗਨੇਚਰ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਸਫਲ ਰਿਹਾ ਸੀ ਕੇਵਲ ਇੱਕ ਹੀ ਆਵਾਜਾਈ ਤੋਂ ਬਾਅਦ। ਆਪਣੇ ਟੈਸਟਿੰਗ ਦੇ ਆਧਾਰ ‘ਤੇ, ਉਹ ਦੱਸਦੇ ਹਨ ਕਿ JWST ਸਫਲਤਾਪੂਰਵਕ ਜ਼ਿਆਦਾਤਰ “ਵੱਸਦੇ ਭੂਮੀ ਗ੍ਰਹਿ JWST/NIRSpec PRISM ਨਾਲ ਦੇਖੇ ਗਏ M-dwarfs ਦੇ ਆਲੇ-ਦੁਆਲੇ TRAPPIST-1 e ਤੋਂ ਸਮਾਨ ਜਾਂ ਛੋਟੀਆਂ ਦੂਰੀਆਂ ‘ਤੇ ਸਥਿਤ ਹੈ।” ਜੇ ਉਹ ਮੌਜੂਦ ਹਨ, ਤਾਂ ਇਹ ਹੈ.
ਇਹ ਨਤੀਜੇ JWST ਦੇ ਭਵਿੱਖ ਦੇ ਯਤਨਾਂ ਨੂੰ ਸੁਧਾਰ ਸਕਦੇ ਹਨ। ਖੋਜਕਰਤਾ ਲਿਖਦੇ ਹਨ ਕਿ “ਇੱਥੇ ਪੇਸ਼ ਕੀਤੀਆਂ ਗਈਆਂ ਮਸ਼ੀਨਾਂ ਦੀ ਸਹਾਇਤਾ ਵਾਲੀਆਂ ਰਣਨੀਤੀਆਂ ਬਾਇਓਸਿਗਨੇਚਰ ਖੋਜ ਲਈ JWST ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਅਨੁਕੂਲਿਤ ਕਰ ਸਕਦੀਆਂ ਹਨ।”ਉਹ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸੁਚਾਰੂ ਬਣਾ ਸਕਦੇ ਹਨ ਅਤੇ ਸੰਭਾਵਨਾਵਾਂ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰ ਸਕਦੇ ਹਨ ਕਿ ਫਾਲੋ-ਅੱਪ ਨਿਰੀਖਣ ਹੋਨਹਾਰ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਲੱਭ ਸਕਦੇ ਹਨ। ਟੈਲੀਸਕੋਪ ਪਹਿਲਾਂ ਹੀ ਆਪਣੇ ਸਾਢੇ ਪੰਜ ਸਾਲ ਦੇ ਪ੍ਰਾਇਮਰੀ ਮਿਸ਼ਨ ਵਿੱਚ ਦੋ ਸਾਲ ਅਤੇ ਸੱਤ ਮਹੀਨੇ ਹੈ। (ਹਾਲਾਂਕਿ ਦੂਰਬੀਨ ਕੁੱਲ ਮਿਲਾ ਕੇ 20 ਸਾਲਾਂ ਤੱਕ ਰਹਿ ਸਕਦੀ ਹੈ।) ਕੋਈ ਵੀ ਚੀਜ਼ ਜੋ ਸਪੇਸ ਟੈਲੀਸਕੋਪ ਦੇ ਕੀਮਤੀ ਨਿਰੀਖਣ ਸਮੇਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾ ਸਕਦੀ ਹੈ, ਇੱਕ ਜਿੱਤ ਹੈ।
ਕੁੱਲ ਮਿਲਾ ਕੇ, ਅਧਿਐਨ ਇੱਕ ਮਸ਼ੀਨ-ਲਰਨਿੰਗ ਮਾਡਲ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜੋ ਸਮਾਂ ਅਤੇ ਸਰੋਤ ਬਚਾ ਸਕਦਾ ਹੈ। ਇਹ ਸੰਭਾਵੀ ਤੌਰ ‘ਤੇ ਰਹਿਣ ਯੋਗ ਐਕਸੋਪਲੈਨੇਟਸ ਦੇ ਵਾਯੂਮੰਡਲ ਦੇ ਸਪੈਕਟ੍ਰਾ ਵਿੱਚੋਂ ਤੇਜ਼ੀ ਨਾਲ ਛਾਲ ਮਾਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਇਹ ਨਹੀਂ ਪਛਾਣਦਾ ਹੈ ਕਿ ਕਿਸ ਵਿੱਚ ਬਾਇਓਮਾਰਕਰ ਹਨ, ਇਹ ਵਾਯੂਮੰਡਲ ਦੀ ਕਿਸਮ ਦੇ ਆਧਾਰ ‘ਤੇ ਸਿਰਫ 1 ਤੋਂ 5 ਟ੍ਰਾਂਜਿਟ ਦੇ ਬਾਅਦ ਫਾਲੋ-ਅੱਪ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਉਮੀਦਵਾਰਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦਾ ਹੈ। ਕੁਝ ਕਿਸਮਾਂ ਨੂੰ ਵਧੇਰੇ ਆਵਾਜਾਈ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਪਰ ਮਾਡਲ ਅਜੇ ਵੀ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ।
ਉਹ ਲਿਖਦੇ ਹਨ, “ਕਿਸੇ ਗ੍ਰਹਿ ਨੂੰ ਦਿਲਚਸਪ ਵਜੋਂ ਪਛਾਣਨਾ ਸਿਰਫ ਕੀਮਤੀ ਸਰੋਤਾਂ ਜਿਵੇਂ ਕਿ ਜੇਡਬਲਯੂਐਸਟੀ ਦੇ ਨਿਰੀਖਣ ਦੇ ਸਮੇਂ ਨੂੰ ਵਧੇਰੇ ਕੁਸ਼ਲ ਬਣਾਏਗਾ, ਜੋ ਕਿ ਆਧੁਨਿਕ ਖਗੋਲ ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਟੀਚਾ ਹੈ,” ਉਹ ਲਿਖਦੇ ਹਨ।