🔭 astrophysics

16 new quasars at the end of the reionization unveiled by self-supervised learning

من خلال تطبيق التعلم التبايني ذاتي الإشراف وملاءمة توزيع الطاقة الطيفية على صور مسح ديزي ليجاسي (DESI Legacy Survey)، تمكن الباحثون من التغلب على تحدي التلوث الأمامي لتحديد وتأكيد 16 كوازارًا جديدًا عالي الإنزياح نحو الأحمر ( $z=5.94$ –6.45) طيفيًا، بما في ذلك ثلاثة كوازارات فاتتها الطرق التقليدية، مما يثبت إطار عمل قابل للتوسع للكشف عن مصادر نادرة في الكون المبكر.

المؤلفون الأصليون: L. N. Martínez-Ramírez, Julien Wolf, Silvia Belladitta, Eduardo Bañados, F. E. Bauer, Raphael E. Hviding, Daniel Stern, Chiara Mazzucchelli, Romain A. Meyer, Ezequiel Treister, Federica Loiacono

نُشر 2026-03-11

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: L. N. Martínez-Ramírez, Julien Wolf, Silvia Belladitta, Eduardo Bañados, F. E. Bauer, Raphael E. Hviding, Daniel Stern, Chiara Mazzucchelli, Romain A. Meyer, Ezequiel Treister, Federica Loiacono

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: البحث عن إبر في كومة قش كونية

تخيل الكون المبكر (قبل حوالي مليار سنة من الانفجار العظيم) كمحيط شاسع ومظلم. منتشر في هذا المحيط هي الـكوازارات (Quasars). هذه الكوازارات هي بمثابة "منارات" الكون؛ وهي ثقوب سوداء فائقة الكتلة تلتهم الغاز بنهم شديد لدرجة أنها تضيء بشكل يفوق مجرات بأكملها.

يسعى علماء الفلك للعثور على هذه المنارات لفهم كيفية نمو هذه الثقوب السوداء لتصبح ضخمة بهذا الشكل وبهذه السرعة. ولكن هناك مشكلة هائلة: كومة القش.

السماء مليئة بالمليارات من النجوم. ومن بينها نوع محدد من النجوم الباردة والخافتة يسمى القزم فائق البرودة (Ultracool Dwarf). هذه الأقزام تشبه "المحتلين الكونيين"؛ فهي حمراء وخافتة، وتبدو تماماً مثل الكوازارات القديمة والبعيدة التي نحاول العثور عليها. في الواقع، مقابل كل كوازار حقيقي، يوجد ما بين 2,000 إلى 10,000 من هذه النجوم القزمة المنتحلة للشخصية.

تقليدياً، حاول علماء الفلك العثور على الكوازارات باستخدام "مرشح لوني". كانوا يبحثون عن الأجرام التي تبدو حمراء جداً بطرق معينة. لكن هذا المرشح كان صارماً للغاية. كان الأمر يشبه البحث عن إبرة في كومة قش وأنت ترتدي نظارات شمسية لا تسمح لك إلا برؤية الإبر الحمراء المثالية. إذا كانت الإبرة مائلة للبرتقالي قليلاً أو ذات شكل غريب، فإنك ستفقدها.

النهج الجديد: تعليم الكمبيوتر كيف "يرى"

في هذه الورقة البحثية، قرر الفريق (بقيادة ل. ن. مارتينيز راميريز) التوقف عن استخدام قواعد "المرشح اللوني" القديمة. بدلاً من ذلك، قاموا بتعليم الكمبيوتر باستخدام التعلم الذاتي الخاضع للإشراف (Self-Supervised Learning).

التشبيه: لعبة "أوجد الاختلاف"
تخيل أن لديك صندوقاً ضخماً من الصور. معظمها لأشجار، لكن القليل منها لسيارات.

الطريقة القديمة (التعلم الخاضع للإشراف - Supervised Learning): تعرض على الكمبيوتر 1,000 صورة لسيارات وتقول له: "هذه سيارة". ثم تعرض عليه 1,000 صورة لأشجار وتقول له: "هذه شجرة". يتعلم الكمبيوتر تمييز السيارات بناءً فقط على ما أخبرته به. إذا بدت سيارة غريبة (مثل شاحنة حمراء)، فقد يخطئ الكمبيوتر في التعرف عليها لأنه لم يراها في صور التدريب.
الطريقة الجديدة (التعلم الذاتي الخاضع للإشراف - Self-Supervised Learning): لا تخبر الكمبيوتر ما هي السيارة. بدلاً من ذلك، تعرض عليه الملايين من الصور وتقول له: "إليك صورتين. هل هما لنفس الشيء أم لشيئين مختلفين؟". هنا يجب على الكمبيوتر اكتشاف الأنماط بنفسه. سيتعلم أن "السيارات" لها عجلات و"الأشجار" لها أغصان، حتى لو لم يرَ شاحنة حمراء من قبل.

استخدم الفريق هذه الطريقة على صور من مسح ديزي الموروث (DESI Legacy Survey) (وهو خريطة واسعة للسماء). لقد غدوا الكمبيوتر بملايين الصور لـ "المفقودات" (الأجرام التي تختفي في الضوء الأزرق وتظهر في الضوء الأحمر). تعلم الكمبيوتر تجميع الأجرام المتشابهة معاً دون إخباره أي منها هو كوازار.

النتائج: 16 منارة جديدة

أنشأ الكمبيوتر "خريطة" لهذه الأجرام. وعلى هذه الخريطة، تجمعت الكوازارات الحقيقية بشكل طبيعي في حيّ معين، منفصلة عن النجوم المنتحلة للشخصية.

بعد ذلك، اختار الفريق أفضل المرشحين من هذه الخريطة ووجهوا تلسكوبات ضخمة نحوهم لالتقاط "بصمة طيفية" (طيف ملون مفصل للضوء).

معدل النجاح: فحصوا 40 مرشحاً. كان 16 منها كوازارات حقيقية. وهذا يمثل معدل نجاح قدره 45%، وهو مرتفع للغاية لهذا النوع من عمليات البحث (عادةً، قد تحصل على 10-20% فقط).
المفاجأة: كانت جميع الكوازارات الـ 16 ساطعة نسبياً وتمتلك بعض السمات الفريدة والغريبة:
- بعضها كان له حزم ضوئية "ضيقة" (مثل مؤشر الليزر بدلاً من كشاف الضوء).
- بعضها كان له بصمات كيميائية قوية جداً عادة ما يتم استبعادها.
- والأهم من ذلك: ثلاثة من هذه الكوازارات الـ 16 كانت ستُفقد تماماً بواسطة طرق المرشحات اللونية القديمة. لقد كانت هي "الشاحنات الحمراء" التي كانت النظارات الشمسية القديمة ستتجاهلها.

لماذا هذا الأمر مهم؟

كسر التحيز: كانت الطرق القديمة منحازة للكوازارات ذات المظهر "الطبيعي". أما هذه الطريقة الجديدة فقد وجدت الكوازارات "الغريبة"، مما يعطينا صورة أكثر اكتمالاً للكون المبكر.
القابلية للتوسع: هذه الطريقة تشبه محرك بحث فائق الكفاءة. يمكنها التعامل مع الكميات الهائلة من البيانات القادمة من التلسكوبات المستقبلية (مثل مرصد روبين أو قمر إقليدس الصناعي) بشكل أفضل بكثير من القواعد التي يصممها البشر.
نمو الثقوب السوداء: العثور على هذه الكوازارات الساطعة والمبكرة يساعد العلماء على فهم كيفية نمو الثقوب السوداء لتصبح بكتلة تبلغ مليارات المرات كتلة شمسنا في وقت قصير جداً.

الخلاصة

لم يجد علماء الفلك 16 كوازاراً جديداً فحسب؛ بل وجدوا طريقة أفضل للنظر. من خلال ترك الكمبيوتر يتعلم أنماط الكون بنفسه، بدلاً من إجباره على اتباع قواعد بشرية جامدة، كشفوا عن مجموعة مخفية من المنارات الكونية التي كانت غير مرئية سابقاً. إنه تذكير بأنه في بعض الأحيان، لكي تجد أندر الأشياء في الكون، عليك أن تتوقف عن البحث عما تتوقع العثور عليه، وتبدأ في البحث عما تظهره البيانات فعلياً.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "16 كوازارًا جديدًا عند نهاية عصر إعادة التأين كشفت عنها التعلم الخاضع للإشراف الذاتي".

1. بيان المشكلة

يعد اكتشاف الكوازارات المضيئة عند انزياح أحمر $z > 6$ أمرًا بالغ الأهمية لفهم نمو الثقوب السوداء فائقة الكتلة (SMBHs) وحالة الوسط بين المجري (IGM) خلال عصر إعادة التأين الكوني. ومع ذلك، فإن تحديد هذه الأجرام يمثل تحديًا استثنائيًا بسبب:

الندرة الشديدة: تنخفض كثافة عدد الكوازارات عند $z > 6$ بشكل أسي، حيث يوجد أقل من واحد لكل جيجا بارسيك (Gpc $^3$ ) مجري عند $z \sim 6$ .
التلوث الهائل: تفوق أعداد الأقزام شديدة البرودة في المقدمة (UCDs؛ أقزام من النوع M وL وT) أعداد الكوازارات عالية الانزياح الأحمر بمقدار 2 إلى 4 مراتب عشرية. وتُحاكي أطيافها الحمراء بصمة "الانسحاب" (عدم الكشف في المرشحات الزرقاء بسبب امتصاص ليمان-ألفا) المستخدمة لاختيار الكوازارات ذات الانزياح الأحمر العالي.
تحيزات الاختيار: تعتمد طرق الاختيار التقليدية على قطع لونية صارمة (مثل $i-z$ و $z-J$ ) لتقليل التلوث. هذا النهج يستبعد بشكل منهجي الجمهرات النادرة، مثل الكوازارات الحمراء، والأنوية المجريّة النشطة (AGN) المحجوبة، أو الأجرام ذات خصائص خطوط الانبعاث غير العادية، مما يؤدي إلى إحصاء غير مكتمل للكون المبكر.
محدودية التعلم الآلي الخاضع للإشراف: تعتمد مناهج التعلم الآلي الحالية غالبًا على التدريب الخاضع للإشراف باستخدام فهارس مصنفة، والتي ترث التحيزات الموجودة في بيانات التدريب وتواجه صعوبة في التعامل مع الجمهرات النادرة وغير الممثلة تمثيلاً كافيًا.

2. المنهجية

طوّر المؤلفون إطار عمل مبتكرًا يعتمد على التعلم الذاتي (Self-supervised framework) يجمع بين التعلم التبايني (Contrastive Learning - CL) وملاءمة طيف الطاقة (SED fitting) للتغلب على هذه القيود.

أ. مصدر البيانات والاختيار المسبق

المسح: بيانات الإصدار العاشر من مسح DESI (LS DR10)، الذي يغطي أكثر من 20,000 درجة مربعة من التصوير الضوئي العميق ( $g, r, i, z$ ).
الاختيار المسبق: بدلاً من القطوع اللونية الصارمة، طبقوا قيودًا مورفولوجية وضوئية فضفاضة لاختيار مرشحي "انسحاب $i$ $i$ " ( $z > 5.5$ $z > 5.5$ ).
- تطلب الكشف في نطاق $z$ وعدم الكشف في نطاقات $g/r$ .
- تطلب المطابقة المتقاطعة مع مسوحات الأشعة تحت الحمراء القريبة (VHS, UKIDSS, UHS) لتمكين ملاءمة طيف الطاقة (SED).
- طبقوا معايير التراص لإزالة المجرات الممتدة والشوائب، مما نتج عنه عينة أولية مكونة من 165,253 مرشحًا.

ب. التعلم التبايني الخاضع للإشراف الذاتي (CL)

المدخلات: قصاصات (cutouts) بمقاس $10'' \times 10''$ من نطاقات $g, r, i, z$ (38 $\times$ 38 بكسل).
البنية: نموذج SimCLR معدل (إطار عمل بسيط للتعلم التبايني للتمثيلات البصرية).
- المشفر (Encoder): أربع طبقات من الشبكات العصبية الالتفافية (CNN) تقلل الأبعاد المكانية إلى متجه ميزات بطول 128.
- رأس الإسقاط (Projection Head): شبكة متعددة الطبقات (MLP) تحول المتجهات إلى فضاء كامن ذي 10 أبعاد.
- التدريب: يتعلم النموذج من خلال التباين بين النسخ المعززة لنفس المصدر (الأزواج الموجبة) مقابل مصادر مختلفة (الأزواج السالبة) دون الحاجة إلى تسميات (labels). شملت عمليات التعزيز (Augmentations) عمليات القلب والدوران.
تحليل الفضاء الكامن: تم تقليل التمثيلات ذات الـ 128 بُعدًا إلى بُعدين باستخدام تقنية UMAP (تقريب تقريب المانيفولد الموحد). وقد كشف ذلك عن عناقيد متميزة:
- الجزيرة اليمنى: يهيمن عليها النجوم والأقزام من نوع M وL.
  \ \ \ * الجزيرة اليسرى: تضم الأقزام من نوع T والكوازارات عالية الانزياح الأحمر.
- النتيجة الرئيسية: نجح نموذج CL في فصل الكوازارات عن الملوثات بناءً على ميزات مورفولوجية وطيفية دقيقة موجودة في الصور الضوئية، حتى بدون مدخلات الأشعة تحت الحمراء القريبة الصريحة.

ج. تحديد أولويات المرشحين عبر ملاءمة طيف الطاقة (SED Fitting)

لتحسين وقت استخدام التلسكوب، قام المؤلفون بتحديد أولويات المرشحين باستخدام ملاءمة طيف الطاقة (عبر eazy-py):

النماذج (Templates): تمت مقارنة المرشحين بنماذج الكوازارات/الأنوية المجريّة النشطة ونماذج الملوثات (الأقزام البنية، النجوم، المجرات).
المقياس: استخدموا نسبة قيم $\chi^2$ (أي $\chi^2_{BD} / \chi^2_{QSO}$ ) للتمييز بين الكوازارات والأقزام البنية.
الاختيار: اختاروا المرشحين الذين لديهم احتمالية كوازار عالية ( $\chi^2_{BD} / \chi^2_{QSO} > 1$ )، وانزياح أحمر فوتومتري $z_{ml} > 5.5$ ، وتوزيعات ضيقة للانزياح الأحمر.
العينة النهائية: قلصوا القائمة إلى 1,139 مرشحًا عالي الأولوية للمتابعة الطيفية.

3. المساهمات الرئيسية

منهجية مبتكرة: أول تطبيق للتعلم التبايني الخاضع للإشراف الذاتي على التصوير الضوئي لاكتشاف الكوازارات عالية الانزياح الأحمر، مما يثبت قدرته على تعلم تمثيلات تتفوق على الاختيار القائم على الألوان التقليدي دون الحاجة لبيانات تدريب مصنفة.
تقليل التحيز: نجحت الطريقة في استعادة الكوازارات ذات الخصائص التي تستبعدها القطوع التقليدية، مثل المنحدرات الحمراء في الأشعة تحت الحمراء القريبة ( $z-J > 0.4$ ) وخطوط انبعاث ليمان-ألفا الضيقة.
القابلية للتوسع: تم تصميم الإطار ليكون قابلًا للتوسع في المسوحات الضخمة المستقبلية (Rubin/LSST, Euclid, Roman).

4. النتائج

التأكيد الطيفي: رصد الفريق 40 مرشحًا وأكد وجود 16 كوازارًا جديدًا عند $z = 5.94 - 6.45$ $z = 5.94 - 6.45$ .
- معدل النجاح: 45% (16 مؤكدًا من أصل 40 مرصودًا).
- الملوثات: تم تحديد 22 منها كأقزام شديدة البرودة أو ملوثات أخرى.
- التداخل مع الأدبيات: 3 من الأجرام المؤكدة كانت معروفة سابقًا وتم إعادة تحديدها؛ 1 تم تأكيده بواسطة DESI DR1؛ و12 كانت اكتشافات جديدة تمامًا.
الخصائص الفيزيائية:
- السطوع: جميع الكوازارات الـ 16 ساطعة نسبيًا ( $M_{1450} < -25.5$ ).
- خطوط الانبعاث:
  - ليمان-ألفا ضيق: تظهر أربعة كوازارات خطوط ليمان-ألفا ضيقة (FWHM $\lesssim 2600$ km s $^{-1}$ )، وهي ميزة غالبًا ما يتم تفويتها بواسطة عمليات الاختيار القياسية.
  - عرض مكافئ عالٍ: يُظهر حوالي 44% من العينة انبعاثات معززة لـ (Ly $\alpha$ + N V + Si II) (EW $> 100$ Å)، وهي أعلى بكثير من التوزيع اللوغاريتمي الطبيعي للكوازارات المعروفة.
  - المتصل الأحمر: تُظهر عدة أجرام متصلاً أحمرًا خفيفًا في الأشعة تحت الحمراء القريبة ( $z-J > 0.4$ )، مما يشير إلى أنها محجوبة بالغبار أو ذات أطياف لينة جوهريًا.
- التي فاتتها الطرق التقليدية: ثلاثة من الكوازارات الـ 16 كانت ستفقدها عمليات الاختيار التقليدية القائمة على الألوان (مثل معايير DES أو PS1 أو SDSS) بسبب مواقع ألوانها الخاصة أو نقص التغطية في نطاقات معينة.

5. الأهمية

الكشف عن الجمهرات المخفية: يثبت هذا العمل أن التعلم الخاضع للإشراف الذاتي يمكنه الكشف عن جمهرات الكوازارات النادرة وغير النمطية التي يتم استبعادها بشكل منهجي بواسطة معايير الاختيار المصممة بشريًا والتحفظية.
الكفاءة: حقق الجمع بين التعلم التبايني (CL) وتحديد الأولوية عبر ملاءمة طيف الطاقة (SED) معدل نجاح مرتفعًا (45%) مع قائمة مرشحين يمكن إدارتها، مما يوفر مسارًا قويًا للمسوحات واسعة النال في المستقبل.
الآثار الكونية: من خلال توسيع إحصاء الكوازارات عالية الانزياح الأحمر لتشمل الخطوط الضيقة والمتصلات الحمراء، توفر هذه الطريقة قيودًا أفضل على سيناريوهات نمو الثقوب السوداء فائقة الكتلة، مما قد يكشف عن معدلات نمو أسرع أو آليات بذر مختلفة في أول مليار سنة من عمر الكون.
الآفاق المستقبلية: هذا النهج قابل للتطبيق مباشرة على المسوحات القادمة مثل Rubin/LSST، وEuclid، وRoman، مما يعد بدفع حدود الانزياح الأحمر وتدقيق فهمنا لعصر إعادة التأين.