تقدم هذه الورقة نموذج التعلم العميق MORDEN، المدعوم بمجموعة بيانات MHAS المشروحة حديثاً وتقنيات ما بعد المعالجة مثل DenseCRF وDBSCAN، لتوليد مجموعة بيانات AHAS عالية الجودة وتحقيق أداء رائد في الكشف الآلي عن الخيوط الشمسية.
المؤلفون الأصليون:J. R. Hu, Q. Hao, Z. Zheng, P. F. Chen, C. Li, Y. Meng
تخيل الشمس ليس ككرة ساكنة من الغاز المشتعل، بل ككيان حي يتنفس وله شخصية متقلبة المزاج. فهي تلقي بنوبات غضب مستمرة، وتطلق سحباً هائلة من الجسيمات المشحونة في الفضاء يمكنها أن تشوش على أقمارنا الصناعية وتعطل شبكات الطاقة على الأرض. وللتنبؤ بعواصف الطقس الفضائي هذه، يحتاج العلماء إلى مراقبة "خواتم المزاج" الخاصة بالشمس عن كثب. وأحد أهم مؤشرات المزاج هو الخيط الشمسي (solar filament): وهو شريط ضخم وملتف من البلازما الباردة والكثيفة يطفو في الغلاف الجوي شديد الحرارة للشمس. فكر في هذه الخيوط كأنها أنهار داكنة ومتعرجة على خريطة برتقالية متوهجة. فعندما تنقطع هذه الأنهار فجأة أو تثور، فإنها غالباً ما تطلق شرارة أحداث الطقس الفضائي الخطيرة التي نريد تجنبها.
لعقود من الزمن، حاول علماء الفلك رسم خرائط لهذه الأنهار تلقائياً باستخدام الحواسيب. الأمر يشبه محاولة العثود على خيوط داكنة محددة في نسيج متوهج ومتحرك. تكمن المشكلة في أن هذه الخيوط تأتي بأحجام مختلفة؛ فبعضها صغير ومراوغ، بينما يمتد بعضها الآخر عبر مسافات شاسعة، كما أنها تبدو مختلفة اعتماداً على حالة الطقس والتلسكوب المستخدم. كانت الطرق الحاسوبية القديمة تشبه محاولة البحث عن إبرة في كومة قش باستخدام مصباح يدوي يعمل بلون واحد فقط؛ فقد كانت تفوت الخيوط الصغيرة أو ترتبك بسبب الخلفية الساطعة. مؤخراً، بدأ العلماء في استخدام "التعلم العميق"، وهو نوع من الذكاء الاصطناعي الذي يتعلم من خلال النظر إلى آلاف الأمثلة، تماماً مثل طالب يذاكر لاختبار ما. ومع ذلك، حتى هؤلاء الطلاب الأذكياء من الذكاء الاصطناعي يحتاجون إلى كتاب مدرسي ضخم ومثالي ليتعلموا منه، وحتى الآن، كان هذا الكتاب مفقوداً.
هنا يأتي دور البحث الجديد. فقد قام المؤلفون، وهم فريق من جامعة نانجينغ، ببناء "طالب ذكي" جديد يسمى MORDEN (الموجه متعدد المقاييس - Multiscale ORiented DENdritic) المصمم خصيصاً لرصد هذه الأنهار الشمسية. لقد أدركوا أن نماذج الذكاء الاصطناعي السابقة كانت تشبه الطلاب الذين يدرسون الصورة الكبيرة فقط ويفقدون التفاصيل الصغيرة، أو العكس. لكن MORDEN مختلف؛ فهو مصمم للنظر إلى الشمس من خلال عدة "عدسات" في آن واحد، مما يسمح له برؤية كل من المنحنيات الضخمة والواسعة للخيوط والحواف المتعرجة الصغيرة التي تشكلها. ولتعليم هذا النموذج الجديد، لم يعتمد الفريق فقط على البيانات الموجودة؛ بل قاموا أولاً بإنشاء "اختبار تجريبي" صغير وعالي الجودة عن طريق رسم الخيوط يدوياً على بعض الصور. ثم استخدموا ذكاءهم الاصطناعي الجديد لمسح آلاف الصور الجديدة، مع تحسين النتائج باستخدام أداة "ممحاة وقلم" رقمية تسمى DenseCRF لجعل الحواف حادة للغاية. سمحت هذه العملية ببناء مكتبة ضخمة وعالية الجودة من الخيوط الشمسية تسمى AHAS، وهي أكبر بكثير وأكثر تفصيلاً من أي شيء كان متاحاً من قبل.
تظهر النتائج أن سير العمل الجديد هذا يمثل خطوة كبيرة للأمام. فعند اختباره، وجد نموذج MORDEN الخيوما بدقة أكبر من العديد من نماذج الذكاء الاصطناعي الموجودة، خاصة عند التعامل مع التوزيع الصعب "طويل الذيل" حيث تكون بعض الخيوط ضخمة والبعض الآخر صغيراً جداً. كما أثبت الفريق أن "ممحاتهم الرقمية" (DenseCRF) كانت ممتازة في تنظيف الحواف الضبابية، مما جعل خرائط هذه الأنهار الشمسية أكثر دقة. حتى أنهم اختبروا مدى فعالية نظامهم على بيانات من تلسكوبات مختلفة ووجدوا أنه يمكنه التعامل مع الصور الضبابية أو منخفضة الجودة دون ارتباك. ومع ذلك، يلاحظ المؤلفون بحذر أنه بينما يتفوق نظامهم في إيجاد شكل الخيوط، فإن ربط القطع المكسورة لخيط واحد لتكوين نهر كامل لا يزال يعتمد على التخمين، لأن صورة ثنائية الأبعاد واحدة لا يمكنها إظهار الهيكل ثلاثي الأبعاد الكامل. ويقترحون أنه بينما تعد طريقتهم أساساً قوياً، فإن الحل النهائي قد يتطلب نماذج ذكاء اصطناعي أكثر تقدماً يتم تدريبها على مجموعة بياناتهم الضخمة الجديدة.
باختصار، لا يقدم هذا البحث مجرد أداة جديدة، بل يقدم طريقة جديدة لبناء الأدوات. فمن خلال الجمع بين بنية ذكاء اصطناعي أكثر ذكاءً وطريقة مبتكرة لإنشاء بيانات تدريب عالية الجودة، قدم الفريق سير عمل قوياً يمكنه التعامل مع الواقع الفوضوي للملاحظات الشمسية. إنهم لم يحلوا كل أسرار الخيوط الشمسية، لكنهم صنعوا خريطة أفضل وبوصلة أكثر حدة لأي شخص يحاول التنقل في الغلاف الجوي المضطرب للشمس.
ملخص تقني: شبكة عصبية تلافيفية حديثة للكشف عن الخيوط الشمسية
بيان المشكلة يواجه الكشف الآلي عن الخيوط الشمسية تحديين رئيسيين. أولاً، يعد التقسيم الدلالي للخيوط مهمة استخراج ميزات متعددة المقاييس تتميز بتوزيع ذي ذيل طويل (long-tail distribution)، حيث تتباين أحجام الخيوط بشكل كبير (من خيوط المناطق النشطة < 104 كم إلى الخيووهات الهادئة ~105 كم) وتشغل أقل من 10% من القرص الشمسي. ثانياً، هناك نقص حاد في مجموعات البيانات الضخمة، والمكتملة للغاية، والتفصيلية التي تتطلبها نماذج التعلم العميق القوية. تعتمد الطرق الحالية غالباً على معالجة الصور التقليدية ذات العتبات الثابتة (التي تفتقر إلى المتانة تجاه ظروف الرصد المتغيرة) أو سير عمل التعلم العميق الذي يعاني من صعوبة في دمج الأجزاء بسبب الغموض الدلالي لصور Hα المنفردة. علاوة على ذلك، فإن التوسيم اليدوي يستهلك موارد كبيرة وغالباً ما يستبعد الخيوط الصغيرة أو منخفضة التباين، بينما قد تخفق عمليات التصحيح الآلي للطرق التقليدية في رصد البنى الدقيقة.
المنهجية يقترح المؤلفون سير عمل شاملاً يتكون من نموذج تقسيم دلالي مبتكر، وتقنيات معالجة لاحقة، وسلسلة توليد بيانات.
نموذج MORDEN (المتعدد المقاييس، الموجه، والمتشعب - Multiscale ORiented DENdritic): يمثل MORDEN جوهر سير العمل، وهو نموذج تقسيم دلالي مصمم لمعالجة استخراج الميزات متعددة المقاييس. تشمل الابتكارات المعمارية الرئيسية ما يلي:
تحسينات حديثة: زيادة حجم النواة التلافيفية (convolutional kernel) من 3 إلى 5 واستبدال تطبيع الدفعة (Batch Normalization) بتطبيع المثيل (Instance Normalization) في مراحل خفض العينات (downsampling) لالتقاط تباينات التباين المحلي بشكل أفضل، وهو أمر بالغ الأهمية في صور Hα.
تجميع الهرمي التكيفي (Adaptive Pyramid Pooling - APP): نسخة معدلة من وحدة تجميع الهرم (Pyramid Pooling Module) التي تستوعب خرائط الميزات من أي حجم، مما يسمح بدمج متعدد المقاييس في أي مرحلة من مراحل النموذج الهرمي بدلاً من الاقتصار على الميزات عالية المستوى فقط.
بوابة انتباه الرقعة (Patch Attention Gate - PAG): مستوحاة من نماذج الرؤية المحولة (Vision Transformers)، حيث تقوم هذه الوحدة بتقسيم خرائط الميزات إلى رقع لتوليد أوزان القنوات، مما يلتقط المعلومات المكانية العالمية وميزات القنوات بمقياس أدق.
كتل الفروع (Branch Blocks): اتصالات تخطي هرمية (hierarchical skip connections) تدمج المعلومات في مقاييس مختلفة للتخفيف من فقدان المعلومات أثناء الترميز التدريجي.
الهيكل متعدد الرؤوس (Multihead Structure): عدة هياكل خلفية على شكل حرف U متطابقة مع وحدة مخرجات موحدة تستخدم بوابات جمع وضرب لدمج التمثيلات الدلالية.
سلسلة المعالجة اللاحقة:
الحقل العشوائي الشرطي الكثيف (DenseCRF): يُطبق لتحسين تفاصيل الحواف باستخدام شدة الصورة الأصلية والمعلومات المكانية. تعمل هذه الخطوة على تنقية القناع الدلالي، مما يضمن أن الأجزاء هي نطاقات متصلة بسيطة وتلتقط بنى الحدود الدقيقة التي قد تغفل عنها الشبكات العصبية التلافيفية (CNNs).
خوارزمية DBSCAN (التجميع المكاني القائم على الكثافة مع وجود ضجيج): تُستخدم لدمج الأجزها عبر تجميع أجزاء الخيوط المنفصلة التي تنتمي إلى نفس الخيط، مما يقلل من الضجيج الناتج عن "الهلوسة" الناتجة عن الذكاء الاصطناعي.
بناء مجموعة البيانات:
MHAS: مجموعة بيانات صغيرة النطاق، موسومة يدوياً بناءً على أطياف Hα، وتعمل كأرضية حقيقية (ground truth) للتدريب الأولي.
AHAS: مجموعة بيانات واسعة النطاق وعالية الجودة يتم إنشاؤها عبر تطبيق سير عمل (MORDEN + DenseCRF + DBSCAN) على ملاحظات مرصد CHS (مرصد الصين لعلوم الشمس Hα) للفترة 2024–2025. تتضمن هذه المجموعة 775 صورة تدريب، و20 للتحقق، و20 للاختبار، مستفيدة من أداء النموذج لتقطير بيانات واسعة النطاق مع استخدام DenseCRF للتخفيف من تحيز التوسيم.
النتائج الرئيسية
أداء التقسيم: تفوق MORDEN على النماذج المتاحة مفتوحة المصدر (U-Net, Flat U-Net, Attention U2-Net) على مجموعات البيانات الخاصة بها. في مجموعة اختبار MHAS، حقق MORDEN تقاطع IoU بنسبة 0.696 ودرجة F1 بنسبة 0.819، متفوقاً على النموذج المرجعي U-Net (IoU 0.670). والجدير بالذكر أن MORDEN حقق هذه النتائج باستخدام سدس كمية بيانات التدريب المطلوبة لنموذج Attention U2-Net فقط.
تحسين الحواف: أظهر التحليل الكمي لمقدار تدرج الحافة والاتجاه أن DenseCRF يعمل بشكل كبير على تحسين تفاصيل الحواف. وقد تجاوزت نتائج DenseCRF على صور بدقة 2K التوسيم اليدوي للأرض الحقيقية في مقاييس الحواف، مما يؤكد فعاليته في التقاط البنى الدقيقة.
توسيع البيانات: أدى التدريب على مجموعة بيانات AHAS الموسعة (مع معالجة DenseCRF اللاحقة) إلى تحسينات مرضية في المقاييس مقارنة بالتدريب على مجموعة MHAS الأصغر، مما يؤكد أن المجموعة الموسعة توفر معلومات دلالية قيمة. ها المتانة: أظهر سير العمل قدرة على التكيف عبر مختلف المراصد (MLSO, KSO, GONG, BBSO) ذات الجودة والدقة ومستويات الضجيج المختلفة دون الحاجة لإعادة التدريب.
دمج الأجزاء: أسفر التقييم الخبير لنتائج تجميع DBSCAN على مجموعة اختبار MHAS عن متوسط معدل إصابة بلغ 0.844، وهو ما يعتبر مرضياً نظراً للغموض الدلالي لصور Hα.
الأهمية والادعاءات يدعي البحث تقديم سير عمل تأسيسي لتعظيم إمكانات التعلم العميق في الكشف عن الخيوط الشمسية. وتكمن أهميته في:
بنية النموذج: تقديم MORDEN، الذي يجمع بين ابتكارات الرؤية الحاسوبية الحديثة (نوى أكبر، تطبيع المثيل، PAG، APP) للتعامل بفعالية مع الطبيعة متعددة المقاييس وذات الذيل الطويل لبيانات الخيوط.
توليد البيانات: وضع منهجية لبناء مجموعات بيانات واسعة النطاق وعالية الجودة (AHAS) والتي تعد ضرورية لنماذج المحولات (Transformer-based models) المستقبلية، والتي تفتقر حالياً إلى بيانات تدريب كافية في هذا المجال.
الدقة المنهجية: إثبات أن فصل الاستخراج المورفولوجي (عبر MORDEN) عن دمج الأجزاء (عبر DBSCAN) هو النهج المفضل لتجنب الغموض الدلالي المتأصل في التقسيم الفردي (instance segmentation) على صور Hα.
يتبنى المؤلفون موقفاً متواضعاً، حيث يقرون بأن بنية CNN الحالية يتفوق عليها نماذج المحولات (Transformers) في الرؤية الحاسوبية العامة، لكنها مقيدة بنقص مجموعات البيانات واسعة النطاق. كما يشيرون إلى أن DBSCAN يعد حلاً وسطاً غير مثالي لدمج الأجزاء نظراً للطبيعة ثلاثية الأبعاد للخيوط، لكنه يوفر توازناً عملياً بين سهولة الاستخدام والفعالية. يُقدم هذا العمل ليس كحل نهائي لجميع التحديات في الكشف الآلي، بل كقاعدة منهجية قوية للتطورات المستقبلية.