Deep Learning-Based Classification and Analysis of Pulsar Candidates in Fermi-LAT Unassociated Sources

تخيل الكون كمحطة إذاعية كونية عملاقة تبث باستمرار على ترددات مختلفة. بعض هذه الإشارات قوية وواضحة، مثل أغنية بوب على الراديو، بينما البعض الآخر عبارة عن همسات خافتة ضائعة في الضجيج الساكن. لعقود من الزمن، استخدم علماء الفلك تلسكوباً فضائياً قوياً يسمى Fermi-LAT للاستماع إلى جزء "أشعة غاما" عالي الطاقة من هذا البث الكوني. لقد رسموا خرائط لآلاف هذه المصادر، لكن جزءاً كبيراً منها — حوالي الثلث — لا يزال لغزاً. هذه هي المصادر "غير المرتبطة". إنها تشبه محطات الراديو التي تبث بوضوح، ولكن لا أحد يعرف من يغني الأغنية أو ما نوع الموسيقى التي يقدمونها. هل هي نجوم نيوترونية قديمة ودوارة (نابضات/بولتارات) تم إعادة تدويرها وتسريعها؟ أم أنها نجوم شابة مفعمة بالطاقة ولدت للتو من انفجارات السوبرنوفا؟ أم هي ثقوب سوداء بعيدة وعملاقة (نوى مجرات نشطة - AGNs) تتغذى على الغاز؟

لحل هذا اللغز، حاول العلماء تقليدياً تخمين هوية هذه المصادر من خلال النظر إلى مكان وجودها في السماء. الأمر يشبه محاولة تخمين لهجة شخص ما بمجرد النظر إلى الخريطة التي يعيش فيها. وبينما ينجح هذا الأمر بشكل جيد نوعاً ما، إلا أنه ليس مثالياً، ويمكن أن يؤدي إلى أخطاء، خاصة بالنسبة للمصادر التي لا تتبع الأنماط المعتادة. وهنا يأتي دور نوع جديد من العمل الاستقصائي: الذكاء الاصطناعي. فبدلاً من مجرد النظر إلى الخريطة، يستمع نماذج الذكاء الاصطناعي الجديدة إلى "شكل" الإشارة نفسها. فهي تحلل كيفية تغير طاقة الضوء عبر نطاقات مختلفة، بحثاً عن البصمة الفريدة للمصدر. والهدف هو العثور على النابضات المخفية وسط الحشد، وهو أمر بالغ الأهمية لأن النابضات هي مختبرات كونية تساعدنا على فهم الجاذبية، والزمن، والفيزياء القصوى للكون.

---

المحقق الكوني: تعليم الذكاء الاصطناعي الاستماع إلى النجوم

في هذه الورقة البحثية، قرر فريق من علماء الفلك من إسبانيا وألمانيا بناء محقق رقمي فائق الذكاء لحل لغز هذه المصادر غير المرتبطة بأشعة غاما. لم يرغبوا فقط في التخمين؛ بل أرادوا تعليم الكمبيوتر كيف "يرى" شكل الضوء بطريقة لا يستطيع البشر القيام بها بسهولة.

الطريقة القديمة مقابل الطريقة الجديدة
تخيل أنك تحاول تحديد أنواع مختلفة من الفاكهة في غرفة مظلمة. كانت الطريقة القديمة تشبه السؤال: "هل هذه الفاكهة في السلة التي على اليسار أم التي على اليمين؟" إذا كنت تعلم أن التفاح عادة ما يكون على اليسار والبرتقال على اليمين، فقد تخمن بشكل صحيح معظم الوقت. ولكن إذا وجدت فاكهة في المنتصف، فستتعثر. هذا ما كانت تفعله البرامج الحاسوبية القديمة: كانت تنظر إلى موقع النجم في السماء لتخمين هويته.

أما الطريقة الجديدة، المستخدمة في هذه الورقة، فهي تشبه تشغيل الضوء والنظر إلى جلد الفاكهة، وملمسها، ورائحتها. بنى الباحثون نوعاً خاصاً من الذكاء الاصطناعي يسمى الشبكة العصبية التلافيفية أحادية الأبعاد (أو 1D-CNN اختصاراً). فكر في هذا الذكاء الاصطناعي كشاب مراهق فضولي يحمل عدسة مكبرة. فبدلاً من مجرد النظر إلى قائمة من الأرقام، يقوم هذا الذكاء الاصطناعي بتمرير "عدسته المكبرة" عبر البيانات، بحثاً عن الأنماط والأشكال في كيفية تدفق طاقة الضوء. إنه يعامل البيانات كأغنية مستمرة بدلاً من قائمة من النوتات المنفصلة. وهذا يسمح له برصد "المنحنيات" و"الانكسارات" في الضوء التي تميز النابضات، متجاهلاً الموقع تماماً.

لعبة التصنيف ذات الخطوتين
ابتكر الفريق لعبة من مرحلتين ليلعبها ذكاؤهم الاصطناعي:

1. المرحلة الأولى: ينظر الذكاء الاصطناعي إلى مصدر ما ويسأل: "هل هذا وحش ثقب أسود (AGN) أم نجم نيوتروني دوار (نابض/بولسار)؟" حيث يقوم بفصل الحشد إلى مجموعتين كبيرتين.
2. المرحلة الثانية: بالنسبة لمجموعة النجوم الدوارة، يسأل الذكاء الاصطناسي: "هل هذا نجم شاب مفعم بالطاقة (نابض شاب) أم نجم قديم تمت إعادة تدويره (نابض ميلي ثانية)؟"

لماذا لم يزيفوا البيانات؟
عادةً، عندما يقوم علماء الكمبيوتر بتدريب ذكاء اصطناعي، قد ينشئون أمثلة مزيفة للمساعدة في تعلم الأشياء النادرة. تخيل لو كان لديك 5 صور فقط للنمور و100 صورة للقطط، فقمت بصنع 95 صورة مزيفة للنمور لموازنة الكفة. قال الباحثون في هذه الورقة: "لا شكراً!". وجادلوا بأن صنع بيانات مزيفة لهذه المصادر الكونية قد يخدع الذكاء الاصطناعي ويجعله يتعلم أنماطاً خاطئة. بدلاً من ذلك، علموا الذكاء الاصطناعي أن يولي اهتماماً إضافياً للنابضات الحقيقية القليلة التي رآها بالفعل، لضمان عدم تجاهلها لمجرد أنها نادرة.

النتائج الكبرى
قام الفريق بتغذية ذكائهم الاصطناعي ببيانات 2,563 مصدراً غامضاً وغير مرتبط من كتالوج Fermi-LAT. وإليك ما وجده الذكاء الاصطناعي:

• حدد 1,136 مصدراً كأثاقب سوداء (AGNs).
• وجد 202 مرشح عالي الثقة للنابضات (Pulsars).
  • 166 منها كانت نابضات شابة.
  • 36 كانت نابضات ميلي ثانية.

هذا أمر ضخم لأن هذا يزيد من عدد النابضات المعروفة في أشعة غاما بأكثر من 60%.

هل يعرف الذكاء الاصطناعي ما يتحدث عنه؟
للتأكد من أن الذكاء الاصطناعي لم يكن يخمن فحسب، تحقق الباحثون مما إذا كانت مرشحاتهم الجديدة تتوافق مع ما نعرفه بالفعل عن الكون:

• فحص الموقع: على الرغم من أن الذكاء الاصطناعي لم ينظر أبداً إلى موقع النجوم أثناء التعلم، إلا أن النابضات الشابة التي وجدها كانت جميعها متجمعة بكثافة حول القرص المسطح لمجرتنا (درب التبانة)، تماماً كما ينبغي أن تكون النجوم الشابة الحقيقية. أما نابضات الميلي ثانية الأقدم فقد كانت منتشرة على نطاق أوسع، وهو بالضبط ما نتوقعه للنجوم الأقدم التي تعرضت للاندفاع بفعل الجاذبية بمرور الوقت.
• اختبار "FAST": جاء الاختبار النهائي من تلسكوب راديوي عملاق على الأرض يسمى FAST. مؤخراً، اكتشف FAST خمسة نابضات جديدة من خلال البحث عنها بشكل أعمى. تحقق الباحثون من قائمة الذكاء الاصطناعي الخاصة بهم ووجدوا أن جميع الـ 5 من تلك النابضات الجديدة كانت موجودة بالفعل في قائمتهم كمرشحات عالية الثقة! وهذا يعني أن الذكاء الاصطناعي نجح في التنبؤ بهذه الاكتشافات قبل أن يؤكدها التلسكوب الراديوي حتى.

كيف "يفكر" الذكاء الاصطناعي؟
استخدم الباحثون أيضاً أداة خاصة تسمى Grad-CAM لمعرفة الأجزاء التي يركز عليها الذكاء الاصطناعي في البيانات. وتبين أن الذكاء الاصطناعي كان يستخدم فيزياء حقيقية لاتخاذ قراراته:

• لرصد الثقوب السوداء، نظر إلى الضوء منخفض الطاقة ومدى تذبذب الإشارة (الثقوب السوداء غالباً ما تكون فوضوية ومتذبذبة).
• لرصد النابضات، نظر إلى الضوء عالي الطاقة والمنحنيات المستقرة والناعمة للإشارة.
• للتمييز بين النابضات الشابة والقديمة، نظر إلى أعلى نطاقات الطاقة ومدى عدم اليقين في القياسات.

الخلاصة
تظهر هذه الورقة البحثية أنه من خلال تعليم الذكاء الاصطناعي الاستماع إلى "شكل" الضوء بدلاً من مجرد النظر إلى الخريطة، يمكننا العثور على الكنوز الكونية المخفية. لقد قدم الفريق "قائمة استهداف" مكونة من 202 مرشح جديد للنابضات جاهزين للتفتيش من قبل التلسكوبات الراديوية مثل FAST وMeerKAT ومستقبل Square Kilometre Array (SKAO). إنه يشبه إعطاء علماء الفلك خريطة كنز تشير مباشرة إلى الذهب، مما يوفر وقتهم ويساعدهم في اكتشاف الجيل القادم من العجائب الكونية.