A Graph Attention Network Framework for Simultaneous Prediction of Galaxy and Dark Matter Halo Properties in GAMA DR4

في أعماق الكون، تمسك سقالات غير مرئية المكونات المرئية للكون معاً. هذا الإطار غير المرئي مكون من المادة المظلمة، وهي مادة غامضة لا تنبعث منها أضواء ولكنها تمارس قوة جذب ثقالية هائلة. يعلم علماء الفلك بوجودها لأن المجرات تدور بسرعة كبيرة بحيث لا يمكن للنجوم والغازات التي نراها وحدها أن تبقيها متماسكة. تعيش هذه المجرات داخل سحب كروية شاسعة من هذه المادة المظلمة، تُعرف باسم الهالات. إن فهم العلاقة بين المجرة وموطن مادتها المظلمة أمر بالغ الأهمية لرسم خريطة تاريخ الكون، ومع ذلك فإن قياس كتلة هذه الهالات غير المرئية بشكل مباشر أمر صعب للغاية. لطالما اعتمد العلماء على عمليات محاكاة حاسوبية معقدة أو طرق غير مباشرة غالباً ما تتجاهل الواقع المتشابك والفوضوي لكيفية استقرار المجرات في الفضاء فعلياً.

قام فريق من الباحثين من المعهد الهندي للتكنولوجيا في باتنا بتطوير طريقة جديدة لحل هذا اللغز باستخدام نوع من الذكاء الاصطناعي المصمم لفهم العلاقات. وبدلاً من معاملة كل مجرة كجزيرة معزولة، قاموا ببناء خريطة رقمية حيث تمثل كل مجرة نقطة متصلة بجيرانها، تماماً مثل شبكة اجتماعية تعتمد فيها قوة الاتصال على القرب الفيزيائي والعضوية المشتركة في المجموعة. لقد قاموا بتدريب هذا النظام، الذي أطلقوا عليه اسم GAMANet، على مجموعة ضخمة من الملاحظات الحقيقية من مسح GAMA، وهو مشروع صنف بدقة مئات الآلاف من المجرات. ومن خلال تغذية الذكاء الاصطناعي ببيانات حول الضوء، واللون، والحجم، والحركة لما يقرب من 20,000 مجرة، تعلم النموذج التنبؤ بثلاث خصائص رئيسية في آن واحد: كتلة نجوم المجرة، ومدى سرعة تكوينها لنجوم جديدة، والكتلة الإجمالية لهالة المادة المظلمة غير المرئية المحيطة بها.

لم يكتفِ الباحثون بالنظر إلى المجرات الفردية فحسب؛ بل علموا الكمبيوتر أن ينتبه إلى الحي أو المنطقة المحيطة. ففي نظامهم، لا تعد المجرة مجرد مجموعة من سماتها الخاصة، بل هي عقدة في شبكة من الاتصالات. تعلم الذكاء الاصطناعي أن المجرة المركزية الضخمة في عنقود مجري قد تحمل معلومات عن المادة المظلمة المحلية أكثر مما قد تحمله مجرة تابعة صغيرة ومنعزلة. وللتعامل مع هذا، استخدموا نوعاً معيناً من الشبكات العصبية التي تخصص مستويات مختلفة من الأهمية لكل جار، مما يحدد بفعالية أي المجرات المجاورة هي الأكثر صلة لاتخاذ التنبؤ. سمح هذا النهج للنموذج بالتقاط التأثيرات البيئية الدقيقة التي تؤثر على تطور المجرات، مثل ما إذا كانت جزءاً من مجموعة متراصة أو تسبح في فضاء مفتوح.

وعند اختباره على بيانات لم يسبق له رؤيتها، أظهر النموذج دقة ملحوظة. فقد تنبأ بكتلة هالات المادة المظلمة بدرجة عالية من الدقة، حيث استوعب أكثر من 95 بالمائة من التباينات في البيانات. كما كان أكثر دقة عند التنبؤ بكتلة النجوم داخل المجرات ومعدل تكوينها لنجوم جديدة. هذه النتائج مهمة لأن النموذج تم تدريبه بالكامل على بيانات رصدية حقيقية من السماء، بدلاً من الأكوان المحاكات عبر الكمبيوتر. وهذا يعني أن النتائج تعكس التعقيد الفعلي للكون الحقيقي، بما في ذلك العيوب وعدم اليقين المتأصل في القياسات الواقعية. وتشير الدراسة إلى أن كتلة هالة المادة المظلمة هي في الأساس خاصية على مستوى المجموعة، مما يعني أنه لفهم الوزن الخفي للمجرة، يجب النظر إلى عائلة المجرات بأكملها التي تنتمي إليها، وليس فقط إلى المجرة نفسها.

يسلط نجاح هذه الطريقة الضوء على تحول في كيفية تعامل علماء الفلك مع البيانات الضخمة. فمن خلال تمثيل الكون كـ "رسم بياني" (graph) حيث تكون العلاقات بنفس أهمية الأجسام نفسها، تمكن الباحثون من استخراج معلومات غالباً ما تفوتها الطرق التقليدية. أظهر التحليل الداخلي للنموذج أنه تعلم التمييز بين أنواع مختلفة من المجرات، وفصل بين تلك التي تمتلك نجوماً قديمة مائلة للحمرة وتلك التي تمتلك نجوماً شابة مائلة للزرقة، وذلك بناءً على الأنماط في البيانات فقط. بل بدا وكأنه يستنتج تفاصيل حول حركة النجوم داخل المجرات، وهي خاصية لم يُخبر صراحةً بالبحث عنها، وذلك ببسارد تحليل البيئة المحيطة فحسب. وبينما يتطلب النظام الحالي تحميل مجموعة البيانات بأكملها في الذاكرة دفعة واحدة، مما يحد من استخدامه الفوري للمسوحات المستقبلية الضخمة، إلا أن العمل يثبت أن التعلم القائم على الرسوم البيانية (graph-based learning) هو أداة قوية لفك رموز الشبكة الكونية. إنه يقدم مساراً مباشداً جديداً لفهم البنية غير المرئية التي تشكل الكون المرئي، محولاً مجموعة فوضوية من النجوم إلى قصة متماسكة للبنية الكونية.