Automated Spiral-Arm Pitch-Angle Estimation in Galaxy Images Using Deep Learning
تقدم هذه الورقة البحثية مساراً للتعلم العميق من البداية إلى النهاية يستخدم مولداً ثلاثي الأبعاد بارامترياً للتدريب ومعالجة مسبقة مدركة للهندسة لتحقيق تقدير دقيق ومستمر لزاوية ميل الأذرع الحلزونية في صور المجرات، مما يحسن الأداء بشكل كبير على بيانات مسح سلون الرقمي الحقيقية مقارنة بالطرق التقليدية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
ليست المجرات مجرد جزر ساكنة من النجوم؛ بل هي أنظمة ديناميكية دوارة، حيث يروي ترتيب المادة فيها قصة تاريخها ونواتها الخفية. ومن بين أكثر السمات لفتاً للنظر في العديد من المجرات هي أذرعها الحلزونية، تلك المنحنيات الرشيقة والواسعة من النجوم والغاز التي تلتف خارجاً من انتفاخ مركزي ساطع. لطالما اهتم علماء الفلك بمدى إحكام التفاف هذه الأذرع. وهذا "الإحكام"، المعروف باسم زاوية الميل (pitch angle)، هو أكثر من مجرد تفصيل بصري؛ فهو يعمل كشفرة مدمجة تكشف عن كتلة المجرة، وسرعة دورانها، وحتى حجم الثقب الأسود الهائل الكامن في مركزها. فالحلزون شديد الالتفاف يشير إلى بنية داخلية تختلف عن ذلك غير شديد الالتفاف، وقياس هذه الزاوية عبر آلاف المجرات يمكن أن يساعد العلماء على فهم القوانين الأساسية التي تحكم كيفية تطور هذه الأنظمة الضخمة. ومع ذلك، فإن قياس هذه الزاوية يدوياً عملية بطيئة وعرضة للخطأ، خاصة عندما تكون المجرات مائلة بزوايا غريبة أو محجوبة بالغبار، مما يترك فجوة بين العدد الهائل من الصور المتاحة من التلسكوبات الحديثة والبيانات التفصيلية اللازمة لفك أسرارها.
ولسد هذه الفجوة، طور الباحثان رميل ر. يايف وماكسيم ف. بولياكوف من جامعة فولغوغراد الحكومية طريقة جديدة تستخدم الذكاء الاصطناعي لقياس التفاف الأذرع الحلزونية تلقائياً. وبدلاً من محاولة تعليم الكمبيوتر التعرف على كل مجرة حقيقية ممكنة، وهو ما يتطلب مكتبة ضخمة من الأمثلة المصنفة بشرياً والتي لا وجود لها ببساطة، أنشأ الفريق كونهم الخاص من مجرات التدريب. لقد بنوا برنامجاً حاسوبياً يولد آلاف المجرات الحلزونية الاصطناعية، كل منها يتميز بذراع حلزونية مثالية رياضياً وزاوية ميل دقيقة ومعروفة. ولأن الكمبيوتر هو من أنشأ الصورة، فهو يعرف الإجابة تماماً، مما سمح للباحثين بتدريب نظام تعلم عميق — وهو نوع من الذكاء الاصطناعي المستوحى من الدماغ البشري — لتعلم العلاقة بين الشكل البصري للمجرة وزاوية ميلها الرقمية.
بيد أن التحدي تمثل في أن الكمبيوتر الذي يتم تدريبه على صور مثالية مولدة حاسوبياً غالباً ما يواجه صعوبة عند النظر إلى صور حقيقية من التلسكوبات. فالصور الحقيقية فوضوية، ومليئة بالضجيج، والإضاءة غير المتساوية، والتشوه الناتج عن رؤية قرص مسطح من زاوية معينة. ولحل هذه المشكلة، لم يكتفِ الباحثون بتغذية الذكاء الاصطناعي بالصور الخام، بل قاموا أولاً ببناء خط معالجة مسبقة متطور يعمل بمثابة عدسات تصحيحية. يقوم النظام أولاً بحساب ميل المجرة و"تسطيح" الصورة رياضياً، كما لو كان الناظر ينظر مباشرة إلى وجه المجرة من الأعلى. ثم يقوم بتعزيز التفاصيل البفيفة للأذرع الحلزونية، مما يؤدي إلى شحذ الحواف ورفع التباين حتى يتمكن الكمبيوتر من رؤية البنية بوضوح، حتى لو كانت الصورة الأصلية خافتة أو محببة. وفقط بعد تطبيق هذه التصحيحات، يقوم الذكاء الاصطناعي، القائم على نموذج خفيف وفعال يسمى MobileNetV2، بتحليل الصورة للتنبؤ بزاوية الميل.
كانت نتائج هذا النهج واعدة، رغم أنها سلطت الضوء على الفرق بين المحاكاة المثالية والعالم الحقيقي. فعند اختباره على 2,20ً من المجرات الاصطناعية التي أنشأها الباحثون، كان النظام دقيقاً بشكل ملحوظ، بمتوسط خطأ يزيد قليلاً عن درجة واحدة. وقد أثبت ذلك أن الذكاء الاصطناعي يمكنه بالفعل تعلم هندسة الأذرع الحلزونية عندما تكون البيانات نظيفة والإجابات معروفة. وجاء الاختبار الحقيقي عندما طبق الفريق نظامهم المدرب على 65 مجرة حقيقية من مسح سلون الرقمي للسماء، مقارنين تنبؤاته بالقياسات التي أجراها علماء آخرون في دراسات منشورة. فبدون تصحيحات الصور الخاصة، كانت تنبؤات الذكاء الاصطناعي بعيدة عن الصواب بمتوسط أكثر من سبع درجات. ومع ذلك، بمجرد أن طبق الباحثون خط المعالجة الكامل الخاص بهم لتسطيح وتحسين الصور، انخفض متوسط الخطأ إلى أقل من ست درجات بقليل. ورغم أن هذا ليس مثالياً بما يكفي لاستبدال تقنيات القياس الأكثر دقة وتخصصاً التي يستخدمها علماء الفلك اليوم، إلا أنه يمثل تحسناً كبيًراً ويثبت أن الطريقة ناجحة.
كما كشفت الدراسة عن الجوانب التي لا يزال النظام يعاني فيها. فقد حقق الذكاء الاصطناعي أفضل أداء في المجرات ذات الأذرع الواضحة والمتصلة. وعندما كانت الأذرع الحلزونية مكسورة، أو متقطعة، أو "مجزأة" (flocculent) — وهو مصطلح يُستخدم لوصف المظهر الهش والمجزأ — زاد الخطأ قليلاً. وهذا أمر منطقي، حيث تم تدريب النظام على إيجاد نمط هندسي واحد سلس، بينما تمتلك المجرات الحقيقية غالباً أذرعاً تتغير أشكالها أو تتفكك. علاوة على ذلك، لاحظ الباحثون أنه بالنسبة للمجرات الحقيقية، مال الذكاء الاصطناعي لتخمين قيم قريبة من المنتصف، حيث قلل من تقدير الأذرع شديدة الانفتاح وبالغ في تقدير الأذرع شديدة الالتفاف. وهذا يشير إلى أنه بينما يجيد الكمبيوتر التعرف على الفكرة العامة للحلزون، فإنه لا يزال بحاجة إلى مزيد من التعرض للتنوع الكامل للمجرات الحقيقية ليصبح دقيقاً حقاً.
في نهاية المطاف، يقدم هذا العمل أداة قوية لمستقبل علم الفلك. فهو يوضح أنه من خلال الجمع بين بيانات التدريب الاصطناعية والمعالجة الذكية للصور، يمكن للعلماء تعليم الحواسيب قياس السمات المجرية المعقدة دون الحاجة إلى ملايين الأمثلة المصنفة بشرياً. وتتميز هذه الطريقة بالسرعة والقابلية للتوسع، حيث يمكنها معالجة المسوحات الكبيرة للسماء في جزء بسيط من الوقت الذي يستغرقه البشر. وبينما لا تعد بديلاً للتحليلات اليدوية الأكثر تفصيلاً، إلا أنها تعمل كخطوة أولية ممتازة، حيث تقوم بسرعة بفرز الأرشيفات الضخمة من صور التلسكوبات لتحديد المجرات ذات الأهمية. وكما يشير الباحثون، فإن الخطوة التالية هي صقل النظام بمزيد من البيانات الواقعية وتعليمه كيفية التعامل مع الطبيعة الفوضوية والمكسورة والمتنوعة للأذرع الحلزونية الفعلية، مما يقربنا من مستقبل يمكن فيه فك أسرار بنية المجرات تلقائياً لكل مجرة في السماء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.