التعلّم العميق متعدد الوسائط غير الخاضع للإشراف لتصنيف أشكال المجرات: دمج تمثيلات ConvNeXt والمعلمات المورفولوجية لعلم المسح القابل للتوسع

تعليم الحواسيب قراءة أشكال المجرات

تلتقط مسوحات السماء الحديثة صورًا لمليارات المجرات، أكثر بكثير مما يمكن لأي فريق من علماء الفلك — أو علماء مواطنين — أن يصنفوه بالعين المجردة. ومع ذلك فإن أشكال المجرات، من الإهليجيات الناعمة إلى الأذرع الحلزونية الباهرة والاندماجات الفوضوية، تحمل دلائل مهمة حول كيفية بناء الكون لهياكله. يقدم هذا البحث طريقة جديدة لفرز المجرات آليًا بواسطة الحواسيب، دون إخبارها مسبقًا بما تبحث عنه، ما يفتح الباب أمام استكشاف البنية الكونية على نطاق هائل فعلاً.

لماذا تهم أشكال المجرات

المجرات ليست مجرد صور جميلة؛ مظهرها يشفر تاريخها الحياتي. الأنظمة الناعمة والدائرية تميل لأن تكون أقدم وأكثر هدوءًا، بينما المجرات ذات الأذرع الحلزونية البارزة أو الأشكال المشوهة غالبًا ما تشير إلى ولادة نجوم جارية أو تصادمات حديثة. لقرن من الزمن، نظم علماء الفلك هذه الأشكال إلى عائلات — مثل الإهليجيات، والدوامات، وغير المنتظمة — لربط البنية المرئية بالفيزياء الأساسية. لكن مع مشروعات مثل مسح السماء الرقمي (Sloan Digital Sky Survey) والمرصدات القادمة مثل مسح التراث للسماء والزمن في مرصد روبين التي تُصوّر السماء بعمق غير مسبوق، أصبح الترميز اليدوي التقليدي أمراً مستحيلاً الحفاظ عليه.

من تسميات البشر إلى الاكتشاف غير الخاضع للإشراف

تعتمد معظم التقدّمات الأخيرة في تصنيف المجرات الآلي على التعلّم العميق الخاضع للإشراف: تتعلم الحواسيب من آلاف الأمثلة التي سمّاها البشر مسبقًا. هذا جيد، لكنه يعتمد على مجموعات تدريب مُنشأة بعناء ومقيد بالفئات التي يحدّدها الناس مسبقًا. يسلك المؤلفون طريقًا غير خاضع للإشراف بدلًا من ذلك، طالبين من الخوارزمية اكتشاف التجمعات الطبيعية في البيانات بنفسها. لتحقيق ذلك، يستخدمون شبكات قوية لتحليل الصور تدربت أصلاً على صور يومية، ثم يُكيّفونها لصور المجرات لاستخراج بصمات بصرية غنية، كل ذلك دون حاجة لأي مجرة لأن تحمل تسمية مُسبقة.

مزج الصور بالقياسات الفيزيائية

تحمل صور المجرات تفاصيل هائلة، لكن علماء الفلك يستخدمون أيضًا واصفات رقمية بسيطة للبنية، مثل مدى تركّز الضوء مركزيًا، ومدى التمايز في تناسق المجرة، ومدى تكتل مناطق تكوّن النجوم، ومدى تساوي توزيع الضوء عبر البيكسلات. يجمع الفريق بين العالمين: ميزات بصرية عميقة من شبكتين عصبيتين حديثتين وخمسة مقاييس بنيوية كلاسيكية. ولأن الوصف القائم على الصورة يمتد إلى آلاف الأرقام بينما المقاييس الفيزيائية عددها قليل، بنوا «مشفرًا آليًا متعدد الوسائط» خاصًا — نوع من الشبكات العصبية يضغط كل المعلومات إلى رمز داخلي مدمج. يُجبر هذا الرمز المكوّن من 64 رقمًا النظام على موازنة ما يتعلمه من الصور مع ما هو معروف من فيزياء المجرات الأساسية.

تركيز البيانات في عائلات طبيعية

بمجرد تقليل كل واحدة من 4,950 مجرة مُنقاة بعناية من مسح سلون إلى هذا الرمز المتوازن ذي الأبعاد الـ64، يطبّق المؤلفون تقنية تجميع احتمالية تتعامل مع سكان المجرات كمزيج سلس من مجموعات متداخلة. بدلاً من فرض حدود حادة، تمنح كل مجرة درجة انتماء لعدة عناقيد وتعلّم فقط عن 2 في المئة الأكثر تطرفًا كحالات شاذة أو آثار. تتماشى العناقيد الرئيسية الناتجة جيدًا مع العائلات المألوفة: أنظمة ناعمة ومضغوطة تشبه المجرات من النوع المبكر؛ أقراص منتشرة ومتكتلة تشبه الحلزونات المتأخرة؛ أنظمة متداخلة ومضطربة؛ وأقراص انتقالية وسيطة. تظهر الاختبارات الداخلية أن هذا التمثيل المدمج للصورة والفيزياء ينتج مجموعات أنظف وأكثر اتساقًا من استخدام الصور أو الأعداد البنيوية بمفردها.

التحقق مقابل القواعد الكلاسيكية والتوسع

للتأكد مما إذا كانت تشكيلات الخوارزمية غير الخاضعة للإشراف منطقية فيزيائيًا، يقارنها المؤلفون بالحدود المستندة إلى قواعد الإبهام طويلة الاستخدام المبنية على مخططات بنيوية بسيطة. حتى مع أن الخوارزمية لم ترَ أي تسميات بشرية مطلقًا، فإن نحو نصف تصنيفاتها تتوافق مع هذه الفئات التقليدية، والكثير يكشف عن تباينات أدق تُطمسها القواعد القديمة ذات المتغيرين. والأهم من ذلك، أن كامل خط المعالجة يعمل بسرعة: يمكن معالجة كل مجرة في بضعة عشرات من الملّي ثانية على العتاد الحديث، بمعدل مناسب لمسوحات بحجم بيتابايت التي ستدرّج قريبًا مليارات المجرات في فهارسها.

خريطة جديدة لحديقة المجرات (Galaxy Zoo)

بعبارات يومية، يبيّن هذا العمل كيفية تعليم الحاسوب "الرؤية" وتجميع المجرات بطريقة تحترم كلًا مما يعرفه علماء الفلك بالفعل وما قد تخفيه البيانات بعد. من خلال مزج الأنماط المرئية بقياسات فيزيائية بسيطة والسماح بالتحولات التدريجية بدل الصناديق الصارمة، يبني الأسلوب تصنيفًا مرنًا وقابلًا للتوسع للمجرات. ينبغي أن يساعد هذا النهج العلماء في غربلة سيل الصور السماوية القادم، واكتشاف الأنظمة النادرة أو غير المألوفة، وتنقيح صورتنا حول كيفية تشكّل المجرات وتفاعُلها وتحوّلها عبر الزمن الكوني.

الاستشهاد: Selim, I.M., Farahat, A.S., Basmsm, L.H. et al. Unsupervised multimodal deep learning for galaxy morphology taxonomy: integrating ConvNeXtEmbeddings and morphological parameters for scalable survey science. Sci Rep 16, 12183 (2026). https://doi.org/10.1038/s41598-026-45369-5

الكلمات المفتاحية: مورفولوجيا المجرات, التعلّم غير الخاضع للإشراف, التعلّم العميق, مسوحات فلكية, التجميع العنقودي