التقسيم الدلالي للأوردة ذات اللون الفاتح في بيانات ChemCam متعددة النمط

دلائل مخفية في صخور المريخ

ماذا لو استطعنا قراءة الماضي المائي للمريخ مباشرةً من شقوق صغيرة في صخوره؟ تبيّن هذه الدراسة كيف يعلّم العلماء الحواسيب تمييز الأوردة المليئة بالمعادن والفاتحة اللون في الصور التي تلتقطها مسبار ناسا كيوريوسيتي. هذه الخطوط الفاتحة علامة على أن الماء تحرّك عبر الصخور في الماضي. من خلال أتمتة اكتشافها، يمكن للباحثين فحص آلاف صور المسبار بسرعة أكبر بكثير من أي فريق بشري، مما يوضّح لنا متى وأين قد تكون الظروف صالحة للسكن على المريخ.

لماذا تهم الأوردة الفاتحة بالنسبة للحياة على المريخ

تجوب كيوريوسيتي فوهة غايل منذ 2012، وتستخدم أداة تسمى ChemCam لالتقاط صور مقربة للصخور ولقصفها بالليزر لقياس تركيبها الكيميائي. تظهر كثير من الصخور على مسار المسبار عروقاً شاحبة—شقوق مملوءة بمعادن تشكّلت على الأرجح من سوائل غنية بالماء التي دارت داخل القشرة. تكشف أطياف ChemCam أن هذه الأوردة غالباً ما تكون غنية بكبريتات الكالسيوم، وهي معادن تتكوّن عادةً عندما يتبخر الماء. وبما أن الماء السائل عنصر أساسي للحياة، يساعد رسم خرائط هذه الأوردة بتفصيل العلماء على إعادة بناء الأماكن التي تدفقت فيها المياه أو تجمعت لفترات طويلة على المريخ.

تحويل الصور ووميض الليزر إلى بيانات

توفر ChemCam نوعين من المعلومات عن كل هدف صخري. أولاً، تلتقط كاميرتها، جهاز التصوير الدقيق عن بُعد، صوراً رمادية حادة بدقة دون المليمتر، تظهر الخواص الملمسية والشقوق الدقيقة. ثانياً، يطلق نظام التحليل الطيفي الناتج عن تفكيك البلازما بالليزر (LIBS) نبضة ليزر في عدة نقاط على الصخر، مولّداً بلازما صغيرة متوهجة تكشف ألوانها عن العناصر الموجودة. من هذه قياسات LIBS، يحسب العلماء نسبة أكسيد الكالسيوم في كل نقطة. المستويات العالية من الكالسيوم، فوق نحو 10٪ بالوزن، غالباً—ولكن ليس دائماً—تتوافق مع الأوردة الفاتحة في الصور، موفرة إشارة كيميائية لمواقع هذه الملامح.

تعليم خوارزمية لتتبع الشقوق

رسم كل وريد يدوياً، بكسلاً بكسل، في آلاف الصور ممل وغير متناسق، لذلك بنى الفريق مجموعة تدريب متخصصة. انطلقوا من عمل سابق صنّف صور ChemCam بحسب القوام واستخرجوا نحو 480 مشهداً مرشحاً للأوردة. من بينها، اختار الخبراء 55 مثالاً واضحاً ورسموا بعناية أقنعة ثنائية تحدد أي البكسلات تنتمي للأوردة. كما حوّلوا بيانات الكالسيوم من LIBS إلى صور بسيطة: مربعات فاتحة حيث قاس الليزر كالسيوماً عالياً، ومربعات داكنة حيث لم يكن كذلك، ورمادية حيث لا توجد قياسات. من خلال تقطيع كل صورة كبيرة إلى بلاطات أصغر وتطبيق انعكاسات، ودورات، وتكبيرات، وسّعوا هذه المجموعة المصنفة الصغيرة إلى مئات عينات التدريب.

كيف يعمل مكتشف الأوردة الذكي

جوهر النهج هو مجموعة من نماذج التعلم العميق مبنية على U-Net، بنية لتقسيم الصور طورت في الأصل للصور الطبية. يستقبل النموذج صور صخور ChemCam كمدخل ويتنبأ، لكل بكسل، ما إذا كان ينتمي إلى وريد أم لا. اختبر الباحثون عدة متغيرات: U-Net بسيطة مدربة على الصور فقط، ونسخ تبدأ من شبكات مُدربة مسبقاً على مجموعات صور أرضية كبيرة، ونماذج دمجت معلومات LIBS إما كقنوات صورة إضافية أو عبر دالة الخسارة التي توجه التعلم. الأفضل أداءً كان U-Net مدرب مسبقاً، حيث عقبت دالة الخسارة بلطف التنبؤات التي تعارض صور LIBS المبنية على الكالسيوم عند نقاط الليزر، موجهة الشبكة نحو خرائط أوردة معقولة كيميائياً. حقق هذا النموذج حوالي 80% متوسط تقاطع المقاطعة (intersection-over-union) ونحو 89% في مقياس F1—أداء قوي لمهمة دقيقة بهذا المستوى.

بناء خرائط موثوقة لعلم المسبار

بما أن هذه التنبؤات ستوجّه التفسير العلمي، تعامل الفريق أيضاً مع سؤال دقيق: إلى أي مدى يمكننا الوثوق بكل خريطة؟ اعتمدوا طريقة إحصائية تسمى "تعلم ثم اختبر" (Learn-Then-Test) لضبط حدود إخراج النموذج بعد التدريب، من دون تغيير أوزانه. من خلال ضبط هذه الحدود على مجموعة معايرة، ضمّنوا أن معدل الاكتشاف الكاذب الإجمالي—احتمال أن بكسل متوقع كـ وريد يكون فعلاً خاطئاً—يبقى أقل من نحو 10%. هذه المعالجة اللاحقة قلّلت الكشوف العشوائية على حساب فقدان بعض الأوردة الحقيقية، مقايضة الاستدعاء بثقة أعلى فيما يُعلَن عنه كـ وريد.

ما الذي يعنيه هذا لاستكشاف المريخ

بعبارات بسيطة، تقدم الدراسة "متعقّب أوردة" آلي مدرك للكيمياء لأرشيف صور كيوريوسيتي، مع أدوات تحكم لتحديد مدى الحذر في إعلان شيء ما كـ وريد. بواسطته، يمكن للباحثين مسح مسار المسبار بأكمله بسرعة، تتبع كيفية تغير انتشار الأوردة وسمكها من مكان إلى آخر، وربط هذه الأنماط بالتركيب الكيميائي للصخور. تلك الأنماط بدورها تنقح روايتنا عن متى تحرك الماء عبر صخور فوهة غايل وكم من الوقت قد استمرت ظروف صالحة للسكن على المريخ. ويمكن توسيع النهج نفسه في نهاية المطاف ليشمل خصائص صخرية أخرى وأجهزة أخرى، لمساعدة المراكب المستقبلية على تحويل مجموعات الصور الضخمة إلى دلائل موثوقة وجاهزة للرسم حول تاريخ الكوكب.

الاستشهاد: Lomashvili, A., Rammelkamp, K., Bhattacharjee, P. et al. Semantic segmentation of light-toned veins in multimodal ChemCam data. Sci Rep 16, 12052 (2026). https://doi.org/10.1038/s41598-026-47207-0

الكلمات المفتاحية: قابلية سكن المريخ, مركبة كيوريوسيتي الجوالة, تصوير ChemCam, تقسيم بتعلّم عميق, أوردة كبريتات الكالسيوم