كشفت نظرية النسبية العامة الرائدة لأينشتاين، والتي طُرحت عام ١٩١٥، أن الكتلة لا تُولّد الجاذبية فحسب، بل تُشوّه الزمكان المحيط بها أيضًا، مما يُسبب حركة الضوء والمادة في مسارات زمكانية منحنية. لذلك، تعمل الأجرام السماوية الضخمة كعدسات طبيعية، فتحرف أشعة الضوء المارة بالقرب منها.

في علم الفلك الحديث، تُعد عدسة الجاذبية القوية أداةً أساسيةً لدراسة البنية واسعة النطاق للكون والتطور المشترك للثقوب السوداء والمجرات. تُتيح الكوازارات، التي تعمل كعدسات جاذبية قوية، فرصًا رصدية نادرة للغاية لدراسة تطور علاقة القياس (وخاصةً علاقة MBH-Mhost) بين الثقوب السوداء الهائلة ومجراتها المضيفة مع الانزياح الأحمر. باستخدام هذا المسبار القوي، يُمكن استنتاج كتلة المجرة المضيفة بدقة من نصف قطر أينشتاين θE.ومع ذلك، فإن الكوازارات نادرة للغاية، وكان التعرف عليها دائمًا تحديًا كبيرًا لعلماء الفلك - فمن بين ما يقرب من 300 ألف كوازارة مسجلة في مسح سلون الرقمي للسماء (SDSS)، تم العثور على 12 مرشحًا فقط، وتم تأكيد 3 فقط في النهاية.

وعلى هذه الخلفية، قام فريق مكون من العديد من مؤسسات البحث، بما في ذلك جامعة ستانفورد، ومختبر تسريع SLAC الوطني، وجامعة بكين، ومرصد بريرا التابع للمعهد الوطني الإيطالي للفيزياء الفلكية، وجامعة كلية لندن، وجامعة كاليفورنيا في بيركلي، بتوسيع هذه العينة الصغيرة في الأصل بشكل كبير من خلال الاستفادة من أساليب التعلم الآلي المبتكرة والبيانات من مطياف الطاقة المظلمة.

قام فريق البحث بتطوير سير عمل قائم على البيانات لتحديد الكوازارات التي تعمل كأجسام عدسة جاذبية قوية في البيانات الطيفية لـ DESI DR1.نطاق تغطية الانزياح الأحمر هو 0.03 ≤ z ≤ 1.8. تستخدم هذه الطريقة شبكة عصبية ملتوية (CNN) مُدربة على عدسة محاكاة واقعية مبنية من أطياف DESI QSO وELG حقيقية. بتطبيق هذه العملية، حدد الباحثون سبعة مرشحين عاليي الجودة (من الدرجة الأولى) لعدسات الكوازار، جميعهم يُظهرون انبعاثًا قويًا مزدوج الخط [OII] فوق الانزياح الأحمر للكوازار الأمامي؛ كما يُظهر أربعة منهم خطوط انبعاث إضافية لـ Hβ و[OIII]λ4959Å و[OIII]λ5007Å.
ملاحظة: DESI DR1 هي الدفعة الأولى من بيانات المسح الطيفي التي أصدرها مسح الطاقة المظلمة الطيفي (DESI).

وقد تم نشر نتائج البحث ذات الصلة، بعنوان "الكوازارات التي تعمل كعدسات قوية في DESI DR1"، في شكل مطبوع على arXiv.

أبرز الأبحاث:

* تم توسيع عينة عدسات الكوازار التي تم تحديدها في الدراسات السابقة (12 مرشحًا فقط، تم تأكيد 3 منها).

* يفتح هذا الباب أمام إنشاء أول عينة إحصائية لعدسات QSO القوية ويوضح إمكانات الأساليب المعتمدة على البيانات لتحديد مثل هذه الأنظمة النادرة على نطاق واسع.

وستوفر العينات الناتجة طريقًا جديدًا قويًا لدراسة التطور المشترك للثقوب السوداء والمجرات، وترسيخ العلاقات على نطاق واسع من خلال قياسات الكتلة المباشرة عبر الزمن الكوني.

عنوان الورقة:
https://arxiv.org/abs/2511.02009
قم بمتابعة حسابنا الرسمي على WeChat وقم بالرد بـ "quasar" في الخلفية للحصول على ملف PDF كامل.

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers

مجموعة البيانات: 812,118 كوازارًا تم اختيارها من DESI DR1

يوفر الإصدار الأول من بيانات DESI ما يقرب من 1.8 مليون طيف من أطياف الكوازار، والتي تغطي مجموعة واسعة من الانزياحات الحمراء.اختارت هذه الدراسة 812,118 كوازارًا استنادًا إلى كتالوج الانزياح الأحمر HEALPixel للمسح الرئيسي DESI DR1 واعتمدت إجراء "الوقت المظلم" لتجنب تأثير ضوء القمر على الطيف بسبب زيادة ضوضاء الكاميرا الزرقاء (إجراء "الوقت الساطع").

استخدم الباحثون معلوماتٍ من Redrock، والتي تتضمن نتائجها مُعرِّف الهدف (TARGETID) للكوازار، والانزياح الأحمر (z)، وخطأ الانزياح الأحمر (Guy et al. 2023). بناءً على هذه المعلومات، تم اختيار الأجسام ذات OBJTYPE = TGT وZCAT PRIMARY = 1 فقط لاستبعاد الأهداف السماوية والأطياف التي لم تكن سائدة أو لم تُطابق الانزياح الأحمر. وأخيرًا، تمت تصفية الأجسام ذات ZWARN = 0 وSPECTYPE = QSO بشكل إضافي لاستبعاد الأجسام التي قد تُصنف ككوازارات ولكن لها تصنيفات طيفية مختلفة. ضمنت طريقة التصفية هذه دقة الانزياح الأحمر، وضمنت أن عينات التدريب جاءت فقط من أطياف الكوازار دون أي شذوذ في حساب الانزياح الأحمر.

بعد اختيار الكوازاراتاستخدم الباحثون كتالوج FastSpec لإنشاء عينة من مجرات خطوط الانبعاث (ELGs)؛هذه الخطوة أساسية لبناء عدسة المحاكاة. يعتمد الكتالوج على FastSpecFit1، وهو خط أنابيب معالجة خفيف الوزن يوفر معلومات طيفية لأجسام DESI، بما في ذلك تدفق خط الانبعاث، والانزياح الأحمر، والتصنيف. يستخدم FastSpecFit قوالب لملاءمة معلمات محددة ونماذج طيفية لبناء أطياف خالية من الضوضاء. اختار الباحثون في البداية مجرات ELGs باستخدام نفس الطريقة ونطاق الانزياح الأحمر المستخدم في الكوازارات، ولكن باستخدام SPECTTYPE = GALAXY. نتج عن هذا الفرز 16,500 مجرة ذات خطوط انبعاث، ولكن لم يُحتفظ إلا بمجرات ELGs ذات تدفقات > 2 × 10^-17 erg cm^-2 s^-1 من المسح الرئيسي OII 3726 لضمان أن تكون خطوط الانبعاث المختارة أعلى من مستوى ضوضاء البيانات.

استُخدمت بيانات الرصد الواقعية أثناء التدريب لتغطية جميع الضوضاء الفلكية والضجيج الناتج عن الأجهزة في مجموعة التدريب. ومع ذلك، تعذر استخدام نفس مجموعة البيانات للتدريب وعمليات البحث الفعلية بالعدسات في آنٍ واحد. لذلك، قُسِّمت مجموعة البيانات واستُخدمت على مرحلتين: المرحلة الأولى استخدمت 47% من أصل 812,118 جسمًا، بينما استُخدم الباقي في المرحلة الثانية.

المرحلة الأولى:

* عينات التدريب:تم تدريب شبكة التصنيف وشبكة التنبؤ بالانزياح الأحمر باستخدام 70% من 384,873 كوازار في عينات التدريب للمرحلة 1.

* عينة التحقق:المرحلة 1: يتم استخدام 30% المتبقية في عينات التدريب للتحقق من صحة أداء النموذج أثناء التدريب.

* العينات العمياء:تتكون العينة العمياء من 427,245 كوازارًا لم تُستخدم في التدريب والتحقق والاختبار. بعد اكتمال التدريب، يتم البحث عن عدسات حقيقية في هذه المجموعة من البيانات.

* عينة الاختبار:أثناء الاختبار، استُخدم 3170 كوازارًا من العينة العمياء من المرحلة الأولى، وبُني نظام محاكاة عدسي لـ 10% منها. استُخدمت هذه العينة الاختبارية لتقييم أداء الشبكة بعد تحسين المعاملات الفائقة.

المرحلة الثانية:

في المرحلة الثانية، يتم تبديل عينات التدريب والعينات العمياء، ويتم تكرار نفس العملية.

* عينات التدريب:تم تدريب CNN باستخدام عينات 70% من 427،245 كوازار في العينة العمياء من المرحلة 1.

* عينة التحقق:تم استخدام العينة 30% من بين 427,245 عينة استخدمت للتحقق من الصحة.

* العينات العمياء:تتكون العينة العمياء من 384,873 كوازارًا لم يتم استخدامها في التدريب والتحقق والاختبار.

* عينة الاختبار:خلال اختبار المرحلة الثانية، استُخدم 3547 كوازارًا من العينات العمياء للمرحلة الثانية، وكانت هذه العينات مستقلة عن مجموعات التدريب والتحقق. من بينها، استُخدمت كوازارات 10% لبناء نظام عدسات مُحاكي.

تدريب CNN على نظام عدسات محاكي وعلى الطيف غير المعدّس للكوازار.

إنشاء نموذج يمكنه التعرف بنجاح على الكوازارات التي تعمل كأجسام عدسة جاذبية قوية.المفتاح هو تدريب النموذج باستخدام مجموعات البيانات المسمىة حتى يتمكن من التمييز بين ميزات أطياف الكوازار التي تعمل كعدسات وتلك الخاصة بأطياف الكوازار غير العدسات.يوضح الرسم التخطيطي التالي عملية التدريب كاملة:

استخدم الباحثون أطياف الكوازارات (QSOs) ومجرات خطوط الانبعاث (ELGs) التي رصدها DESI لتدريب شبكة عصبية ملتوية (CNN) على أنظمة محاكاة عدسية (عينات موجبة) وأطياف الكوازارات غير المُعَدَّسة (عينات سالبة). كانت نسبة العينات الموجبة إلى السالبة في مجموعة التدريب 10% إلى 90%.

① بناء مجموعة التدريب ونظام العدسات المحاكاة

على الرغم من أنه يمكن استخدام الأطياف المحاكاة لإنشاء مجموعات تدريب لـ QSO وELG،ومع ذلك، تهدف هذه الدراسة إلى الحفاظ على الخصائص المتأصلة لطيف DESI.تُعزى هذه الخصائص إلى الأدوات، أو ظروف الرصد، أو الأجرام السماوية نفسها. ولأسباب مختلفة (مثل اتساع الخطوط الطيفية، واختلافات السطوع، وغيرها)، تُظهر الخطوط الطيفية [OII] لـ QSO وELG تنوعًا كبيرًا. لذلك، استخدم الباحثون مباشرةً بيانات الرصد المُستقاة من DR1 لتدريب الشبكات العصبية، مما أدى إلى مطابقة خصائص المسح العامة لـ QSO وELG في بنائها.

مع ذلك، فإنّ الكوازارات التي تعمل كعدسات قوية نادرة للغاية. في مجموعة بيانات SDSS، هناك 12 كوازارا فقط من أصل 297,301 كوازارا مرشحة، وضمن نطاق الانزياح الأحمر المدروس في هذه الدراسة، تحتوي مجموعة بيانات DESI DR1 على كوازارا واحد فقط. لذلك، فإنّ العينات الإيجابية في هذه الدراسة، أي عدسات QSO، هي...من الضروري إنشاء مجموعة تدريب تحتوي على عدد كافٍ من العينات الإيجابية والسلبية عن طريق تراكب طيف QSO الحقيقي مع طيف ELG عالي الانزياح الأحمر.

② تدريب وهندسة مصنفات CNN

تتكون شبكة التصنيف من ست طبقات التفافية (50 مرشحًا في الطبقات الثلاث الأولى و100 مرشح في الطبقات الثلاث الأخيرة) وطبقتين متصلتين بالكامل (30 و25 عقدة على التوالي). تُستخدم الطبقات التفافية لاستخراج السمات المحلية في الطيف، مثل خطوط الانبعاث في أطياف الكوازار والـ ELG، ثم تُخرج درجة من 0 إلى 1. أثناء التدريب، تُضبط قيمة عتبة 0.5، وتُحدد العينات ذات درجة التنبؤ ≥ 0.5 كمرشحات للعدسة. وأخيرًا، عند تطبيقها على العينات العمياء، تُحسّن قيمة العتبة إلى 0.7 لتحقيق أقصى قيمة F1.

تتكون بنية CNN من ست طبقات ملتوية: تحتوي كل طبقة من الطبقات الثلاث الأولى على 50 مرشحًا، وتحتوي كل طبقة من الطبقات الثلاث الأخيرة على 100 مرشح. تحتوي الطبقة الأولى المتصلة بالكامل على 30 عقدة، بينما تحتوي الطبقة الثانية على 25 عقدة، كما هو موضح في الجانب الأيسر من الرسم التخطيطي أعلاه. تُخرج الشبكة درجة بين 0 و1. أثناء التدريب، حدد الباحثون عتبة 0.5؛ وتم تحديد أي عينة ذات درجة متوقعة أكبر من أو تساوي 0.5 كعدسة بواسطة الشبكة العصبية.

أثناء التدريب، استُخدم مُحسِّن آدم مع انخفاض مُتسارع في مُعدل التعلم، مما أدى إلى انخفاض مُعدل التعلم بعامل 0.95 كل 500 خطوة. أُجري التدريب باستخدام TensorFlow، واستُخدم scikit-learn لتقسيم مجموعات التدريب، وحساب مصفوفة الارتباك، وحساب المقاييس.

وبعد ذلك، قام الباحثون بتدريب شبكتين CNN باستخدام عينات التدريب من المرحلة 1 والمرحلة 2 على التوالي:يتم استخدام شبكة CNN المدربة في المرحلة 1 للعينات العمياء من المرحلة 1، ويتم استخدام شبكة CNN المدربة في المرحلة 2 للعينات العمياء من المرحلة 2.بعد التدريب، يُقيّم النموذج أداءه التصنيفي على عينات الاختبار، ويُعدِّل الحد الأدنى بناءً على درجة F1، التي تجمع بين النتائج الإيجابية الحقيقية (TP)، والنتائج الإيجابية الكاذبة (FP)، والنتائج السلبية الكاذبة (FN). أعلى درجة F1 في كلتا المرحلتين تُعادل حدًا أدنى قدره 0.7.

أخيرًا، يتم تطبيق كل شبكة على عينات عمياء (الكوازارات التي تم رصدها ولم يتم رؤيتها بواسطة النموذج) لتوليد القائمة الأولى لمرشحي العدسات.

③ التنبؤ بالانزياح الأحمر

من السهل قياس الانزياح الأحمر لـ QSO الأمامي في أطياف الكوازار، لكن من الصعب الحصول مباشرةً على الانزياح الأحمر لـ ELG الخلفي. استخدم فريق البحث طريقتين لمقارنة الأداء:

* ريدروك:تم تركيب الطيف باستخدام قالب PCA وتم إجراء بحث شبكي لتقليل χ².

* نموذج انحدار CNN للانزياح الأحمر:إنه يعتمد على بنية CNN مماثلة لتلك الخاصة بالمصنف، ولكن الإخراج عبارة عن قيمة انزياح أحمر مستمرة، ويتم تدريبه بواسطة خطأ التربيع المتوسط (MSE).

بناءً على تنبؤات الانزياح الأحمر التي قدمتها CNN، قام فريق البحث بتحسين تنبؤات الانزياح الأحمر من خلال إجراء تركيب غاوسي مزدوج محلي على الخط الثنائي [OII] ضمن نطاق Δz = 0.1، مع حساب نسبة الإشارة إلى الضوضاء (SNR) في نفس الوقت لفحص المرشحين ذوي الجودة العالية.

عرض النتائج: اكتشاف سبعة أجسام مرشحة للعدسات القوية

① أداء مصنف CNN: أداء ممتاز في كل من مجموعات التدريب والتحقق.

تظهر مقاييس أداء مصنف CNN المطبقة على مجموعات التدريب والتحقق للمرحلة 1 والمرحلة 2 في الجدول أدناه:

تظهر النتائج أن مصنف CNN يعمل بشكل جيد في كل من مجموعات التدريب والتحقق، ويشير كل من درجة F1 ومقياس AUC إلى أن النموذج يمكنه موازنة الدقة والتذكر بشكل فعال.

② أداء قياس الانزياح الأحمر: في جميع نطاقات نسبة الإشارة إلى الضوضاء، يتفوق جهاز قياس الانزياح الأحمر CNN بشكل كبير على جهاز Redrock.

في عينات الاختبار،قام الباحثون بتصنيف كل جسم حسب نسبة الإشارة إلى الضوضاء (SNR) لـ ELG عالي الانزياح الأحمر لمراقبة أداء CNN و Redrock عبر نطاقات SNR مختلفة لميزات انبعاث [OII].قاموا بتقسيم العينات إلى ثلاث مجموعات على أساس النسب المئوية: نسبة الإشارة إلى الضوضاء المنخفضة (3 ≤ SNR < 7.52)، ونسبة الإشارة إلى الضوضاء المتوسطة (7.52 ≤ SNR < 16.63)، ونسبة الإشارة إلى الضوضاء المرتفعة (SNR ≥ 16.63).

وتظهر النتائج:

* نسبة الإشارة إلى الضوضاء عالية:استعادت CNN انزياحًا أحمرًا للمصدر يبلغ 100% ضمن Δz = 0.1، والذي بلغ 99.48% بعد التجهيز الغاوسي و51.04% بعد Redrock.

* نسبة الإشارة إلى الضوضاء في الصين:لدى CNN قيمة TP3T تبلغ 99.481، والتجهيزات الغوسية لها قيمة TP3T تبلغ 1001، ولدى Redrock قيمة TP3T تبلغ 37.701.

* نسبة الإشارة إلى الضوضاء منخفضة:إن TP3T لـ CNN هو 100.001، وللتجهيز Gaussian هو 96.881، ولـ Redrock هو 29.171.

في ملخص،في جميع نطاقات SNR، تفوق قياس انزياح CNN الأحمر مع التجهيز الغوسي بشكل كبير على Redrock في استعادة انزياح ELG الأحمر في الخلفية.حتى مع وجود خطوط أفق واضحة وضوضاء متبقية في قنوات الأشعة تحت الحمراء (حتى مع التعتيم)، لا تزال شبكات CNN تتفوق على طريقة Redrock القياسية. يحقق التجهيز الغاوسي دقة شبه كاملة في نطاق نسبة الإشارة إلى الضوضاء المتوسطة، ولكنه يُعاني من ضعف الأداء عند نسب الإشارة إلى الضوضاء المنخفضة جدًا، حيث تتفوق طرق CNN النقية.

③ التطبيق على العينات العمياء: تحديد 7 مرشحين للعدسات ذات الأولوية العالية من الفئة أ

بعد تطبيق الشبكة العصبية التلافيفية المُدرَّبة على 812,118 طيفًا من أشباه النجوم، تم اختيار 494 عدسة مُرشَّحة. ومن خلال الفحص البصري اليدوي، بالإضافة إلى معلومات نسبة الإشارة إلى الضوضاء (SNR) والانزياح الأحمر، تم تأكيد 7 عدسات مُرشَّحة ذات أولوية عالية (الدرجة أ)، كما هو موضح في الجدول أدناه:

يبدو أن جميع المرشحين السبعة من الفئة A يظهرون ثنائيات قوية [OII] عند انزياحات حمراء أعلى من QSO، كما هو موضح في الشكل أدناه؛ كما يظهر أربعة من هؤلاء المرشحين أيضًا خطوط [OIII] λ 4959˚A وHβ عند نفس الانزياح الأحمر.

يساهم التعلم العميق في إعادة تشكيل نموذج البحث الفلكي.

على مدار العقد الماضي، غيّر الذكاء الاصطناعي، وخاصةً التعلم العميق، بسرعة نموذج البحث في علم الفلك. بدءًا من جمع البيانات واستخراج السمات وصولًا إلى عملية الاكتشاف العلمي، تطور دور الذكاء الاصطناعي في علم الفلك من مجرد أداة مساعدة إلى قوة دافعة أساسية للاختراقات العلمية الرائدة. والسبب الرئيسي وراء ذلك هو:يدخل علم الفلك عصرًا غير مسبوق من انفجار البيانات.

تُنتج مسوحات السماء واسعة النطاق (مثل DESI وLSST وEuclid) بيتابايتات من البيانات سنويًا، متجاوزةً بذلك قدرات معالجة التحليل اليدوي التقليدي والخوارزميات الكلاسيكية بكثير. تتفوق نماذج التعلم العميق في استخراج الأنماط المعقدة تلقائيًا من كميات هائلة من بيانات الرصد، مما يجعلها مثالية لمعالجة بيانات الطيف والصور والسلاسل الزمنية.

كأحد الممثلين النموذجيينفي نوفمبر 2025، أطلق فريق من أكثر من عشر مؤسسات بحثية حول العالم، بما في ذلك جامعة كاليفورنيا، بيركلي، وجامعة كامبريدج، وجامعة أكسفورد، مشروعًا مشتركًا...AION-1: أول عائلة نموذجية أساسية متعددة الوسائط واسعة النطاق لعلم الفلك(شبكة فلكية متعددة الأنماط)من خلال دمج ونمذجة معلومات رصدية غير متجانسة، مثل الصور والأطياف وبيانات كتالوج النجوم، عبر شبكة أساسية موحدة للاندماج المبكر، لا يقتصر أداء AION-1 على الأداء الممتاز في سيناريوهات الإطلاق الصفري فحسب، بل تُضاهي دقة اكتشافه الخطي دقة النماذج المُدربة خصيصًا لمهام محددة. ومن خلال معالجة التحديات الأساسية، مثل تباين البيانات والضوضاء وتنوع الأجهزة، يوفر AION-1 نموذجًا عمليًا للنمذجة متعددة الوسائط لعلم الفلك والمجالات العلمية الأخرى.
عنوان الورقة:AION-1: نموذج أساسي متعدد الوسائط للعلوم الفلكية
عنوان الورقة:https://openreview.net/forum?id=6gJ2ZykQ5W

في مجال تصنيف الأجرام السماوية، أصبح التعلم العميق تقنيةً نجمية. سواءً كان الأمر يتعلق بتصنيف مورفولوجيا المجرات، أو تحديد المستعرات العظمى، أو البحث عن طريق عدسة الجاذبية القوية،يمكن لكل من بنية CNN وTransformer العثور على ميزات رئيسية مرتبطة بالعمليات الفيزيائية في البيانات غير المنظمة عالية الأبعاد، مما يحقق السرعة والتناسق الذي يتجاوز بكثير تلك الخاصة بالطرق اليدوية.

على سبيل المثال،قام فريق بقيادة الدكتور فينج هايتشنغ من مرصد يونان الفلكي التابع للأكاديمية الصينية للعلوم، بالتعاون مع الدكتور لي روي من جامعة تشنغتشو والأستاذ نيكولا ر. نابوليتانو من جامعة نابولي فيديريكو الثاني بإيطاليا،تم اقتراح نموذج شبكة عصبية متعدد الوسائط، يدمج بشكل مبتكر سمات مورفولوجيا الأجرام السماوية مع معلومات SED لتحقيق تحديد آلي عالي الدقة للأجرام السماوية، مثل النجوم والكوازارات والمجرات. طُبقت هذه الطريقة على مساحة سماوية تبلغ 1350 درجة مربعة في الإصدار الخامس من بيانات مشروع KiDS التابع للمرصد الأوروبي الجنوبي، مُكملةً بذلك تصنيف أكثر من 27 مليون جرم في النطاق R، أكثر سطوعًا من القدر 23.
عنوان الورقة:التصنيف المورفوفوتوميتري لمصادر KiDS DR5 استنادًا إلى الشبكات العصبية: كتالوج شامل للنجوم والكوازارات والمجرات
عنوان الورقة:https://iopscience.iop.org/article/10.3847/1538-4365/adde5a

وبشكل عام، فإن الذكاء الاصطناعي لا يحل محل الأساليب الفلكية التقليدية فحسب، بل إنه يعمل باستمرار على دفع عملية ترقية نماذج البحث العلمي: تحرير علماء الفلك من معالجة البيانات المملة حتى يتمكنوا من التركيز على الأسئلة الفيزيائية الأساسية؛ ومنع الأجرام السماوية النادرة من الغرق في كميات هائلة من البيانات؛ وتمكين فهم أسرع وأعمق لبنية الكون وتطوره.

مراجع:
1.https://arxiv.org/abs/2511.02009
2.https://phys.org/news/2025-11-machine-quasars-lenses.html
3.https://www.cpsjournals.cn/data/article/wl/preview/pdf/10.7693/wl20250701.pdf
4.https://mp.weixin.qq.com/s/6zlnE5-fIw21TQeg1QPPnQ
5.https://www.cas.cn/syky/202507/t20250711_5076040.shtml