تُسهم المسوحات السماوية واسعة النطاق ومتعددة النطاقات وذات مجال الرؤية الواسع والعمق العالي حاليًا في دفع علم الفلك نحو عصر غير مسبوق من حيث كثافة البيانات. ومع تشغيل مرافق الجيل القادم مثل تلسكوب إقليدس الفضائي ومرصد روبين وتلسكوب رومان الفضائي، يجري رسم خريطة منهجية للكون على نطاق غير مسبوق وبدقة غير مسبوقة. ومن المتوقع أن تُنتج هذه الرصدات مليارات الصور السماوية والبيانات الطيفية، وهو أحد أهم إمكاناتها العلمية...أي اكتشاف وتحديد تلك الأجرام السماوية النادرة ذات القيمة الفيزيائية الفلكية الخاصة بشكل منهجي.وتشمل الأمثلة العدسات الجاذبية القوية، والمجرات المندمجة، ومجرات قنديل البحر، والأقراص الكوكبية الأولية ذات التوجيه الحافي.

تلعب هذه الأجرام السماوية النادرة، والتي يُشار إليها غالبًا باسم "الشذوذات الفيزيائية الفلكية"، دورًا حاسمًا في اختبار نماذج تطور المجرات، ونظريات الجاذبية، والمعايير الكونية. ومع ذلك، فقد اعتمد اكتشافها لفترة طويلة بشكل كبير على التحديد البصري العرضي من قِبل الباحثين أو الفحص اليدوي من قِبل مشاريع العلوم التشاركية.لا تقتصر هذه الأساليب على كونها ذاتية للغاية وغير فعالة فحسب، بل يصعب أيضًا تكييفها مع الحجم الهائل من البيانات التي على وشك الظهور.

في نفس الوقت،تواجه أساليب التعلم الآلي التقليدية الخاضعة للإشراف تحديات أساسية بسبب العدد المحدود للغاية من العينات المصنفة للأجرام السماوية النادرة وعدم التوازن الشديد في فئات البيانات.لمعالجة هذه المعضلة، اتجهت الأبحاث تدريجيًا نحو أطر كشف الشذوذ غير الخاضعة للإشراف أو الخاضعة لإشراف ضعيف. لا تُحدد هذه الأساليب فئات مستهدفة مُسبقًا، بل تتعلم البنية العامة أو توزيع البيانات نفسها من خلال خوارزميات، وبالتالي تُحدد تلقائيًا "القيم الشاذة" التي تنحرف بشكل كبير عن المجموعة "الطبيعية". على سبيل المثال، أثبتت الأدوات القائمة على خوارزميات مثل غابات العزل وعوامل الشذوذ المحلية، أو التقنيات التي تُنشئ فضاءات تمثيلية من خلال التعلم الذاتي ثم تُجري عمليات بحث عن التشابه، فعاليتها في مهام مثل فحص عدسات الجاذبية القوية من بيانات المسح السماوي واسع النطاق.

مع ذلك، يمكن للأساليب غير الخاضعة للإشراف أن تُنتج عددًا كبيرًا من الشذوذات "الضوضائية" التي لا صلة لها بالاهتمامات الفيزيائية الفلكية. وللتعويض عن هذا القصور،اقترح فريق بحثي في المركز الأوروبي لعلم الفلك الفضائي (ESAC)، وهو قسم من وكالة الفضاء الأوروبية (ESA)، وطبق طريقة جديدة تسمى AnomalyMatch.تُعرَّف مهمة الكشف عن الأجرام السماوية النادرة بأنها مشكلة تصنيف ثنائي شبه مُشرف غير متوازنة للغاية، ومُدمجة بعمق مع حلقات التعلم النشط. يمكن البدء بها بعدد قليل جدًا من العينات الشاذة المصنفة، أقل من 10. في الوقت نفسه، تستكشف المهمة وتستغل قيمة البيانات غير المصنفة الضخمة بشكل كامل باستخدام تقنيات التعلم شبه المُشرف، مثل التصنيفات الزائفة والتنظيم المتسق. علاوة على ذلك، تُطبَّق آلية تحقق من الخبراء طوال العملية، ويتحسن أداء الكشف تدريجيًا من خلال الاستفادة الكاملة من البيانات غير المصنفة ومعرفة الخبراء.

تم نشر نتائج البحث ذات الصلة، بعنوان "تحديد الشذوذات الفيزيائية الفلكية في 99.6 مليون صورة مقطوعة من أرشيف هابل القديم باستخدام AnomalyMatch"، في مجلة علم الفلك والفيزياء الفلكية.

أبرز الأبحاث:

* تم استخدام AnomalyMatch لإجراء أول فحص منهجي للأجسام السماوية الشاذة عبر أرشيف هابل للتراث بأكمله (حوالي 100 مليون شريحة صورة).

* أصدر النظام كتالوجًا للظواهر الفيزيائية الفلكية المكتشفة حديثًا، مما أدى إلى توسيع مكتبة العينات للظواهر النادرة بشكل كبير، بما في ذلك 417 عملية اندماج مجرات جديدة، و138 مرشحًا لعدسات الجاذبية، و18 مجرة قنديل البحر، ومجرتين حلقيتين للتصادم.

* تم التحقق بنجاح من كفاءة ودقة المعالجة العالية للغاية لهذه الطريقة، حيث تم الانتهاء من تحليل البيانات بالكامل في غضون يومين إلى ثلاثة أيام فقط، مما يدل على إمكاناتها التحويلية في معالجة بيانات المسح السماوي واسعة النطاق للغاية في المستقبل من تلسكوب إقليدس ومصادر أخرى.

عنوان الورقة:https://doi.org/10.1051/0004-6361/202555512
تابع حسابنا الرسمي على WeChat وأجب بعبارة "أجرام سماوية نادرة" في الخلفية للحصول على ملف PDF كامل.
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers

تم بناؤها على مجموعة بيانات موحدة تضم حوالي 100 مليون خريطة مقطع مصدرية من تلسكوب هابل

تستند مجموعة البيانات المستخدمة في هذه الدراسة إلى صور مُقتطعة من مصادر مجرية أنشأها أوريان وآخرون. وقد هدف هذا العمل في الأصل إلى البحث المنهجي عن المجرات المتفاعلة والمندمجة من أرشيف هابل التراثي، ومعالجة جميع المصادر الممتدة تقريبًا داخل الأرشيف، وذلك بهدف إنشاء مجموعة صور موحدة واسعة النطاق. ولضمان اتساق البيانات وسهولة استخدامها،اختار الباحثون فقط صور الفسيفساء المعايرة من المستوى 3 التي تم الحصول عليها بواسطة قناة المجال الواسع للكاميرا المتقدمة للاستطلاعات التابعة لتلسكوب هابل الفضائي تحت مرشح F814W.يشير هذا إلى البيانات التي تمت معالجتها إلى الحد الذي يمكن استخدامه فيه مباشرة للتحليل العلمي.

أسفرت عملية الفرز هذه عن حوالي عشرة آلاف ملاحظة، تغطي مصادر ممتدة في كتالوج مصادر هابل الذي نشره ويتمور وآخرون باستخدام برنامج SourceExtractor.وقد أدى ذلك في النهاية إلى إنشاء مكتبة صور تحتوي على ما يقرب من 99.6 مليون صورة من مصادر فردية.تُثبّت كل شريحة عند 150×150 بكسل، ما يُقابل منطقة سماوية مربعة الشكل تبلغ مساحتها حوالي 7.5 ثانية قوسية، ويتم تحسينها باستخدام طريقتي التمديد الخطي وZScaleInterval من Astropy، ثم تُحفظ بصيغة JPEG بتدرج الرمادي. على الرغم من أن فهرس مصادر هابل نفسه يتضمن MatchID لإزالة التكرارات، فقد اختار أوريون وزملاؤه إجراء إزالة التكرارات بعد التصنيف فقط للحفاظ على المعلومات الهيكلية للأنظمة المتفاعلة أو المجرات متعددة النوى المندمجة. واتبع الباحثون الاستراتيجية نفسها لضمان عدم احتواء مجموعة التدريب على شرائح مختلفة من المصدر نفسه.

بالإضافة إلى ذلك، في عمليات الرصد العميق لبعض حقول النجوم المدمجة، مثل مجرة أندروميدا، أو سحابة ماجلان، أو العناقيد الكروية، يمكن دمج مصادر النقاط الكثيفة في "مصدر ممتد" واحد بواسطة البرامج، مما يشكل نوعًا خاصًا من تشوهات الصورة.حدد الباحثون مثل هذه الحالات في التعلم النشط اللاحق واستخدموا نماذج موجهة بالتعليقات لتصنيفها على أنها كائنات شاذة منخفضة الدرجة.لتحسين كفاءة الوصول إلى البيانات، يتم تخزين جميع الشرائح التي يبلغ عددها حوالي 99.6 مليون شريحة في كتل موزعة على ما يقرب من ألف ملف HDF5.

عند إنشاء مجموعة التدريب، استهدف الباحثون في البداية الأقراص الكوكبية الأولية المحاذية للحواف. ولذلك، كما هو موضح في الشكل أدناه، احتوت بيانات التدريب الأولية على 3 عينات شاذة فقط، و128 عينة طبيعية مصنفة، وعدد كبير من الصور غير المصنفة. وقد تم الحصول على العينات الطبيعية من خلال أخذ عينات عشوائية من قاعدة البيانات بأكملها وفحصها يدويًا، لتشمل المجرات المعزولة والحقول النجمية والشوائب الشائعة.

لكن مع إدخال التعلم النشط،تم توسيع نطاق الأجسام المرشحة ذات الثقة العالية التي قدمها النموذج بسرعة لتشمل أجرامًا سماوية أخرى ذات أشكال خاصة وقيمة بحثية.باستخدام هذه الطريقة، قام الباحثون تدريجياً ببناء وتوسيع مجموعة تدريب أكثر شمولاً، والتي تضمنت في النهاية 1400 صورة مصنفة، منها 375 صورة شاذة و1025 صورة طبيعية. وشملت العينات الشاذة بشكل رئيسي مجرات مندمجة (178) وأنظمة عدسات جاذبية (63).

على الرغم من تزايد تنوع وحجم مجموعة التدريب، لم يتمكن الباحثون من اكتشاف أي أقراص كوكبية أولية جديدة محاذية للحواف في بيانات F814W. ويعود ذلك أساسًا إلى سببين: أولًا، ندرة هذه الأجسام في نطاق الرصد هذا؛ وثانيًا، مع دمج أنواع أخرى من الشذوذ تدريجيًا في مجموعة التدريب، أصبحت عينات الأقراص الكوكبية الأولية القليلة المعروفة جزءًا من بيانات التدريب، مما قلل من احتمالية اعتبارها شذوذًا "مجهولًا" وإعادة اكتشافها. وتعكس هذه العملية أيضًا المسار الفعلي لتطور هذه الطريقة من أداة بحث عن أهداف محددة إلى إطار عمل عام للكشف عن الشذوذ.

AnomalyMatch: إطار عمل تفاعلي وفعال للكشف عن الحالات الشاذة يجمع بين التعلم شبه الموجه والتعلم النشط.

AnomalyMatch هو إطار عمل للتعلم الآلي طوره باحثون لمواجهة تحدي اكتشاف الأجرام السماوية النادرة في مجموعات البيانات الفلكية واسعة النطاق. يكمن الابتكار الأساسي لهذه الطريقة في...وهو يُعرّف بشكل صريح اكتشاف الشذوذ على أنه مشكلة تصنيف ثنائي غير متوازن للغاية، ويجمع بشكل إبداعي بين التعلم شبه الخاضع للإشراف وحلقة التعلم النشط.وهذا يُمكّن من الاكتشاف الفعال للأهداف النادرة المحتملة في كميات هائلة من البيانات غير المصنفة، بالاعتماد فقط على عدد قليل جدًا من العينات الشاذة المعروفة.

كما هو موضح في الشكل أدناه، يعتمد تصميم هذا النموذج على نماذج متقدمة للتعلم شبه الموجه مثل FixMatch. ويستخدم هيكله الأساسي بيانات مصنفة وغير مصنفة من مجموعة بيانات المستخدم لتدريب بنية EfficientNet بهدف تحقيق التوازن بين الكفاءة الحسابية وقدرة استخلاص الميزات.يتألف الإطار العام من مكونين للتعلم التعاوني: يستخدم جزء التعلم الخاضع للإشراف خسارة مركزية مقترنة باستراتيجية ترجيح ديناميكية.يتم تطبيق أخذ العينات الزائد الذكي لفئات الشذوذ النادرة للتخفيف بشكل فعال من تحيز التدريب الناتج عن عدم توازن الفئات الشديد.يقوم الجزء غير الخاضع للإشراف بتوليد تصنيفات زائفة عالية الثقة من خلال صور محسّنة بشكل ضعيف.علاوة على ذلك، يتم فرض قيد تنظيم الاتساق على النسخة المحسنة بشدة، مما يجبر النموذج على تعلم تمثيلات مورفولوجية قوية في البيانات، بدلاً من الاعتماد على القطع الأثرية السطحية.

أما فيما يتعلق بآلية التدريب، فإن النموذج يعتمد استراتيجية تحسين مرحلية.في المرحلة الأولية، يتم استخدام عدد قليل من العينات المصنفة للتسخين الخاضع للإشراف، ثم يتم إدخال البيانات غير المصنفة وتصنيفاتها الزائفة تدريجياً للتدريب شبه الخاضع للإشراف.بعد كل جولة تدريب، يستنتج النموذج مجموعة البيانات غير المصنفة بالكامل ويُخرج "درجة شذوذ" لكل عينة. تعتمد هذه الدرجة على ثقة النموذج في فئة الشذوذ، ويتم تعزيز موثوقية تصنيفه من خلال استراتيجية معايرة.

الأهم من ذلك، أن AnomalyMatch يدمج بسلاسة سير عمل تفاعلي للتعلم النشط. يعرض هذا السير عينات المرشحين الحاصلة على أعلى درجات تنبؤ النموذج على خبراء المجال من خلال واجهة ويب مصممة خصيصًا لمراجعة الصور الفلكية. يستطيع الخبراء تصنيف العينات أو وضع علامات عليها أو استبعادها بسرعة، وتُعاد نتائج التحقق إلى حلقة التدريب في الوقت الفعلي. لا تُوسّع العينات المُؤكدة حديثًا مجموعة التصنيفات فحسب، بل تُستخدم معلوماتها أيضًا لضبط أوزان الفئات وعتبات التصنيفات الوهمية ديناميكيًا، مما يُشكّل حلقة مغلقة ذاتية التعزيز من "توصية النموذج - تأكيد الخبير - تكرار النموذج".

بالنسبة لأرشيف هابل للتراث، الذي يحتوي على ما يقرب من 100 مليون مقطع مصدري، يكمل النموذج جولة واحدة من استنتاج البيانات الكاملة في حوالي 2.5 يوم فقط، ويدعم استئناف نقطة التوقف والتحديثات التزايدية.في التطبيقات العملية، لم يقتصر نجاح هذا الإطار على اكتشاف عدد كبير من الأجرام السماوية النادرة الجديدة، مثل المجرات المندمجة، وعدسات الجاذبية، ومجرات قنديل البحر، بل شمل أيضاً تحديد العديد من الأنظمة الفريدة التي لم تُوثَّق بعد في الأدبيات العلمية. وتُبرز كفاءته العالية وقدرته الفائقة على التعميم القيمة الجوهرية لهذه الأطر الذكية الهجينة في معالجة بيانات المسح السماوي فائق الاتساع من الجيل التالي.

تم اكتشاف 1339 جرمًا سماويًا غير عادي في أرشيف هابل للتراث

بعد الانتهاء من تدريب النموذج، طبقت الدراسة ذلك على مجموعة بيانات أرشيف هابل للتراث بأكملها للبحث بشكل منهجي عن الأجسام السماوية الشاذة وتصنيفها.

في البداية، قام الباحثون بإزالة التكرارات بدقة من بين 5000 عينة مرشحة ذات أعلى درجات شذوذ في مخرجات النموذج. تحديدًا، قاموا بمطابقة العينات مع معرّفات مصادرها في فهرس مصادر هابل، واستخرجوا إحداثياتها، ثم أجروا مطابقة شعاعية دقيقة بنصف قطر 10 ثوانٍ قوسية. نظرًا لأن احتمال وجود جسمين شاذين مستقلين معًا ضمن هذه المسافة الزاوية الصغيرة منخفض للغاية، فإن هذه الطريقة تقضي بفعالية على تكرار الصور الناتج عن تجزئة البيانات. بعد هذه الخطوة، تظهر النتيجة في الشكل أدناه.حصل الباحثون على 1339 مرشحًا شاذًا فريدًا، وهو ما يعكس بشكل بديهي مشكلة معدل التكرار العالي الموجودة في مجموعة البيانات الأصلية.

بعد ذلك، قام خبراء المجال، استنادًا إلى التحليل المورفولوجي والبحث في قواعد البيانات مثل SIMBAD وESASky، بتصنيف كل عينة من العينات الفريدة البالغ عددها 1339 عينة تصنيفًا فرعيًا دقيقًا. وأظهرت نتائج التصنيف أن...تُعد المجرات المندمجة أو المتفاعلة الفئة الأكثر اكتشافًا، حيث بلغ مجموعها 629 نظامًا مستقلًا، وهو ما يمثل حوالي 501 من إجمالي TP3T.

يعود ذلك جزئيًا إلى كون هذه الأجرام السماوية من الأنواع الشاذة الشائعة نسبيًا، وجزئيًا إلى تفاعلاتها المدية القوية، التي تمنحها شكلًا فريدًا يسهل على النماذج رصده. تجدر الإشارة إلى أن مجال رؤية الباحثين محدود في رسوماتهم البيانية، لذا قد تظهر بعض أنظمة الاندماج المتأخرة شديدة الاضطراب كأجسام منفردة في الصور، وتحتاج خصائص اندماجها إلى مزيد من التأكيد من خلال تعديل مجال الرؤية أو الرجوع إلى المراجع العلمية.

يشكل تأثير عدسة الجاذبية والظواهر المرتبطة بها الفئة الرئيسية الثانية من اكتشافات الشذوذ. وقد حدد الباحثون عددًا كبيرًا من المرشحين الأقوياء لتأثير عدسة الجاذبية، بما في ذلك العديد من أنظمة العدسات المعروفة وعدد كبير من المرشحين المحتملين الجدد. علاوة على ذلك، ميزوا 39 قوسًا جاذبيًا، تتولد عادةً من عناقيد المجرات الأمامية، والتي غالبًا ما يتجاوز حجمها نطاق علامة التلدة الواحدة، وتظهر في البيانات كجزء صغير فقط من قوس ضوئي عملاق. كما نجح النموذج في رصد مجموعة من المجرات ذات الانزياح الأحمر العالي، والتي تظهر في الصور على شكل بقع كثيفة وغير منتظمة قليلاً، ذات نسبة إشارة إلى ضوضاء منخفضة، بما يتوافق مع الخصائص الرصدية لهذه الأجسام.

في فئات أخرى، اكتشف الباحثون 35 مجرة على شكل قنديل البحر استوفت معايير صارمة (جميعها تقع في عناقيد مجرية وتُظهر صدمات قوسية أمامية وآثار تجريد)، و11 مجرة متكتلة، وعددًا مماثلًا من المجرات المتداخلة. والجدير بالذكر أن النموذج، دون أي تدريب مُسبق، أظهر قدرة تعميم ملحوظة في التعرف على السمات المورفولوجية.تم اكتشاف العديد من عدسات الكوازار (التي تتميز بهياكل مثل "صليب أينشتاين") و 13 مجرة مضيفة للنفثات النسبية، وهي نادرة جدًا في النطاق البصري، بنجاح.وهذا يوضح أن برنامج AnomalyMatch يمكنه نقل المعرفة المكتسبة واكتشاف الأنواع الفرعية الشاذة التي لم تظهر في مجموعة التدريب.

بالإضافة إلى الأعضاء المصنفين بوضوح المذكورين أعلاه، يتضمن الكتالوج النهائي أيضًا ثلاث فئات عامة: "المجرات الخاصة" تشير إلى الأجرام السماوية ذات الأشكال غير المنتظمة بشكل كبير والتي لا تتوافق مع أي فئات فرعية موجودة؛ "المجرات العادية" تمثل النتائج الإيجابية الخاطئة (حوالي 10%) حيث يكون حكم النموذج غير صحيح، وتشمل بشكل أساسي المجرات المعزولة ذات الاضطرابات الهيكلية الطفيفة أو حقول النجوم الكثيفة أو القطع الأثرية للأجهزة؛ و"المجرات غير المعروفة" تغطي 43 هدفًا غريبًا لا يمكن تصنيفها حاليًا بناءً على المعرفة الحالية، مما يترك مجالًا مفتوحًا للبحث المستقبلي.

يعيد الذكاء الاصطناعي تشكيل علم الفلك الحديث

في مواجهة طوفان البيانات الذي أحدثه الجيل القادم من المسوحات السماوية واسعة النطاق، يشهد البحث الفلكي العالمي تحولاً جذرياً في النموذج.

في الأوساط الأكاديمية، يركز أحد محاور البحث على كيفية تمكين الآلات من فهم التغيرات الزمنية والحالة المعقدة في البيانات الفلكية بشكل أكثر ذكاءً. فعلى سبيل المثال، طور فريق بحثي من جامعة تورنتو، وكلية إمبريال كوليدج لندن، ومركز هارفارد-سميثسونيان للفيزياء الفلكية، طريقة جديدة تعتمد على نماذج ماركوف المخفية في الفضاء المتصل لتحديد وفصل الحالات الفيزيائية المختلفة للمصادر الفلكية تلقائيًا.

ببساطة، تُصوّر هذه الطريقة النشاط النجمي كسلسلة من الحالات الخفية والمتغيرة باستمرار.أنا  من خلال تحليل منحنيات تغير الضوء متعددة النطاقات التي التقطها التلسكوب، من الممكن استنتاج الحالة الفيزيائية لجسم سماوي في كل لحظة بشكل ذكي.قام فريق البحث بتطبيق هذه الخوارزمية على نجم متوهج نشط يسمى EV Lac. وقد نجح الذكاء الاصطناعي في التمييز بين الحالات المختلفة، مثل "الهدوء" و"التوهج"، من بيانات الأشعة السينية الخاصة به، وقام بقياس خصائص الأحداث الانفجارية بدقة.

عنوان الورقة:

فصل الحالات في المصادر الفلكية باستخدام نماذج ماركوف المخفية: مع دراسة حالة للتوهج والهدوء على EV Lac
رابط الورقة:https://doi.org/10.1093/mnras/stae2082

في الوقت نفسه، يشارك مجتمع الأعمال في ثورة البيانات الفلكية هذه بطرق غير مسبوقة، فلم يعد مجرد مزود للتكنولوجيا، بل أصبح مصممًا وبانيًا ومشغلًا للبعثات العلمية. ومن الأمثلة البارزة على ذلك شركة "أوبن كوزموس"، وهي شركة أوروبية رائدة في مجال تكنولوجيا الفضاء. في عام 2024، دخلت الشركة في شراكة مع معهد الفضاء الكاتالوني...قامت الشركة رسميًا بتصميم وبناء أول منصة قمر صناعي مخصصة للأبحاث الفيزيائية الفلكية، "فوتسات".سيحمل هذا القمر الصناعي المكعب الصغير ذو القدرات العالية تلسكوبين، ومن المخطط له مسح السماء بأكملها في نطاقي الضوء المرئي والأشعة فوق البنفسجية كل يومين، مراقباً باستمرار التغيرات في عشرات الملايين من ألمع النجوم. أهدافه العلمية واضحة تماماً: توفير تدفق بيانات قيّم لأبحاث أساسية مثل البحث عن الكواكب الخارجية، وتوصيف خصائص النجوم، ورصد انفجارات المستعرات العظمى.

سواءً تعلق الأمر بنماذج ماركوف المخفية التي طُوّرت في مختبرات الجامعات والتي تُتيح فهمًا عميقًا لحالة البيانات، أو بالأقمار الصناعية الفلكية التي بنتها شركات الفضاء التجارية المُخصصة لتحقيق أهداف علمية مُحددة، فإنّ دافعها الأساسي هو مُواكبة النمو الهائل في حجم البيانات وتعقيدها. ومن المُتوقع أنه مع تشغيل مرافق الجيل الجديد مثل مرصد روبين وتلسكوب رومان الفضائي، سيُصبح هذا النموذج ذو المحركين "الخوارزميات الذكية + المنصات المُبتكرة" أكثر انتشارًا، دافعًا علم الفلك من عصر قائم على الفرضيات إلى عصر جديد قائم على البيانات والخوارزميات معًا، مما يُتيح اكتشافًا أكثر كفاءة للألغاز الكونية النادرة والثمينة في هذا الكون الشاسع.

روابط مرجعية:
1.https://www.electronicsweekly.com/news/business/open-cosmos-to-develop-astrophysical-satellite-2024-10/