مع التطور المستمر للأبحاث الفلكية، دخل اكتشاف الكواكب الخارجية مرحلة من التطور السريع. وعلى وجه الخصوص، تُمكّن بيانات منحنى الضوء التي توفرها مهمة القمر الصناعي "تيس" (TESS) التابع لناسا العلماء من الحصول على عدد كبير من إشارات العبور المحتملة يوميًا.

مع ذلك، يُعدّ تأكيد أو دحض الخصائص الكوكبية للمرشحين عملية طويلة وشاقة. وحتى الآن، يُدرج أرشيف الكواكب الخارجية 7658 هدفًا من أهداف تلسكوب TESS (الأجسام الكوكبية ذات الأهمية)، منها 5152 هدفًا لا تزال مُصنّفة كمرشحين.تم تأكيد 666 كوكبًا فقط على أنها كواكب خارجية حقيقية، وتم اكتشاف 558 كوكبًا آخر بواسطة تلسكوب TESS ولكن تم تأكيدها سابقًا.في غضون ذلك، تم تحديد 1185 مرشحًا لـ TESS على أنها "إيجابيات خاطئة (FPs)"، وتم تصنيف 97 آخرين على أنها "إنذارات خاطئة (FAs)" - يسلط هذا العدد الكبير الضوء على صعوبة تأكيد المرشحين للكواكب الخارجية.

إن الخطوة التالية التي تتجاوز اختيار المرشحين هي "خطوط التحقق"، والتي تهدف إلى تأكيد أن المرشحين كواكب حقيقية من خلال الأساليب الإحصائية.تعتمد أساليب التحقق التقليدية بشكل أساسي على التحليل اليدوي والملاحظات اللاحقة، بما في ذلك قياسات السرعة الشعاعية (RV) وتتبع التلسكوب الأرضي.على الرغم من أن هذه الطرق موثوقة، إلا أنها تستغرق وقتاً طويلاً ومكلفة.

ورداً على ذلك، قام فريق بحثي من جامعة وارويك، بالاعتماد على عملية كيبلر التي اقترحها ديفيد جيه. أرمسترونج وآخرون،تم تطوير عملية فحص وتحقق جديدة لمرشحي TESS بشكل أكبر - RAVEN (تصنيف والتحقق من ExoplaNets).يُعدّ إدخال مجموعات بيانات التدريب الاصطناعية أهم تغيير في العملية الجديدة، إذ لم تعد تعتمد فقط على بيانات أحداث تجاوز الحدود (TCE) التي تُنتجها المهمة نفسها. يُوسّع هذا التحسين نطاق معلمات سيناريوهات الكواكب والنتائج الإيجابية الخاطئة التي يغطيها نموذج التعلّم الآلي ويُحسّنه بشكل ملحوظ.

وتظهر النتائج أنحقق الإجراء درجة AUC تزيد عن 971 TP3T في جميع سيناريوهات النتائج الإيجابية الكاذبة، باستثناء سيناريو واحد تجاوز فيه 991 TP3T.في مجموعة اختبار خارجية مستقلة تحتوي على 1361 مرشحًا مصنفًا مسبقًا لـ TESS، حقق سير العمل دقة إجمالية قدرها 91%، مما يدل على فعاليته في تصنيف مرشحي TESS تلقائيًا.

كما استخدم الباحثون هذه العملية لتأكيد وجود 118 كوكبًا خارجيًا جديدًا، مع تحديد أكثر من 2000 كوكب مرشح عالي الجودة، لم يتم اكتشاف ما يقرب من 1000 منها من قبل.

تم نشر نتائج البحث ذات الصلة، بعنوان "RAVEN: RANking and Validation of ExoplaNets"، كنسخة أولية على arXiv.

أبرز الأبحاث:

* من خلال الاستفادة من مجموعات البيانات الاصطناعية، يتيح RAVEN إجراء مقارنات فردية بين سيناريوهات الكواكب وكل سيناريو إيجابي خاطئ - وهي قدرة كانت موجودة سابقًا فقط في أطر التحقق التي تعتمد على ملاءمة النموذج.

تُدخل العملية الجديدة مجموعات بيانات تدريب اصطناعية، ولم تعد تعتمد فقط على بيانات TCE التي تم إنشاؤها بواسطة المهمة نفسها.

تحافظ العملية الجديدة على كفاءة تشغيلية عالية: تستغرق معالجة المرشح النموذجي دقيقة واحدة فقط، ولديها قابلية جيدة للتوسع من خلال دعم العمليات المتعددة.

عنوان الورقة:https://arxiv.org/abs/2509.17645*
تابع حسابنا الرسمي على WeChat وأجب بكلمة "TESS" في الخلفية للحصول على ملف PDF كامل.

مجموعة البيانات: مسار البناء الكامل من بيانات الإدخال إلى عينات التدريب

بيانات الإدخال: دمج المعلومات من مصادر متعددة مع منحنيات الضوء كنواة.

تعتمد آلية عمل RAVEN حاليًا على بيانات توزيع الضوء المُستخرجة من صور الإطار الكامل (FFI) الملتقطة بواسطة تلسكوب TESS، والتي يُصدرها مركز عمليات معالجة البيانات العلمية التابع له. تُستخرج هذه البيانات من صور الإطار الكامل لكل قطاع رصد باستخدام قياس الضوء الفتحي، بمعدل أخذ عينات يبلغ 30 دقيقة للقطاعات من 1 إلى 27، و10 دقائق للقطاعات من 28 إلى 55. أما بيانات الإطار الكامل الصادرة عن مهمة التمديد الثانية لتلسكوب TESS (بدءًا من القطاع 56) فتُؤخذ بمعدل 200 ثانية. وتنتهي بيانات توزيع الضوء المستخدمة في هذه الدراسة عند القطاع 55.

بيانات التدريب: النمذجة المنهجية للكواكب والنتائج الإيجابية الخاطئة

تُدخل عملية RAVEN بيانات منحنى الضوء الاصطناعية لتدريب نماذج التعلم الآلي، بدلاً من الاعتماد على بيانات منحنى الضوء المرشحة المصنفة الموجودة في المهمة.

استخدمت مجموعة الأحداث المركبة الأولية عمليات عبور أو كسوف محاكاة، وأُدمجت في منحنيات الضوء الخاصة بـ SPOC. وتم توليد الأحداث المحاكاة باستخدام نسخة معدلة من برنامج PASTIS الخاص بالباحثين، وشملت في البداية سيناريوهات مثل الكواكب العابرة (Planet)، والأنظمة الثنائية الكسوفية (EB)، والأنظمة الثنائية الكسوفية الطبقية (HEB)، والكواكب العابرة الطبقية (HTP)، والأنظمة الثنائية الكسوفية الخلفية (BEB)، والكواكب العابرة الخلفية (BTP). ولضمان أن البيانات المركبة تُقارب بدقة مجموعة رصد TESS الفعلية، تم اختيار النجم الرئيسي في كل سيناريو عشوائيًا من عينة كتالوج إدخال TESS (TIC) كاملة التوصيف. وفي النهاية، احتوت العينة المستهدفة على 1,200,520 نجمًا من نجوم SPOC FFI.

وبناءً على ذلك، يصبح بناء بيانات النتائج الإيجابية الخاطئة أكثر تعقيدًا وأهمية. بالنسبة للنتائج الإيجابية الخاطئة القريبة (NFPs)، يأخذ الباحثون في الاعتبار سيناريوهات NFP التالية: كوكب عابر قريب (NTP): يعبر الكوكب أمام النجم المضيف ويخفف من حدته؛ نظام ثنائي كسوفي قريب (NEB): مصدر التخفيف القريب هو نظام ثنائي كسوفي؛ نظام ثنائي كسوفي طبقي قريب (NHEB): مصدر التخفيف القريب هو نظام ثنائي كسوفي طبقي.

بيانات الاختبار: سيناريوهات تطبيق واقعية تتمحور حول TOI

تم اختبار أداء هذه العملية أخيرًا على مجموعة من أهداف الاهتمام (أي أهداف الاهتمام الخاصة بـ TESS) مع التصنيفات السابقة الموجودة.استُقيت قائمة ومعلومات تصنيف الأجرام المستهدفة المستخدمة في الاختبار من أرشيف ناسا للكواكب الخارجية، بتاريخ 3 فبراير 2025. في ذلك الوقت، كان هناك 2134 جرمًا مستهدفًا مصنفًا مسبقًا، منها 548 جرمًا مصنفًا ككواكب معروفة، و485 جرمًا مصنفًا ككواكب مؤكدة من قِبل تلسكوب TESS، و1113 جرمًا مصنفًا ككواكب غير معروفة، و96 جرمًا مصنفًا ككواكب غير معروفة. مع ذلك، لم يتوفر سوى 1918 جرمًا مستهدفًا بمنحنيات ضوئية منشورة من جهاز SPOC FFI. في النهاية،بعد تطبيق قيود العمق والقيود الدورية على العينات المتبقية، يبلغ إجمالي عدد مناطق الاهتمام التي يجب معالجتها 1589.

خضعت جميع الأهداف النجمية (TOIs) لجميع خطوات المعالجة في خط الأنابيب، باستثناء هدف نجمي واحد من نوع FP، حيث وُصف نجمه المستهدف بأنه "مكرر" في مخطط معلومات الصورة (TIC). في النتائج النهائية، تم استبعاد 68 هدفًا نجميًا لعدم توفر نصف قطر نجمي في مخطط معلومات الصورة؛ كما تم استبعاد 87 هدفًا آخر لأن قدر سطوعها في بيانات TESS تجاوز 13.5، و22 هدفًا لأن قدر سطوعها في بيانات Gaia تجاوز 14.

لم تتضمن مجموعة التدريب المستخدمة في هذه الدراسة أحداثًا ذات نجوم مستهدفة أكبر من 13.5 Tmag أو 14 Gmag. علاوة على ذلك، تم استبعاد 28 نقطة اهتمام (TOI) لأن متوسط الخطأ المحسوب (MES) أثناء توليد الميزات كان أقل من 0.8، وتم استبعاد نقطتي اهتمام (TOI) بسبب فشل توليد الميزات. أخيرًا، تم استبعاد 21 نقطة اهتمام (TOI) من التحليل اللاحق لأن بيانات مركزها حالت دون توليد احتمالات الموقع، وبالتالي لم يتم توفير أي احتمالات لاحقة.

لذلك،بلغ العدد النهائي للأجسام المدارية المصنفة مسبقًا في هذا الاختبار 1361، منها 705 كواكب معروفة أو مؤكدة، و630 كوكبًا من نوع FP، و26 كوكبًا من نوع FA.

دمج نموذجين من نماذج التعلم الآلي - GBDT+GP

تعتمد آلية عمل RAVEN على إطار التحقق الإحصائي (المشار إليه فيما يلي بـ A21) الذي اقترحه ديفيد ج. أرمسترونغ وآخرون في عام 2021 لمرشحي مهمة كيبلر. وقد تم تكييف هذا الإطار مع بيانات القمر الصناعي لمسح الكواكب الخارجية العابرة (TES)، كما تم توسيعه وتحديثه. يُعدّ تنفيذ وتشغيل آلية العمل بأكملها معقدًا نسبيًا، ويتضمن خطوات متعددة. يوضح الشكل أدناه مخططًا انسيابيًا مبسطًا:

التدريب على التعلم الآلي

في جوهرها، تجمع RAVEN بين نموذجين من نماذج التعلم الآلي: شجرة القرار المعززة بالتدرج (GBDT) والعملية الغاوسية (GP).تقوم العملية بتوليد احتمالات لاحقة لـ 8 سيناريوهات إيجابية خاطئة لكل كوكب مرشح، وتحصل على احتمال RAVEN، وهو أدنى مستوى من الثقة في صحة المرشح، عن طريق أخذ القيمة الدنيا.

① شجرة القرار المعززة بالتدرج (GBDT)

تُعدّ أشجار القرار نوعًا بسيطًا وفعّالًا من نماذج التعلّم الآلي، ومن أهمّ مزاياها سهولة تفسيرها. مع ذلك، تعاني أشجار القرار الفردية من قصور في المتانة، وتكون عرضةً للتجاوز في التدريب عندما يكون عمق الشجرة كبيرًا جدًا. ولمعالجة هذه المشكلات، تُستخدم عادةً أساليب التجميع التي تتألف من أشجار "ضعيفة" متعددة. تُعدّ أشجار القرار المعززة بالتدرج (GBDT) أحد أساليب التجميع هذه، حيث تُنشئ تباعًا أشجار قرار متعددة لتكوين نموذج نهائي أقوى.

الميزات الأساسية لـ GBDT هي:لا يتم تدريب كل شجرة تم إنشاؤها حديثًا بشكل مباشر على التصنيفات الأصلية، ولكنها تتعلم من الخطأ المتبقي الناتج عن تنبؤ النموذج في الجولة السابقة.بمعنى آخر، يهدف كل نموذج جديد إلى تقليل دالة الخسارة للنموذج الكلي، وهي عملية مشابهة أساسًا لخوارزمية التدرج الهبوطي. أثناء معالجة المجموعة، تُقاس مخرجات كل نموذج فرعي بمعدل التعلم، ثم تُجمع للحصول على التنبؤ النهائي.

يُحسب فقدان النموذج باستخدام دالة فقدان مُحددة مسبقًا، وتُحدد البواقي من خلال تدرج دالة الفقدان هذه. في هذه الدراسة، تم تطبيق مُصنف GBDT باستخدام XGBoost، كما اقترحه تشين وجيسترين.

② مصنف العملية الغاوسية

العملية الغاوسية (GP) هي عملية عشوائية تعمم توزيع الاحتمال الغاوسي من "توزيع المتغيرات العشوائية" إلى "توزيع الدوال". في تصنيف العمليات الغاوسية، يتمثل الهدف في إخراج تصنيفات فئات منفصلة أو احتمالات فئات تتراوح بين 0 و1. ولتحقيق ذلك، تُطبق دالة استجابة على مخرجات العملية الغاوسية، حيث تُسقط النتيجة على الفترة من 0 إلى 1. ثم تُدمج هذه النتيجة مع دالة احتمالية (مثل احتمالية برنولي).

تستخدم هذه الدراسة طريقة التقريب التبايني التي اقترحها جيمس هينسمان وآخرون. تعتمد هذه الطريقة على مجموعة من "النقاط المحفزة"، وهي مجموعات فرعية تمثيلية من البيانات، لتحسين قابلية التوسع للنموذج مع تقليل التعقيد الحسابي.

التدريب والمعايرة

لتدريب المصنفين وتحسين أدائهما، تم اعتماد منهجية تكرارية، حيث تم تدريب مجموعة التدريب الاصطناعية باستخدام توليفات مختلفة من المعلمات الفائقة، وتقييم الأداء على مجموعة التحقق لاختيار المعلمات المثلى. ركز ضبط المعلمات بشكل أساسي على ثلاثة سيناريوهات رئيسية للنتائج الإيجابية الخاطئة: EB وNEB وNSFP، كونها أكثر أحداث النتائج الإيجابية الخاطئة شيوعًا. في الوقت نفسه، ولتجنب الإفراط في تحسين سيناريو واحد وما ينتج عنه من فرط التخصيص، تم الحفاظ على اتساق المعلمات بين السيناريوهات قدر الإمكان.

لقد مكّنت جميع النماذج آلية "التوقف المبكر": حيث ينتهي التدريب ويعود إلى حالة النموذج في وقت آخر تحسن في دالة الخسارة على مجموعة التحقق إذا لم تنخفض دالة الخسارة على مجموعة التحقق بمقدار 0.0001 على الأقل في 20 تكرارًا متتاليًا.

التحقق الإحصائي

تتضمن المرحلة الأخيرة من العملية استخلاص الاحتمالية اللاحقة لفرضية الكوكب، وذلك بدمج احتمالية كل فئة من فئات الكواكب ذات التأثير الكوكبي، المستمدة من التعلم الآلي، مع احتماليتها المسبقة الخاصة بكل سيناريو. تمثل هذه الاحتمالية اللاحقة احتمالية أن يكون الكوكب المرشح كوكبًا أو سيناريو محددًا من سيناريوهات التأثير الكوكبي. لذا، تتطلب طريقة التحقق الإحصائي التي يتبعها الباحثون أن تتجاوز الاحتمالية اللاحقة للكوكب المرشح، لكل فئة من فئات الكواكب ذات التأثير الكوكبي الثماني، 0.99 حتى يُعتبر مُتحققًا منه.

يُظهر برنامج RAVEN أداءً جيداً في فحص وتصنيف والتحقق من صحة المرشحين الكوكبيين الحقيقيين.

لتقييم أداء برنامج RAVEN، أجرى الباحثون عمليات التحقق التالية على كل من مجموعتي التدريب والاختبار:

اختبر الباحثون أداء النموذج أولاً على مجموعات فرعية غير مرئية من مجموعة التدريب، تتألف من 101 حدث TP3T تم اختيارها عشوائياً من كل مشهد وعزلها بشكل مستقل قبل التدريب. تم تقييم أداء النموذج باستخدام أربعة مقاييس رئيسية: الدقة، والمساحة تحت منحنى ROC (AUC)، والضبط، والاستدعاء. تظهر نتائج اختبار الأداء في الجدول أدناه.

تُظهر النتائج أن كلا المصنفين يُحققان أداءً ممتازًا في جميع سيناريوهات الكواكب المرشحة، لا سيما من حيث الدقة. وبما أن الهدف الأساسي لخط أنابيب RAVEN هو فحص الكواكب المرشحة الحقيقية والتحقق من صحتها، فإن الدقة هي المعيار الأهم، إذ تعكس قدرة خط الأنابيب على تحديد الكواكب المرشحة بدقة دون أي تصنيف خاطئ.وبدمج نتائج المصنفين، تصل الدقة إلى ما يقرب من 99% في جميع السيناريوهات.

تم اختبار أداء عملية RAVEN أخيرًا على مجموعة من نقاط الاهتمام (TOIs) المصنفة مسبقًا. يوضح الشكل التالي احتمالات RAVEN لجميع نقاط الاهتمام البالغ عددها 1361 نقطة في العينة:

يُظهر الرسم البياني أن الاختلافات الاحتمالية بين الفئات الثلاث كبيرة، وأن التوزيع جيد، وأن القيم المتطرفة واضحة.وهذا يدل على فعالية RAVEN في تحديد أحداث FP وتعيين احتمالات خلفية كوكبية منخفضة لها.وبالتحديد، فإن الحد الأدنى لاحتمالية حدوث نتائج إيجابية كاذبة أقل من 0.5 لـ 93.8%، وأقل من 0.01 لـ 69.7%. ويبلغ متوسط احتمالية حدوث نتائج إيجابية كاذبة 0.076، بينما يبلغ الوسيط 0.00022.

وبالمثل، من بين 26 حالة من حالات FA TOI، كان لدى 23 منها احتمال أقل من 0.5، بمتوسط 0.016 للفئة بأكملها. وبشكل عام، تؤكد نتائج FP وFA TOI كفاءة آلية الفرز في فحص المرشحين لـTESS، ويمكن استخدامها لإزالة معظم حالات FP.

بعد ذلك، قام الباحثون بالتحقق من قدرة RAVEN على تحديد النتائج الإيجابية الخاطئة (FPs)، ويسرد الجدول أدناه 12 حدثًا من أحداث النتائج الإيجابية الخاطئة باحتمالية أكبر من 0.9:

من بين أحداث الكشف الكاذب عالية الاحتمالية، كان معظمها ثنائيات كسوفية، بينما لم يكن سوى ثلاثة منها ثنائيات كسوفية متجاورة. على الرغم من أن الثنائيات الكسوفية المتجاورة كانت النوع الأكثر شيوعًا في العينة، إلا أن هذا يشير إلى فعالية برنامج RAVEN في تحديدها. في الواقع، بالنسبة لحدثين من أحداث الثنائيات الكسوفية المتجاورة (TOI-4102.01 وTOI-4610.01)، حدد برنامج RAVEN احتمالية معلومات الموقع منخفضة، ونسب الاحتمالية الأعلى بشكل صحيح إلى النجم المضيف الحقيقي الذي تم تأكيده من خلال عمليات الرصد اللاحقة.

بالإضافة إلى ذلك، تم تصنيف TOI-4102.01 كحدث إشكالي. يشير هذان الحدثان إلى أنه عند تقييم المرشحين، وخاصة أثناء التحقق، ينبغي مراعاة المخرجات الكاملة لعملية RAVEN بالتزامن مع احتمالات معلومات الموقع لتحديد الحالات التي قد تكون فيها الاحتمالات اللاحقة غير صالحة.

قام الباحثون أيضًا بتقييم أداء عملية RAVEN على الإنذارات الكاذبة (FA) المتعلقة بمواقع الأحداث. يوضح الجدول أدناه أدنى الاحتمالات اللاحقة لـ 26 إنذارًا كاذبًا في العينة، بالإضافة إلى سيناريوهات الإنذارات الكاذبة المقابلة. كانت احتمالات جميع الإنذارات الكاذبة تقريبًا غير متوافقة مع سيناريوهات الكواكب، مما يدل على أن RAVEN قد حددتها بفعالية.

وأخيرًا، بعد فحص عينة TOI الأولية، احتفظ الباحثون بـ 397 كوكبًا معروفًا و308 كواكب مؤكدة، ليصبح المجموع 705 كواكب. وتُظهر النتائج أن...معظم الكواكب ذات احتمالات عالية للتأثيرات الكوكبية الخلفية، حيث يتجاوز 81% عتبة 0.5.

على وجه الخصوص، تبلغ احتمالية وجود 420 كوكبًا أكثر من 0.9، ما يضعها ضمن نطاق "الكواكب المحتملة". علاوة على ذلك، يبلغ مؤشر TOI لـ 210 كواكب أكثر من عتبة التحقق الإحصائي البالغة 0.99، وهو ما يمثل حوالي 30% من إجمالي عينة الكواكب.تُظهر هذه النتائج أن برنامج RAVEN يؤدي أداءً جيدًا في فحص وتصنيف والتحقق من صحة المرشحين الكوكبيين الحقيقيين.

أصبح الذكاء الاصطناعي تدريجياً بنية تحتية مهمة للبحوث الفلكية.

من منظور أوسع للتطور التكنولوجي، بات الذكاء الاصطناعي تدريجيًا بنيةً أساسيةً للبحوث الفلكية. ولا تقتصر أهميته على مجرد "تحسين كفاءة معالجة البيانات"، بل بدأ يُعيد تشكيل النموذج العام للاكتشاف العلمي. لطالما اعتمد علم الفلك على أساليب تحليلية قائمة على نماذج فيزيائية وقواعد اصطناعية. إلا أنه مع تحسن القدرات الرصدية، ازداد حجم البيانات وتعقيدها باستمرار. فمن منحنيات الضوء إلى الصور عالية الدقة، ثم إلى الأطياف متعددة الأبعاد ومعلومات فهرس النجوم، تقترب الأساليب التقليدية تدريجيًا من حدودها القصوى عند معالجة البيانات عالية الأبعاد وغير الخطية والمليئة بالتشويش. في هذا السياق،أصبحت تقنيات الذكاء الاصطناعي، التي تعتمد على التعلم الآلي والتعلم العميق في جوهرها، جسراً رئيسياً يربط "البيانات الرصدية الضخمة" بـ "الفهم العلمي الفعال".

مع تطور أساليب الرصد، لم تعد البيانات الفلكية مقتصرة على نمط واحد. تتواجد مصادر بيانات متعددة، مثل الصور والأطياف ومنحنيات الضوء المتسلسلة زمنيًا وبيانات فهرس النجوم، وبدأت نماذج التعلم العميق التقليدية تُظهر قيودًا جديدة في هذه المرحلة. في الواقع، حاولت بعض الدراسات بناء نماذج فلكية متعددة الأنماط، لكن هذه المحاولات لا تزال تعاني من قيود كبيرة.تركز معظم الدراسات على ظواهر منفردة مثل انفجارات المستعرات العظمى، وتعتمد على "الأهداف المقارنة" كتقنية أساسية. وهذا ما يجعل من الصعب على النماذج التعامل بمرونة مع التوليفات النمطية العشوائية، واستخلاص المعلومات العلمية الأساسية بين الأنماط بما يتجاوز الارتباطات السطحية.

للتغلب على هذه المشكلة،تعاونت فرق من أكثر من عشر مؤسسات بحثية حول العالم، بما في ذلك جامعة كاليفورنيا، بيركلي، وجامعة كامبريدج، وجامعة أكسفورد، لإطلاق AION-1 (الشبكة الفلكية متعددة الأنماط)، وهي أول عائلة نماذج أساسية متعددة الأنماط واسعة النطاق لعلم الفلك.من خلال دمج ونمذجة المعلومات الرصدية غير المتجانسة مثل الصور والأطياف وبيانات فهرس النجوم من خلال شبكة أساسية موحدة للاندماج المبكر، فإنها لا تعمل بشكل جيد في سيناريوهات الصفرية فقط، ولكن دقة الكشف الخطي الخاصة بها قابلة للمقارنة أيضًا بالنماذج المدربة خصيصًا لمهام محددة.

عنوان الورقة: AION-1: نموذج أساسي متعدد الأنماط للعلوم الفلكية
عنوان الورقة:https://openreview.net/forum?id=6gJ2ZykQ5W

في الوقت نفسه، وعلى مستوى المسائل العلمية المحددة، يدفع الذكاء الاصطناعي حدود أساليب الرصد التقليدية. فعلى سبيل المثال، في علم الفلك الحديث، تُعدّ عدسة الجاذبية القوية أداةً مهمةً لدراسة البنية واسعة النطاق للكون والتطور المشترك للثقوب السوداء والمجرات. وتُتيح الكوازارات، التي تعمل كعدسات جاذبية قوية، فرصًا رصديةً نادرةً للغاية لدراسة تطور علاقة القياس (وخاصةً علاقة كتلة الثقب الأسود الهائلة بكتلة المجرة المضيفة) بين الثقوب السوداء فائقة الكتلة ومجراتها المضيفة مع الانزياح الأحمر.

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.في هذا السياق، قام فريقٌ مؤلفٌ من العديد من المؤسسات البحثية، بما في ذلك جامعة ستانفورد، ومختبر SLAC الوطني للمسرعات، وجامعة بكين، ومرصد بريرا التابع للمعهد الوطني الإيطالي للفيزياء الفلكية، وكلية لندن الجامعية، وجامعة كاليفورنيا في بيركلي، بتطوير منهجية عمل تعتمد على البيانات لتحديد الكوازارات التي تعمل كعدسات جاذبية قوية في البيانات الطيفية لـ DESI DR1. وباستخدام هذه المنهجية، حدد الباحثون سبعة مرشحين ذوي جودة عالية (الفئة أ) لتأثير عدسات الكوازارات.

عنوان الورقة البحثية: اكتشاف الكوازارات التي تعمل كعدسات قوية في DESI DR1
عنوان الورقة:https://arxiv.org/abs/2511.02009

من المتوقع أنه مع تطور مهمات الرصد المستقبلية (مثل المسوحات السماوية واسعة النطاق)، سيدخل علم الفلك مرحلة من الانفجار الهائل في البيانات، وسيتعمق دور الذكاء الاصطناعي تبعًا لذلك. فمن المساعدة في التحليل إلى قيادة الاكتشافات، ومن النماذج أحادية المهمة إلى النماذج الأساسية العامة، يُعيد الذكاء الاصطناعي تشكيل فهمنا للكون، فهو لا يُغير فقط "كيف نرى"، بل يُغير أيضًا "ما نستطيع اكتشافه".

مراجع:
1.https://arxiv.org/abs/2509.17645
2.https://phys.org/news/2026-03-ai-approach-uncovers-dozens-hidden.html
3.https://openreview.net/forum?id=6gJ2ZykQ5W