قفزة الشبكات العصبية: KLT-Net تعيد تعريف سلم المسافات الكوني
إعادة بناء سلم المسافات الكونية مباشرة من الرصد هي إحدى المهام الأساسية في علم الكون. طُرحت الشبكة العصبية الهجينة KLT-Net (KAN، LSTM، Transformer) لنمذجة هذا السلم وتقدير المعاملات الكونية استنادًا إلى الأقدار الظاهرية للمستعرات العظمى من النوع Ia من كتالوج Pantheon. تستعيد الشبكة معامل المسافة μ(z) بطريقة لامعلمية، وتلتقط بفعالية اللاخطية في توزيع البيانات. وتؤكد المقارنات مع النماذج البديلة واختبارات الاجتثاث تفوقها. وفي إطار نموذج ΛCDM المسطح، أُجري تقدير إحصائي لثابت هابل H₀ و Ωm. ولتحديد القدر المطلق MB، استُخدمت طريقة القيمة الأكثر تكرارًا (MFV) بالاعتماد على بيانات منشورة. وقد تم التحقق من صحة التحليل البايزي باستخدام مصفوفة هيسه؛ حيث تبيّن أن تنبؤات KLT-Net تسمح بتقييد ثابت هابل بدقة في ΛCDM المسطح. يشكّل الجمع بين KLT-Net و MFV والإحصاء البايزي أداة موثوقة للبحوث الكونية، خاصة عند تحليل البيانات المعقدة ومتعددة الأبعاد.
السياق
تواجه الكوسمولوجيا الحديثة أزمة: القياسات المحلية لـ ثابت هابل باستخدام المستعرات العظمى والمتغيرات القيفاوية تعطي حوالي 73 كم/ث/ميغا فرسخ، بينما تشير القيود الكونية من إشعاع الخلفية الكونية الميكروي في إطار نموذج ΛCDM القياسي إلى 67 كم/ث/ميغا فرسخ. هذا الفارق الذي يبلغ حوالي 5σ، والمعروف بـ «توتر هابل»، قد يشير إلى فيزياء جديدة، أو أخطاء منهجية، أو تأثيرات غير محسوبة في بناء سلم المسافات الكوني. لتجنب الاعتماد على النماذج، يتجه الباحثون بشكل متزايد إلى أساليب التعلم العميق، القادرة على التقاط التوزيعات اللاخطية المعقدة في بيانات القياس الضوئي والتحليل الطيفي لـ المستعرات العظمى من النوع Ia — الشموع القياسية التي تُرى عند انزياحات حمراء هائلة.
المنهجية
قام الباحثون ببناء شبكة عصبية هجينة KLT-Net مستوحاة من مبرهنة كولموغوروف-أرنولد، ودربوها على بيانات Pantheon+ (1701 منحنى ضوئي) دون التقيد بنموذج كوني محدد. تجمع البنية ثلاثة مكونات: طبقات LSTM لالتقاط التبعيات الزمنية المحلية في سلاسل القيم المرصودة؛ طبقات KAN ذات شرائح B قابلة للتعلم، والتي تقارب بفعالية اللاخطيات متعددة الأبعاد بعدد قليل من الوسائط؛ ومُشفِّر Transformer بآلية انتباه ذاتي للنمذجة السياقية الشاملة لتاريخ التوسع بأكمله. عند المخرج، تتنبأ الشبكة بمعامل المسافة µ(z) من الانزياح الأحمر المُدخل. لتقدير القدر المطلق لـ المستعرات العظمى M_B، استُخدمت طريقة القيمة الأكثر تكرارًا (MFV) القوية مع أخطاء بوتستراب. تم استنتاج المعلمتين الكونيتين H₀ و Ωₘ عبر معاينة بايزية بطريقة مونت كارلو بسلسلة ماركوف (MCMC) بافتراض نموذج ΛCDM المسطح وباستخدام معادلات فريدمان. تم التحقق من استقرار النتائج من خلال مصفوفة هيس وتجارب الاجتثاث بتعطيل المكونات الفردية.
النتائج
أظهر اختبار الاجتثاث على عشر تهيئات عشوائية أن شبكة KLT-Net الكاملة تحقق أقل تباين لمتوسط مربع الخطأ (σ_MSE = 0.559×10⁻³)، وهو أمر بالغ الأهمية لقمع التقلبات العشوائية في µ(z) المُعاد بناؤه، وبالتالي لاستقرار تقديرات ثابت هابل. على الرغم من أن النسخة بدون LSTM (KT) أعطت متوسط MSE أفضل قليلاً (0.016089)، إلا أن KLT-Net أظهرت أعلى متانة تجاه الأوزان الابتدائية العشوائية. المقاييس النهائية للنموذج الكامل: MSE = 0.015727، RMSE = 0.125409، MAE = 0.098847. باستخدام MFV، تم الحصول على M_B = –19.3772⁺⁰.⁰²⁴⁷₋₀.₀₁₂₂ (1σ). أعطى التحليل بايزي H₀ = 69.576⁺⁰.⁴⁸³₋₀.₄₈₂ كم/ث/ميغا فرسخ و Ωₘ = 0.301⁺⁰.⁰³⁹₋₀.⁰³₆، وهو ما يتوافق مع التقديرات عبر تصغير χ² ومصفوفة هيس (68.718±0.352 كم/ث/ميغا فرسخ لبيانات Pantheon الأصلية). يُعزى الفرق في Ωₘ بين البيانات المباشرة وتنبؤات الشبكة (0.349 مقابل 0.301) إلى تجانس السمات عالية التردد بواسطة الشبكة العصبية.
الأهمية
يُظهر العمل أن دمج كتل KAN مع الشرائح التكيفية يزيد من قابلية تفسير وكفاءة الشبكات العصبية في مهام الاستدلال الكوني. على عكس البنى المعتمدة فقط على LSTM، تخمد KLT-Net بشكل كبير عدم استقرار التدريب، مما يقلل من خطر التشوهات أثناء المعاينة بايزية لوسائط الطاقة المظلمة والمادة المظلمة. يفتح هذا النهج إمكانية التحقق المتبادل المستقل عن النموذج الكوني القياسي وتخفيف توتر ثابت هابل من خلال مراعاة أكثر موثوقية للتأثيرات المنهجية.
التطور المستقبلي
يتطور هذا الاتجاه بشكل طبيعي نحو «الشبكات العصبية المُستنيرة بالفيزياء» (Physics-Informed Neural Networks)، حيث تُدمج في البنية معادلات فريدمان الديناميكية أو مبادئ تطور الإضاءة. طُرحت بالفعل مخططات هجينة تجمع بين الانحدار الرمزي مع مراعاة الأبعاد ونماذج اللغة الكبيرة لاستنتاج معادلات حالة الطاقة المظلمة أو الجاذبية المعدلة تلقائيًا. سيسمح ذلك بتقليل الافتراضات الأولية والاقتراب من استخلاص القوانين الفيزيائية الكاملة من البيانات.
التأثير
سيؤثر هذا الأسلوب مباشرة على معالجة المسوحات الضوئية والطيفية الضخمة القادمة (LSST، Euclid، Roman)، حيث تكون هناك حاجة إلى طرق لاستعادة المسافات مقاومة للضوضاء والفجوات. علاوة على ذلك، سيجد تطبيقًا في الفيزياء الفلكية للنجوم والمجرات للتنبؤ بالوسائط من المنحنيات الضوئية والأطياف.
الخطوات التالية
التحقق من صحة KLT-Net على بيانات محاكاة ذات تأثيرات منهجية واقعية، ودمجها مع أساليب نقل التعلم للتكيف مع أدوات جديدة. من المثير للاهتمام بشكل خاص توسيع البنية لتشمل الكوسمولوجيات غير المتناظرة والتحليل المشترك لـ المستعرات العظمى، والتذبذبات الصوتية للباريونات، والتخليق النووي الابتدائي.
المسائل المفتوحة الرئيسية
تتناول المقالة مباشرة «توتر هابل» — أحد أكثر المشكلات إلحاحًا في الفيزياء الحديثة، وتقدم طريقًا مستقلاً عن النماذج لإعادة بناء سلم المسافات وتقدير H₀. بالإضافة إلى ذلك، تمس مسألة طبيعة الطاقة المظلمة والنقص المحتمل في النموذج الكوني القياسي.
🎯 تستخدم الشبكة شرائح B — وهي نفس التركيبات الرياضية المستخدمة في الرسوميات الحاسوبية والتحريك للحصول على منحنيات سلسة. وفي وقت ما، كان [scientist:Edwin Hubble]إدوين هابل[/scientist] يستنتج توسع الكون بالعين من اللوحات الفوتوغرافية!
🎬 تتناغم فكرة الشبكة العصبية التي تعيد بناء التاريخ الكوني بشكل مستقل مع «موسوعة المجرة» من سلسلة «المؤسسة» لإسحاق عظيموف: حيث تنبأ الرياضيون بمستقبل الحضارات بتحليل كميات هائلة من البيانات دون معرفة الآليات التفصيلية.
أرقام رئيسية
- ثابت هابل H₀: 69.576 كم/ث/ميغا فرسخ
- كثافة المادة Ωₘ: 0.301
- القدر المطلق للمستعرات العظمى M_B: –19.38 قدر
- متوسط مربع الخطأ لشبكة KLT-Net (MSE): 0.0157
- عدد المستعرات العظمى في العينة: 1701