كيف تتعلم الشبكة العصبية قراءة النسيج المغناطيسي للشمس ✛

الأصل: "A Modern ConvNet for Solar Filament Detection"
· J. R. Hu, Q. Hao, Z. Zheng, P. F. Chen, C. Li, Y. Meng
arXiv:2607.24525v1 · 2026-07-27 · CC BY 4.0 · 2 دقيقة
تتجمع الخيوط الداكنة في صور الشمس مشكلةً نمطًا خلابًا — إنه النسيج المغناطيسي للنجم. نموذج MORDEN الجديد يفك تشابك هذا النسيج بدقة غير مسبوقة.

كل صباح، تُوجّه عشرات التلسكوبات نحو الشمس. تلتقط كاميراتها شريطًا ضيقًا من الضوء الأحمر — خط Hα، الذي اكتشفه Johann Jakob Balmer. تظهر في الصور خيوط داكنة، منحنية بأشكال بديعة. إنها أشبه بغرز نسيج ضخم يخيط الهالة المتوهجة. هذه هي الخيوط الشمسية. أقواس كثيفة من البلازما، تحوم فوق دروز مغناطيسية خفية.

وضع علامات على هذا النسيج يدويًا مهمة شاقة لا تنتهي. فعلى مدى عقود، تراكمت ملايين الصور، لكن الخيوط تتفرع وتتغير سماكتها وتغرق في الضوضاء. ويعتمد السطوع على زاوية الرؤية. فالخيوط نفسها تشغل أقل من عُشر القرص. الخوارزميات التقليدية، المصممة لاكتشاف تباينات السطوع، تعمى في الخلفية المرقطة. وتتعثر أولى الشبكات العصبية — لأن بكسلات الخلفية تفوق بكسلات الخيوط بعشرات المرات.

يعمل MORDEN كحائك ماهر. يرث بنية U-Net — وهي من الشبكات العصبية التلافيفية الكلاسيكية لـ تقسيم الصور (Image Segmentation) — لكنه يأخذ عن رواد الرؤية الحاسوبية (Computer Vision) عدة تقنيات. ’التجميع الهرمي التكيفي‘ (Adaptive Pyramidal Pooling, APP) يفحص النسيج بمقاييس مختلفة — من الحبال السميكة إلى الخيوط الدقيقة. وتلتقط وحدة ’بوابة انتباه الرقعة‘ (Patch Attention Gate, PAG) النمط العالمي دون حاجة إلى الاهتمام الذاتي الثقيل. أما الروابط الفرعية (Branch Connections) فتُضفي تلميحات دلالية إلى الطبقات المبكرة. ويجعل الجذعان المتوازيان التدريب أكثر استقرارًا.

نواة الالتفاف في MORDEN مُكبَّرة إلى 5×5 بكسلات — أي أعرض بنحو مرة ونصف من المعتاد. يمنح هذا الشبكة ’مجال رؤية‘ أوسع في كل خطوة، تمامًا كما ينظر الحائك إلى عدة غرز متجاورة دفعة واحدة كي لا يضل الخيط.

حتى بعد MORDEN، تظل الكفافات متقطعة. هنا يأتي دور DenseCRF. وكأنه عدسة مكبرة فوق النسيج، يفحص الصورة الأصلية عالية الدقة ويُصحح الحدود حيث لا تتطابق سطوع البكسلات المتجاورة. ثم يقوم DBSCAN دون أي توجيه برتق القطع المبعثرة في خيوط كاملة — بالاعتماد فقط على تموضعها النسبي. في عينة الاختبار، تجاوزت دقة النموذج 81%. وبعد إعادة التدريب على 775 صورة موسومة تلقائيًا، قفز مقياس IoU إلى 0,812. وقام DenseCRF بتحسين الحدود بحيث فاق متوسط تباين السطوع على طول الكفاف الوسم اليدوي.

احذف أي مكون — وستنخفض الدقة. فالاستغناء عن APP أو تطبيع المثيل (Instance Normalization) يخفض IoU بمقدار 2 نقطة. واستبدال PAG بالانتباه العادي كلّف 0,8 نقطة. كل تفصيلة في البنية أشبه بحلقة في نسيج: إن أغفلت واحدة، تفكك النمط.

وهكذا، غرزة تلو غرزة، تبرز اللوحة المغناطيسية للنجم من فوضى البكسلات. سير العمل ’MORDEN + DenseCRF + DBSCAN‘ هو الخطوة الأولى نحو تحويل التعلم العميق (Deep Learning) إلى رسّام خرائط كفء للنشاط الشمسي. إنه يمهد الطريق لأرشيفات الخيوط عبر عقود، وللإنذار المبكر بالتوهجات والانبعاثات. وفي المستقبل، إضافة الخرائط المغناطيسية والصور المجسّمة والهجائن مع المحولات (Transformers). أما الآن، فكل صباح تواصل التلسكوبات حوارها الصامت مع الشمس، وتقوم الشبكة المدرَّبة بفك تشابك نسيجه الناري بصبر — خيطًا خيطًا.

أثناء الكسوف الكلي للشمس، تتحول الخيوط التي تظهر على القرص كخيوط داكنة إلى وبارات ساطعة — ينابيع بلازمية فوق حافة القمر. أكبرها يستطيع أن يلف ربع محيط الشمس.

في نهاية فيلم ’Knowing‘ (2009)، تحرق توهج شمسي عملاق الأرض — وهو تجسيد فني لانبعاث كتلي إكليلي ناجم عن ثوران خيط. ويهدف سير عملنا تحديدًا إلى الكشف المبكر عن مثل هذه البنى، للتمييز بين خيال هوليوود والتهديد الحقيقي.

العلماء
Ludwig BoltzmannJoseph von FraunhoferGalileo GalileiNicolaus Copernicus
المفاهيم
تعلم نشط شبكة عصبية عميقة التعلم العميق في التصوير الطبي التعرف على الكلام تمييز الأنماط التنبؤ بالتوهجات الشمسية كشف القطع الأثرية في التصوير الطبي مصنف مسح سلووان الرقمي للسماء