يقبع داخل الفضاء السحيق وحشٌ فتّاكٌ؛ لكن ليس بسبب كبر حجمه! بل بسبب قدرته على سحق مجرة كاملة بداخلة!
شكل (1): مخطط توضيحي بريشة الكاتبة يوضح البنية الفيزيائية للكوازار والأنوية المجرية النشطة (AGN). ملاحظة مصطلحات: يُعرف "القرص المسرع" فلكياً بالقرص المُزوِّد (Accretion disk)، و"المخروس الغباري" بالطوق الغباري (Dusty torus).
جميع الحقوق محفوظة © [عام 2026] | بريشة وفكرة: [تغريد صلاح عشري]
في سيتينيات القرن الماضي رصد الفلكيون لأول مرة أجرامًا بدت لهم كـ "نقاط مضيئة صغيرة" تشبه النجوم، هذه هي الكوازارات أو أشباه النجوم (Quasar وهي اختصار لـ Quasi-Stellar Radio Source) هي أنوية مجرية نشطة للغاية وبراقة بشكل لا يصدق (Active Galactic Nuclei - AGN).
تخيل مجرة كاملة تحتوي على مليارات النجوم، ولكن في قلبها الدقيق يوجد ثقب أسود فائق الكتلة (Supermassive Black Hole). عندما تسقط الغازات والغبار والنجوم القريبة نحو هذا الثقب الأسود بفعل جاذبيته الهائلة، فإنها لا تسقط مباشرة، بل تدور حوله بسرعة تقترب من سرعة الضوء مشكلة ما يسمى بـ القرص المزود (Accretion Disk).
بسبب الاحتكاك الشديد والجاذبية، تسخن هذه المواد إلى ملايين الدرجات المئوية، وتطلق طاقة وإشعاعات كهرومغناطيسية هائلة (أشعة إكس، أشعة فوق بنفسجية، وضوء مرئي موجات راديو). هذه الطاقة تجعل الكوازار يلمع بقوة تفوق لمعان مجرة درب التبانة بأكملها بآلاف المرات، على الرغم من أن حجمه لا يتعدى حجم مجموعتنا الشمسية! ونظراً لشدة سطوعها، يمكننا رؤيتها من مسافات سحيقة في الكون تعود إلى مليارات السنين الضوئية.
هل يتماهى لمعان الكوازارات كلمعان النجوم؟
عندما رصد الفلكيون الكوازارات لأول مرة في ستينيات القرن الماضي عبر التلسكوبات الضوئية، بدت لهم كـ "نقاط مضيئة صغيرة" تشبه النجوم تماماً، ومن هنا جاء اسم "شبه نجم". لكن في الواقع، هما جرمان مختلفان تماماً!
فالنجوم هي كرات ضخمة من الهيدروجين والهيليوم ذات اندماجات نووية طاحنة بداخلها وتدمج العناصر بنواتها كمصدر للطاقة، لكن الكوازارات هي مركز مجرة نشط يحتوى على ثقب أسود يسحق المادة في قرصه المزود، ومصدر طاقته هي الجاذبية الفائقة الناتجة عن احتكاك المواد في القرص حو الثقب الأسود.
النجوم أيضا تقع قريبة منا نسبية لكن الكوازارات جميعها تقع في أعماق الزمكان وعند حواف الكون المرصود في شباب الكون على بعد مليارات السنين الضوئية!
لذا يتم وصف تلك التوليفة بعلوم البيانات وقياسها عبر الانزياح نحو الأحمر Redshift؛ حيث أن الانزياح نحو الأحمر لدى النجوم منخفض جدًا وذلك لقربها، وانزياح الكوازارات نحو الأحمر مرتفع جدا وذلك لبعدها بمسافات شاسعة وسحيقة عنا!
كيف نعرف تصنيف الأجرام (مجرة، نجم، كوازار) من البيانات الفلكية؟
في المسوح الفلكية الحديثة مثل SDSS (مسح سلون الرقمي للسماء)، لا ينظر العلماء إلى الصور بالعين المجردة لتصنيف الأجرام، بل يعتمدون على أرقام وبيانات فيزيائية دقيقة تُحلل عبر تعلم الآلة. هذه البيانات تنقسم إلى نوعين رئيسيين:
1. البيانات الفوتومترية (Photometric Data / Filters)
الـ SDSS يلتقط الضوء القادم من الجرم عبر 5 مرشحات ضوئية (مرتبة من الأطوال الموجية القصيرة الفوق بنفسجية إلى الطويلة تحت الحمراء):
- u (Ultraviolet - فوق بنفسجي)
- g (Green - أخضر)
- r (Red - أحمر)
- i (Near Infrared - تحت أحمر قريب)
- z (Infrared - تحت أحمر)
كيف تفيد في التصنيف؟
كل جرم لديه ما يشبه "البصمة اللونية". على سبيل المثال، الكوازارات تصدر كميات هائلة من الأشعة فوق البنفسجية مقارنة بالنجوم العادية، لذا ستكون قيم المرشح u لديها مميزة جداً. من خلال طرح قيم هذه المرشحات من بعضها (مثل u - g أو g - r)، نحصل على ما يسمى بـ المؤشرات اللونية (Color Indices). النجوم والمجرات والكوازارات تتجمع في مناطق مختلفة تماماً عند رسم هذه الألوان بيانياُ.
2. الإنزياح نحو الأحمر (Redshift - z)
بسبب تمدد الكون، فإن أي جرم يبتعد عنا يتمدد طوله الموجي وينزاح نحو اللون الأحمر في الطيف.
- النجوم: بما أنها داخل مجرتنا، فإن انزياحها نحو الأحمر يكون تقريباً صفراً.
- المجرات: تمتلك انزياحاً ضوئياً منخفضاً إلى متوسط بناءً على بعدها عنا.
- الكوازارات: لأنها أجرام سحيقة البعد وتتحرك مبتعدة عنا بسرعة هائلة، فإن لها Redshift مرتفع جداً.
لذلك، كما ذكرت الورقة البحثية، يعتبر الـ Redshift أقوى ميزة في الفصل بين الثلاثة (يساهم بنسبة 64.7% في تحديد الهوية).
3. الشكل والمظهر (Morphology)
المجرات: تظهر في البيانات الصورية كأجرام "ممتدة" (Extended Sources) وليست نقطية، لأنها تتكون من بلايين النجوم المتناثرة، ولها قياسات حجم وزوايا واضحة.
النجوم والكوازارات: تظهر كأجرام "نقطية" (Point Sources)؛ النجم لأنه نقطة مضيئة، والكوازار لأن نواته الساطعة صغيرة جداً وتحجب ضوء بقية مجرته البعيدة.
كيف تتشابك هذه الخيوط في رامات التعلم الآلى Machine Learning؟
الخوارزميات (مثل Random Forest أو XGBoost) تأخذ هذه المصفوفة من الأرقام لكل جرم:
[u, g, r, i, z, Redshift, Extent]
وتبدأ برسم حدود فاصلة معقدة في الفضاء الرياضي متعدد الأبعاد. إذا وجد النموذج جرمًا نقطيًا (Point source) وله مؤشر لوني يميل للفوق بنفسجي والـ Redshift له مرتفع جدًا، فإنه يصنفه فورًا كـ كوازار. أما إذا كان نقطيًا والـ Redshift يقارب الصفر، فهو نجم. وإذا كان الجرم ممتدًا وله توزيع ضوئي هادئ، فهو مجرة.
لماذا الكوازارات على بعد مسافات سحيقة منا؟
الكوازارات بعيدة جداً عنا لسبب يتعلق بـ تاريخ الكون ونشأته، وليس لأنها اختارت أن تولد هناك في الأطراف. في الواقع، المسافة الهائلة بيننا وبين الكوازارات هي بمثابة "آلة زمن" تنظر إلى الماضي السحيق للكون.
1. الكوازارات تمثل "مرحلة شباب الكون" (Cosmic Evolution)
الثقوب السوداء الفائقة الكتلة تحتاج إلى كميات هائلة وجنونية من الغاز والغبار الكوني لتتغذى عليها وتطلق هذه الطاقة المرعبة (التي تجعلها كوازارات).
في الكون المبكر (قبل 10 إلى 12 مليار سنة): كان الكون أصغر حجماً، وكانت المجرات قريبة جداً من بعضها وتتصادم بكثرة. هذا الاكتظاظ والتصادم وفر "وليمة" هائلة من الغازات التي تدفقت نحو مراكز المجرات، مما أدى إلى اشتعال الكوازارات بكثافة.
في الكون الحالي (الحديث): مع تمدد الكون، تباعدت المجرات واستقرت، واستهلكت الثقوب السوداء معظم الغاز والغبار المحيط بها (تنظف محيطها). لذلك، خمدت الكوازارات القريبة منا وتحولت إلى ثقوب سوداء "هادئة" (مثل الثقب الأسود في مركز مجرتنا درب التبانة، والذي ربما كان كوازاراً مشتعلاً في شبابه ولكنه صائم الآن لقلة الغذاء).
بما أن الكوازارات نشطت فقط في بداية الكون، وبما أن الضوء يستغرق وقتاً للسفر عبر الفضاء، فإننا لا يمكننا رؤية الكوازارات إلا على مسافات بعيدة جداً، لأننا ننظر إلى مناطق في الكون يستغرق ضوؤها مليارات السنين ليصل إلينا، فنراها كما كانت في الماضي.
2. تمدد الكون (Cosmic Expansion)
الكون لا يقف ثابتاً، بل يتمدد منذ الانفجار العظيم. الأجرام التي تكونت في البدايات بدأت تبتعد عنا بسرعة متزايدة مع تمدد النسيج الكوني نفسه.
هذا التباعد المستمر جعل الكوازارات تقع اليوم في أطراف "الكون المرصود" (Observable Universe). وكما لاحظتِ في الورقة البحثية، هذا التمدد السريع هو السبب في أن الكوازارات تمتلك انزياحاً نحو الأحمر مرتفعاً جداً (High Redshift)؛ فكلما كان الجرم أبعد، كلما تمدد ضوؤه أكثر وهو في طريقه إلينا، لينزاح بقوة نحو النطاق الأحمر وتحت الأحمر.
3. تأثير الاختيار والسطوع (Selection Effect)
هناك سبب رصدي بحت: لو لم تكن الكوازارات بهذا السطوع الخارق، لما تمكنا من رؤيتها أصلاً من هذه المسافات!
الكون مليء بالمجرات العادية والنجوم الباهتة على مسافات بعيدة جداً، لكن تلسكوباتنا لا تستطيع التقاط ضوئها الضعيف. الكوازارات ساطعة لدرجة أنها تحجب ضوء مجراتها بالكامل، مما يجعلها الأجرام الأكثر وضوحاً وسهولة في الرصد في أقاصي الكون.
باختصار:
الكوازارات ليست بعيدة لمجرد المسافة، بل هي بعيدة في الزمن. نحن لا نرى كوازارات قريبة لأن الكون "كبر في السن" وتغيرت ظروفه، والكوازارات البعيدة التي نراها اليوم هي في الحقيقة صور قديمة جداً لمجرات انقرضت مرحلة غضبها وشبابها منذ مليارات السنين!
الصراع بين كونها وحش كونيّ هائل وبين احتمال كونها فقط نجم بجانب ثقب اسود
عندما رُفع الغطاء عن أجرام الكوازارات لأول مرة، انقسم العلماء إلى فريقين:
الفريق الأول (التفسير الكوني/الزمني): بقيادة "مارتن شميت"، ورأى أن الإنزياح الهائل نحو الأحمر يعني أنها بعيدة جداً في المكان والزمن بسبب تمدد الكون.
الفريق الثاني (التفسير المحلي/الحديث): بقيادة فلكيين كبار مثل "هالتون آرب" و"فريد هويلي"، واقترحوا أنه: ربما هي أجرام قريبة منا وحديثة، لكن هناك تأثير فيزيائي آخر (مثل انفجار، أو جاذبية شديدة جداً، أو مقذوفات من مجرات قريبة) يجعل ضوءها ينزاح نحو الأحمر.
ولكن، لماذا انتصر الفريق الأول وأصبحنا متأكدين أنها قديمة وبعيدة في الزمن وليست مجرد انفجار نجم حديث بجانب ثقب أسود؟ هناك أدلة قاطعة حسمت هذا الأمر:
1. كمية الطاقة المرعبة (The Energy Problem)
إذا كان الكوازار مجرد انفجار نجم حديث بجوار ثقب أسود (مستعر أعظم Supernova مثلاً)، فإن هذا الانفجار يطلق طاقة هائلة نعم، لكنها تتلاشى خلال أسابيع أو أشهر قليلة.
الكوازارات التي نرصدها تطلق طاقة مستمرة ومستقرة منذ عقود (منذ أن بدأنا رصدها)، وهذه الطاقة تعادل طاقة مئات المجرات مجتمعة. فيزياء النجوم لا يمكنها أبداً إنتاج هذه الكمية من الطاقة بشكل مستمر ومنتظم من مكان واحد صغير إلا إذا كان ثقباً أسود عملاقاً يلتهم مخزوناً هائلاً من الغاز يعادل ملايين النجوم، وهذا السيناريو لا يتوفر في بيئة نجمية محلية بسيطة، بل يتطلب بيئة المجرات البدائية المكتظة بالغاز.
2. رصد "المجرات المضيفة" (Host Galaxies)
مع تطور التلسكوبات، وخاصة تلسكوب "هابل" الفضائي والتلسكوبات الحديثة، تمكن العلماء من القيام بشيء مذهل: حجب الضوء المبهر لمركز الكوازار ورؤية ما يحيط به.
ماذا وجدوا؟ وجدوا أن كل كوازار يقع بدقة في مركز مجرة كاملة باهتة. هذه المجرات المحيطة بالكوازارات تمتلك نفس قيمة الإنزياح نحو الأحمر (Redshift) التي يمتلكها الكوازار نفسه. وبما أننا نعرف كيف نقيس أبعاد المجرات وطبيعة نجومها، تأكدنا أن الكوازار ليس جرماً وحيداً "مطروداً" أو ناتجاً عن انفجار محلي، بل هو النواة النشطة لمجرة ضخمة وبعيدة جداً.
3. غياب الكوازارات القريبة (The Spatial Distribution)
إذا كانت الكوازارات ظاهرة حديثة (مثل انفجارات النجوم التي تحدث طوال الوقت في مجرتنا والمجرات المجاورة)، لكان من المفترض أن نرى كوازارات قريبة منا في الفضاء (أي بـ Redshift منخفض أو يقارب الصفر).
ولكن عند مسح السماء (مثل بيانات مسح SDSS التي تناقشها الورقة البحثية)، وجد العلماء توزيعاً غريباً جداً:
- لا توجد كوازارات على الإطلاق في مجرتنا درب التبانة.
- لا توجد كوازارات في المجرات القريبة منا (مثل أندروميدا).
- تبدأ الكوازارات في الظهور فقط عندما ننظر إلى مسافات تزيد عن مليارات السنين الضوئية.
هذا التوزيع المكاني لا يمكن تفسيره إلا بشيء واحد: أنها ترتبط بزمن محدد من عمر الكون. لو كانت ظاهرة حديثة ومحلية، لرأيناها في كل مكان حولنا.
4. بصمة الغاز الكوني (Cosmic Web Signatures)
الضوء القادم من الكوازار البعيد يسافر لمليارات السنين قبل أن يصل إلى تلسكوباتنا. وأثناء رحلته، يمر عبر سحب الغاز المنتشرة في الكون بين المجرات. كل سحابة غاز يمر بها الضوء تترك "بصمة امتصاص" (Absorption line) في طيف الكوازار عند طول موجي معين.
هذا يسمى فلكياً بـ "غابة ألفا ليمان" (Lyman-alpha forest).
إذا كان الكوازار حديثاً وقريباً منا، فلن يمر ضوؤه بكل هذا الغاز الكوني، وبالتالي سيكون طيفه نقياً وبسيطاً. لكن أطياف الكوازارات تأتي إلينا مليئة بآلاف الخطوط الامتصاصية المتداخلة، مما يثبت أن ضوءها سافر لمسافات كونية هائلة وعبر نسيج الكون عبر عصور زمنية مختلفة لكي يصل إلينا.
خلاصة القول:
تلك الفرضية العلمية شرعية تماماً في وقت من الأوقات، لكن فيزياء الطيف ورصد المجرات المضيفة أثبتا أن الكوازار ليس مجرد حادث نجمي حديث، بل هو وحش كوني منقرض، نرى جثته المضيئة فقط لأن ضوءها القديم استغرق رحلة مدتها 10 مليارات سنة لكي يصل إلى كوكب الأرض!
علوم البيانات وآلية التقاطها لتلك الوحوش الكونية (دراسة بحثية لعشرة من خوارزميات التعلم الآلى):
في الورقة البحثية بعنوان "Redshift-Agnostic Machine Learning Classification: Unveiling Peak Performance in Galaxy, Star, and Quasar Classification (Using SDSS DR17)" والتي نُشرت عام 2025، أخضع العلماء تصنيف تلك الأجرام الثلاثة (النجوم، الكوازارات، والمجرات) لعشرة من خوارزميات التعلم الآلي والتعلم العميق.
كان الغرض الأساسي هو التنقيب عن الخاصية الأعم والأقوى التي تحسم آلية التصنيف، والتي نعرف أنها "خاصية الإنزياح نحو الأحمر" (Redshift). لكن الإثارة الحقيقية تكمن في إجابة الورقة عن سؤال استثنائي: ماذا لو حُرمنا من هذه المعلومة كلياً في مسوحاتنا المستقبلية؟
أظهرت نتائج تحليل أهمية الميزات (Feature Importance) أن الإنزياح نحو الأحمر يساهم وحده بنسبة 64.7% في دقة النموذج، يليه المرشح الضوئي z بنسبة 10.0% ثم المرشح g بنسبة 7.95%. ومع ذلك، أثبت الباحثون أنه من خلال هندسة ميزات ذكية وضغط الأبعاد (بواسطة PCA)، تستطيع خوارزميات مثل XGBoost والشبكات العصبية المتكررة (RNNs) تعويض غياب الـ Redshift بالكامل والتعرف على الوحوش الكونية بدقة فائقة من خلال بصمتها اللونية فقط! تفتح هذه النتائج آفاقاً مذهلة للتصنيف الفعال والدقيق في المسوحات الضوئية واسعة النطاق للأجسام الخافتة والسحيقة البعد.
هندسة تحليل المكونات الرئيسية (PCA): تفكيك أبعاد الكون برؤية رياضية
في قلب معالجة البيانات الفلكية الضخمة، تبرز هندسة "تحليل المكونات الرئيسية" (PCA) كأداة رياضية ساحرة لإعادة بناء الزمكان البياني. لا تتعامل الـ PCA مع الميزات كأرقام صماء، بل تنظر إلى البيانات كـ "سحابة ديناميكية" تنتشر في فضاء متعدد الأبعاد، حيث تكمن معضلة الفلكيين في تشتت الإشارات وتداخل الأبعاد (مثل الفلاتر الضوئية المتعددة ومؤشرات الألوان). هنا، تتدخل الـ PCA عبر جبر خطي صارم لتقوم بـ "تدوير" المحاور الإحداثية الأصلية للبيانات، والبحث عن الاتجاهات التي تحوي أقصى تباين وتشتت فيزيائي للبيانات (Maximal Variance). من خلال حساب المتجهات الذاتية (Eigenvectors) والقيم الذاتية (Eigenvalues)، يتم إسقاط الفضاء المعقد ذي الأبعاد اللانهائية على محاور جديدة متعامدة تماماً تُعرف بـ "المكونات الرئيسية" (PCs).
إن الجمال الحقيقي لهندسة الـ PCA في رصد الأجرام خارج المجرية يكمن في قدرتها على عزل الضوضاء الخلفية وتشوهات الطيف، مع الاحتفاظ بـ "الجوهر الفيزيائي" النقي للجرم؛ حيث يختزل المكون الرئيسي الأول (PC1) والمكون الثاني (PC2) البصمة اللونية والتوزيع الطيفي للمجرات والكوازارات في أبعاد ثنائية أو ثلاثية واضحة، مما يمنح خوارزميات التعلم الآلي اللاحقة خريطة هندسية مصقولة، تتيح لها الفصل بين الفئات الكونية بدقة متناهية ودون الغرق في "لعنة الأبعاد" (Curse of Dimensionality).
تحليل كفاءة النماذج وأثر استبعاد الميزات (Feature Ablation Analysis)
تستعرض الدراسة تقييماً شاملاً لعشر خوارزميات من التعلم الآلي والعميق في تصنيف الأجرام الفلكية (نجوم، مجرات، كوازارات)، حيث تُوجت خوارزمية الغابات العشوائية (Random Forest) بأعلى دقة إجمالية بلغت 97.805% عند التدريب بكامل الميزات المتاحة. ويعود هذا التفوق الرياضي إلى قدرة النماذج التجميعية (Ensemble Models) على تفكيك العلاقات المعقدة وغير الخطية للبيانات الطيفية مقارنة بالنماذج الخطية التقليدية مثل الانحدار اللوجستي (Logistic Regression).
المجرات والكوازارات (Galaxies & Quasars): المجرات تبتعد عنا بمسافات هائلة، والكوازارات تقع عند حواف الكون المرئي، لذا يمتد الإنزياح الأحمر لها إلى قيم ضخمة (تصل إلى 4 و 5 و 7 ).
وعند الانتقال إلى اختبارات استبعاد الميزات لدراسة الأهمية الفيزيائية لكل متغير، كشف تحليل أهمية الميزات (Feature Importance) عن هيمنة ساحقة للإزاحة نحو الأحمر (Redshift) بوزن نسبي بلغ 64.7%، يليه الفلتر الفوتومتري z بنسبة 10.02%، ثم بقية الألوان الكونية بسِمات متفاوتة.
ومع ذلك، تبرز القيمة الاستثنائية للدراسة عند حجب ميزة الـ Redshift تماماً والاعتماد حصرياً على الفلاتر الضوئية الخمسة (u, g, r, i, z)؛ حيث أظهرت الخوارزميات المتقدمة مثل XGBoost و Random Forest صموداً مذهلاً وثباتاً عالياً في مستويات الدقة دون أن تنهار الخوارزمية. تثبت هذه النتيجة رقمياً وفلكياً أن البصمة اللونية المتكاملة للفلاتر الفوتومترية قادرة على تعويض غياب الإزاحة الحمراء بكفاءة، مما يفتح آفاقاً واعدة لتصنيف الأجرام الشاذة أو الحالات المستعصية التي يغيب فيها حساب الـ Redshift أو يتعرض للتشوه الفيزيائي.
هذا الرسم البياني هو الأهم، لأنه يضيف بعداً ثالثاً للمقارنة، حيث يقارن بين ثلاث حالات عبر ثلاثة ألوان:
- اللون الأخضر (Green): الدقة باستخدام كل الميزات المتاحة (الأعلى دائماً).
- اللون الأزرق الفاتح (Light Blue): الدقة باستخدام الـ Redshift وحده (الحالة المتوسطة).
- اللون البرتقالي (Orange Bars): تمثل دقة النماذج عندما تم حذف ميزة الـ Redshift تماماً، والاعتماد فقط على الفلاتر الفوتومترية الخمسة (u, g, r, i, z).
ماذا نستنتج من الشكل؟ (التحليل الفيزيائي والبرمجي الحاسم)
ثبات مذهل للأعمدة البرتقالية: ارتفاع اللون البرتقالي في نماذج مثل XGBoost و Random Forest و RNN و SVM؛ الدقة تكاد تلامس الـ 80% إلى 85% أو أكثر في بعضها.
ماذا يعني هذا فلكياً؟ هذا يعني أنه في السيناريوهات الواقعية التي يغيب فيها الـ Redshift (لأنه غير متوفر، أو صعب الحساب تلسكوبياً، أو مشوه للأجرام الشاذة)، فإن النماذج الذكية لا تنهار! بل تستطيع الفلاتر الضوئية الخمسة مجتمعة أن تعوض هذا الغياب بنسبة كبيرة جداً، لأنها تقرأ "البصمة اللونية المتكاملة" (Color Indices) للجرم الكوني وتستنبط منها طبيعته.
خاتمة:
وبهذا، نكون قد استعرضنا فحوى هذه الدراسة الرائعة، وغصنا في أعماق الكوازارات البعيدة التي تعود بنا في سبر الزمكان إلى عصور شباب الكون الباكرة. لقد تتبعنا كيف يمكن لخوارزميات الذكاء الاصطناعي أن تقتنص ملامح الكون بدقة مذهلة، عبر نسج الروابط بين الميزات والفلاتر الضوئية، حتى في غياب الإنزياح نحو الأحمر الذي طالما اعتقدنا أنه اللاعب الرئيسي المهيمن. إن هذا الصمود الرقمي في غياب "الإنزياح نحو الأحمر" يتركنا أمام تساؤل كوني ومثمر: لربما لم يكن هو اللاعب الوحيد في مضمار التصنيف، ولربما هناك نمط فيزيائي خفي في بصمات الألوان الكونية لم تضع أيدينا عليه بعد، وينتظر من يفك شفرته!
_______________________________________________
للاطلاع على مقالة تفسر تحليلًا لنفس البيانات الفلكية SDSS SkyServer والغوص بمفهون الفلاتر الكونية، انقر الرابط:
رحلة لسبر أغوار البيانات الفلكية: بيانات SkyServer حيث تتراقص الفيزياء وسطور الأكواد
----------------------------------------------------------------------
المصدر للورقة البحثية :
https://scholar.google.com.eg/scholar?hl=en&as_sdt=0%2C5&q=Redshift+machine+learning+SDSS+&btnG=#d=gs_qabs&t=1781293145101&u=%23p%3DLwNnrziD5rcJ
جُسور تواصلنا