هل تساءلت يومًا عن مصدر الرياح الشمسية البطيئة التي تؤثر على كوكبنا؟ هذا السؤال يشغل العلماء في مجال الفيزياء الشمسية، وخاصةً حول ما إذا كانت هذه الرياح تأتي من مصدر واحد أو من قناتين متميزتين. في محاولة للإجابة عن هذا التساؤل الملح، قدم الباحثون إطار عمل مبتكر يُعرف باسم Solar-CDC، والذي يعتمد على تقنية التعلم التبايني الذاتي (Self-Supervised Contrastive Learning).

تتطلب معالجة هذا السؤال بعض التعقيد، حيث يجب تفريق مجموعتين من البيانات الشمسية تأتيان تقريبًا بنفس السرعة، ولكن تختلفان في التركيب الأيوني الثقيل. لذا، تم استخدام Solar-CDC لتطبيق خوارزميات التجميع العميق بفعالية، عن طريق تحويل البيانات الضوئية إلى فضاء مخفي باستخدام مُشفر Transformers، وتحسين خسارة الهامش الثلاثية مع تحديث التسميات الزائفة من خلال اختبار K-Means.

تظهر النتائج التجريبية، والتي شملت 30,602 ملاحظة من Solar Orbiter، أن Solar-CDC حققت تحسنًا ملحوظًا بحصولها على نتيجة Silhouette عند 0.869، مما يشير إلى أداء متميز مقارنة بطرق أخرى. بالنظر إلى المعايير الفيزيائية، نجحت الخوارزمية في استعادة المجموعات ذات متوسط نسب الشحن 0.080، 0.160، و0.400، مما يضع المجموعة المتوسطة داخل النطاق المرتبط بحواف الثقوب الكورونية.

الأمر الأكثر إثارة هو أن النموذج لم يعتمد على معلومات حول نسب الشحن لتعريف المجموعات، بل تمكن من التعلم وإعادة العثور على تصنيف العناصر بناءً على البيانات المتاحة. وهذا يمكن أن يُعتبر خطوة كبيرة نحو فهم أكبر لمصادر الرياح الشمسية وعلاقتها بالتركيبات الأيونية.

هذا البحث يجمع بين التعلم الذاتي غير المراقب وتقديم تشخيصات حول المصادر الشمسية، مما يفتح آفاقًا جديدة لفهم أسرار الشمس. ما رأيكم في هذا التطور؟ شاركونا في التعليقات.