تعلم تمثيل منحنيات الضوء في علم الفلك: تقنية جديدة تعزز الاستكشاف الآلي!

في عالم الفلك، تعتبر منحنيات الضوء (Light Curves) هي المقياس الذي يصف التغيرات الزمنية في سطوع الأجسام السماوية. ومن المؤكد أن تعلم تمثيلات قوية لهذه المنحنيات يمثل خطوة أساسية نحو اكتشافات آلية واسعة النطاق في الكون المتغير. ومع ذلك، تواجه النماذج الحالية لتسلسل الزمن (Time-Series Models) تحديات عدة، منها عدم انتظام العينة، الضوضاء المعقدة، والتغيرات الفيزيائية الواسعة النطاق.

لذا، تم طرح إطار عمل جديد لتعلم التمثيل يعتمد على المعرفة بالمجال (Domain-Informed)، والذي يستخدم بنية Joint-Embedding التنبؤية (JEPA). يجمع هذا الإطار بين وجهات نظر تعزز الدلالات، وتحويلات واعية للشك، وتقنية التقطيع الذاتي المتعدد (Multi-View Self-Distillation).

تم تدريب الموجهات (Encoders) بأسلوب التجزئة الذاتية المتعددة باستخدام تقنيات LeJEPA على مجموعة بيانات LEAVES، وتم تقييم فعالية النموذج الجديد باستخدام مقياس StarEmbed للتصنيف. وقد أظهر هذا النموذج تفوقًا على التمثيلات المصممة يدويًا في 15 من أصل 16 مقياس تصنيف، مما يدل على كفاءة هذا النهج في سبر أغوار بيانات الفضاء.

وفي اختبارات التصنيف القليلة (Few-Shot Linear Probing)، حقق النموذج درجات ماكرو-F1 قدرها 42.56 ± 7.21 عند استخدام عينة واحدة لكل فئة، و63.58 ± 1.20 مع 100 عينة، مما يعكس تحسنًا ملحوظًا مقارنة بالميزات المصممة يدويًا.

ما هو أكثر من ذلك، لا يقتصر استخدام التمثيل المتعلم على تصنيف النجوم المتغيرة، بل يدعم أيضًا البحث عن أوجه التشابه، والتقديرات البرامترية، واكتشاف انحراف نقطة الضوء الفوتومترية.

إضافة إلى ذلك، أظهرت التجارب العابرة للمجالات على 12 مجموعة بيانات زمنية غير منتظمة من PYRREGULAR أن النسخة المعدلة من النموذج تتطابق أو تتجاوز الأداء الرائد السابِق في 5 مجموعات بيانات، حيث لم تحقق أي مجموعة سابقة أية انتصارات تتجاوز 3 فوز.

تعتبر هذه النتائج دليلًا واضحًا على أن تقنية التجزئة الذاتية متعددة الوجوه القائمة على المعرفة بالمجال تمثل استراتيجية فعالة لتعلم تمثيلات سلاسل الزمن غير المنتظمة، مما يسلط الضوء على أهمية المقدمات المحددة بالمجال بدلاً من المعمارية المثالية الشاملة.