في خطوة ثورية تساهم في حل لغز الكواكب الأرضية، أطلق فريق من الباحثين نظامًا متطورًا يُدعى TransitNet. هذا النظام يعمل على تعزيز عمليات البحث عن كواكب الأرض الجديدة باستخدام تقنيات التعلم العميق المعززة بالانتباه (Attention-Augmented Deep Learning).

لقد جاء هذا الابتكار نتيجة الحاجة الماسة إلى تحسين دقة البحث عن الكواكب التي تدور حول نجوم بعيدة، خاصة تلك التي لا يظهر فيها الإشارة بشكل واضح نظرًا لتدني نسبة الإشارة إلى الضجيج (Low-SNR). مع TransitNet، يمكن للباحثين إجراء عمليات بحث شاملة وموضوعية تحت ظروف البحث العمياء، وذلك بفضل إطاره الموحد الذي يشمل إنشاء مجموعات بيانات، معايير مرجعية، واختيار العتبات.

ماذا عن النتائج؟ أثبت TransitNet فعالية مذهلة على مستوى الأداء، محققًا دقة تصل إلى 95.2% في نطاق SNR يتراوح من 6 إلى 8. كما تفوق على الطرق التقليدية مثل TLS وBLS، حيث حقق قيم ROC-AUC وPR-AP بلغت 0.974 و0.982 على التوالي.

وفي تجارب تحاكي البحث عن كواكب بحجم الأرض، حقق نظام TransitNet معدل استرجاع مذهل بلغ 93.0%، متجاوزًا أداء TLS (63.1%) وBLS (60.0%).

كما يُتيح النظام أيضًا تقديرات قائمة على الانتباه لنوافذ العبور ونقاط المنتصف، حيث تظهر النتائج أن 97.4% من العبور المُدخل تم تغطيته بالكامل بواسطة نافذة العبور المقدرة.

عند تطبيق النظام على ملاحظات حقيقية لبيانات كبلر، تمكن من استرجاع جميع الكواكب الـ34 المُؤكدة المرصودة، مع خطأ متوسط قدره 1.24 ساعة في نقطة منتصف العبور. يُجمع TransitNet بين حجم تخزين مدمج يصل إلى حوالي 1.5 ميغابايت وكفاءة استدلال عالية، مُحققًا سرعات تصل إلى 12 إلى 25 مرة مقارنة بـ CPU-TLS و4 إلى 5 مرات مقارنة بـ CPU-BLS.

تجدر الإشارة أن نتائج TransitNet تُظهر أنه إطار دقيق وقابل للتوسع وفعّال حسابيًا للبحث عن الكواكب الأرضية ذات فترات طويلة، مما يشجع على توسيع استخدامه في اكتشاف كواكب جديدة في المستقبل.

ماذا تعتقدون عن هذا التطور الكبير في عالم الفلك؟ شاركونا آراءكم في التعليقات!