A method to challenge symmetries in data with self-supervised learning
تقدم هذه الورقة طريقة للتعلم الخاضع للإشراف الذاتي تختبر التناظرات المشتبه بها في البيانات من خلال تدريب النماذج على التمييز بين البيانات الحقيقية والبدائل المتحولة تناظرياً، مما يعالج بفعالية البيانات المفلترة لتحديد ما إذا كانت مثل هذه التناظرات محققة حقاً في الطبيعة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في دراسة العالم الفيزيائي، غالبًا ما يبني العلماء نماذج قائمة على فكرة أن الطبيعة تتبع قواعد معينة من التوازن. هذه القواعد، المعروفة باسم التناظر (Symmetries)، تشير إلى أنه إذا قمت بتغيير نظام ما بطريقة معينة — مثل قلبه كمرآة أو تدويره حول محور — فإن القوانين الأساسية التي تحكمه يجب أن تظل كما هي تمامًا. لعقود من الزمن، اعتمد الفيزيائيون على هذه التناظرات لتصميم التجارب وتفسير البيانات الفوضوية المتدفقة من كواشف الجسيمات والتلسكوبات. ومع ذلك، يظل هناك سؤال جوهري: هل تلتزم الطبيعة حقًا بهذه القواعد، أم أنها مجرد افتراضات مريحة وضعناها؟ إذا انكسر التناظر، فهذا يعني أن الكون أكثر تعقيدًا مما تسمح به نظرياتنا الحالية، مما قد يشير إلى فيزياء جديدة. لقد كان التحدي دائمًا هو التمييز بين كسر حقيقي في قوانين الطبيعة وبين الواقع غير المثالي والمربك لكيفية جمعنا للبيانات. فالمستشعرات تتعطل، والمعدات بها نقاط عمياء، وغالبًا ما يضطر الباحثون إلى استبعاد أجزاء كبيرة من المعلومات لجعل الأمور منطقية. هذه العيوب يمكن أن تخلق وهمًا بوجود عدم تناظر حيث لا يوجد شيء، أو قد تخفي كسرًا حقيقيًا في النمط، مما يجعل من الصعب للغاية الوثوق بما تقوله البيانات.
قام باحثان في جامعة كامبريدج بتطوير طريقة جديدة وعملية لاختبار هذه التناظرات المشتبه بها دون الحاجة إلى تنظيف البيانات أو الاعتماد على تسميات خارجية لإخبارهم بما هو حقيقي. أطلقوا على نهجهم اسم "أيُّهما حقيقي؟" (which is real?)، وهو يستخدم شكلًا من أشكال الذكاء الاصطناٍعي المعروف بالتعلم الخاضع للإشراف الذاتي (self-supervised learning). وبدلاً من تعليم نموذج الكمبيوتر باستخدام قائمة من الإجابات الصحيحة، تركوا النموذج يتعلم من خلال لعب لعبة من صنعه الخاص. يأخذ الباحثون قطعة من البيانات الحقيقية ويصنعون نسخة "مزيفة" منها عن طريق تطبيق قاعدة التناظر التي يريدون اختبارها. على سبيل المثال، إذا كانوا يختبرون التناظر الدوراني، فقد يأخذون حدث تصادم جسيمات ويدورونه إلى زاوية جديدة. ثم يقرنون الحدث الحقيقي الأصلي مع هذا الحدث المزيف المدوّر ويسألون الكمبيوتر أن يخمن أيهما هو الأصل. إذا استطاع الكمبيوتر التمييز باستمرار بين البيانات الحقيقية والنسخة المدوّرة، فهذا يثبت أن التناظر مكسور. وإذا كان التناظر مثاليًا، فستكون النسختان الحقيقية والمزيفة غير قابلتين للتمييز، وسيكون الكمبيوتر مضطرًا للتخمين بشكل عشوائي.
تكمن عبقرية هذه الطريقة في كيفية تعاملها مع الفوضى الحتمية للتجارب في العالم الحقيقي. في العديد من المجالات العلمية، يتم ترشيح البيانات؛ حيث تُفقد بعض الأحداث بسبب فجوات المستشعرات، ويتم استبعاد أخرى لأنها لا تستوفي معايير جودة صارمة. عادةً ما يخلق هذا الترشيح انحيازًا يبدو وكأنه كسر في التناظر. تحاول الطرق التقليدية تصحيح هذه القطع المفقودة رياضيًا، غالبًا عن طريق تخصيص أوزان ثقيلة لنقاط البيانات القليلة التي تنجو، مما قد يؤدي إلى نتائج غير مستقرة وغير موثوقة. تتجنب طريقة "أيُّهما حقيقي؟" هذا الفخ تمامًا. فبدلاً من محاولة إلغاء تأثير الترشيح، يطبق الباحثون نفس قواعد الترشيح على البيانات المزيفة التي ينتجونها. يأخذون حدثًا حقيقيًا، ويصنعون نسخة مزيفة منه، ثم يمررون تلك النسخة المزيفة عبر نفس محاكاة المستشعر غير الكاملة التي مر بها الحدث الحقيقي. ولأن كلا الحدثين الحقيقي والمزيف يعانيان من نفس الخسائر والفجوات، يتعلم نموذج الكمبيوتر تجاهل أخطاء الترشيح والتركيز فقط على الاختلافات الحقيقية في الفيزياء الكامنة. الأمر يشبه محاولة رصد فرق بين توأمين متطابقين، لكن كلاهما يرتدي نفس النظارات الشمسية التي تحجب نصف وجهيهما؛ إذ يتعلم المراقب النظر لما وراء النظارات ليرى الوجه الحقيقي.
لإثبات نجاح هذا النهج، اختبر الفريق هذه الطريقة في سيناريوهين مختلفين باستخدام محاكاة الكمبيوتر. تضمن المثال الأول كاشف جسيمات أسطواني، يشبه تلك المستخدمة في الفيزياء عالية الطاقة، والذي كان يحتوي على ثقوب كبيرة وبعض الأجزاء كانت أقل حساسية من غيرها. أنشأوا مجموعة بيانات حيث تم توزيع الجسيمات بطريقة تبدو متناظرة ولكن بها إزاحة خفية ومخفية تكسر التناظر الدوراني. وعندما قاموا بتشغيل نموذج "أيُّهما حقيقي؟"، نجح النموذج في تحديد عدم التناظر، وتحديد المكان الذي انزاحت فيه البيانات بالضبط وكيف أثرت فجوات الكاشف على النتائج. أنتج النموذج درجة تشير بقوة إلى أن التناظر مكسور، على الرغم من أن البيانات كانت مصفاة بكثافة. وفي اختبار ثانٍ، طبقوا الطريقة على خريطة طبوغرافية، للتحقق من نوع آخر من التناظر حيث يجب أن يبدو المشهد متشابهًا إذا تم إزاحته أفقيًا ضمن مناطق معينة مسطحة. ومرة أخرى، اكتشف النموذج عندما انتهكت البيانات هذه القاعدة، حيث تعلم الأنماط المحددة للانتهاك مع تجاهل الحدود الاصطناعية حيث تمت إزالة البيانات.
وجد الباحثون أنه عندما تلتزم البيانات بتناظر ما حقًا، يفشل النموذج في التمييز بين الحقيقي والمزيف، مما ينتج عنه درجة تشير إلى عدم وجود دليل على الكسر. وعلى العكس من ذلك، عندما يكون التناظر مكسورًا، يتعلم النموذج التنبؤ بالتسمية الصحيحة بدقة عالية، مما يوفر مقياسًا واضحًا وكميًا للانتهاك. والأهم من ذلك، أن الطريقة نجحت حتى عندما كانت البيانات شحيحة أو عندما كان الترشيح شديدًا، مما يثبت أنها لا تتطلب بيانات مثالية ونظيفة لتعمل. لقد أظهر الفريق أنه من خلال مجرد سؤال الكمبيوتر للاختيار بين حدث حقيقي ونسخة محولة، يمكنهم كشف حالات عدم التناظر الخفية التي قد تُعتبر خطأً تجريبيًا. يقدم هذا النهج أداة قوية للعلماء لاختبار نظرياتهم مقابل البيانات الخام غير المصقولة للكون، مما يضمن أنهم عندما يدعون أن تناظرًا ما قد انكسر، فإنهم يرون سمة من سمات الطبيعة نفسها، وليس أثرًا ناتجًا عن أدواتهم. الكود والبيانات المستخدمة في هذه الاختبارات متاحة للجمهور، مما يسمح للباحثين الآخرين بتطبيق هذه الطريقة على مجموعات البيانات الخاصة بهم وتحدي التناظرات التي تدعم فهمنا للعالم الفيزيائي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.