ملخص تقني: المحاكاة الإسقاطية متعددة الاستثارات مع انحياز استقرائي مستوحى من فيزياء الأجسام المتعددة

1. بيان المشكلة

غالبًا ما تعمل نماذج التعلم العميق، رغم قوتها، كـ "أوراكل" (عراف) غامض، مما يجعل عمليات اتخاذ القرار فيها صعبة التفسير. هذا النقص في الشفافية دفع مجال الذكاء الاصطناعي القابل للتفسير (XAI) إلى الأمام. أحد أطر عمل XAI الموجودة، وهو المحاكاة الإسقاطية (Projective Simulation - PS)، ينمذج التداول كمسار عشوائي لجسيم واحد على رسم بياني (graph) حيث تمثل الرؤوس مفاهيم (مقاطع/clips). وبينما توفر PS قابلية للتفسير وإمكانية للكمية (quantization)، إلا أنها تعاني من قصور جوهري: فهي لا تستطيع بطبيعتها نمذجة الأفكار التي تجمع بين مفاهيم متعددة في آن واحد. في نظام PS القياسي، يجب على استثارة واحدة أن تحمل جميع المعلومات قصيرة المدى لاتخاذ القرار، مما يمنع تفكيك بنى الفكر المركبة (مثل الاستنتاجات المنطقية التي تتضمن متغيرات متعددة).

علاً على ذلك، فإن التوسيع الساذج لـ PS للتعامل مع مفاهيم متعددة متزامنة (Multi-Excitation PS أو MEPS) باستخدام الرسوم البيانية الفائقة (hypergraphs) يواجه تعقيدًا أسيًا. فحجم المجموعة الجزئية (power set) للرؤوس يتوسع أسيًا مع عدد المقاطع الذرية، مما يجعل عدد المعلمات القابلة للتدريب والتكلفة الحسابية لخطوة واحدة من المسار العشوائي غير قابلة للتطبيق إلا للرسوم البيانية الصغيرة جدًا.

2. المنهجية

المحاكاة الإسقاطية متعددة الاستثارات (MEPS)

يقترح المؤلفون MEPS، وهو تعميم لـ PS حيث يتم نمذجة التداول كمسار عشوائي لـ عدة جسيمات (استثارات) على رسم بياني فائق (hypergraph).

• البنية: تتكون الذاكرة العرضية والتركيبية (ECM) من رسم بياني فائق موجه وموزون $G=(V, E, h)$. الرؤوس $V$ هي مقاطع ذرية (مفاهيم)، والحواف الفائقة $E$ تربط مجموعات من مقاطع المدخلات بمجموعات من مقاطع المخرجات.
• الحالة: حالة الوكيل هي تكوين استثارة $C \subset V$، والذي يمثل مجموعة المفاهيم ذات الصلة حاليًا.
• الديناميكيات: تتضمن خطوة التداول أخذ عينة من انتقال من التكوين الحالي $C_{now}$ إلى تكوين جديد $C_{next}$ بناءً على أوزان الحواف الفائقة (قيم h).
• التعلم: يتعلم الوكيل عبر قاعدة تحديث التعلم المعزز مقتبسة من PS، حيث يتم تعديل قيم h بناءً على المكافآت وعامل "التوهج" (glow factor) للمكافآت المؤجلة.

الانحياز الاستقرائي المستوحى من فيزياء الأجسام المتعددة

للتغلب على التعقيد الأسي لـ MEPS الساذج، قدم المؤلفون انحيازًا استقرائيًا مستوحى من فيزياء الأجسام المتعددة الكمومية.

• المفهوم الجوهري: تمامًا كما تنشأ الظواهر الفيزيائية غالبًا من تفاعلات بين عدد قليل من الجسيمات (تفاعلات الأجسام القليلة)، يقيد المؤلفون انتقالات MEPS لتتكون من انتقالات أولية تتضمن عددًا قليلًا من الاستثارات في كل مرة.
• الصورية (Formalism): بدلاً من تعريف قيم h للمجموعات الفرعية التعسفية من الرؤوس، يعرّف النموذج معاملات قابلة للتدريب للانتقالات الأولية $(i, o)$، حيث تتفاعل $i$ من الاستثارات الداخلة لإنتاج $o$ من الاستثارات الخارجة.
• القطع (Cutoff): تحدد مجموعة $IO$ أزواج $(i, o)$ المسموح بها. ويتم فرض قطع بحيث يكون $i + o \leq \text{max\_IO}$.
• الآلية: في خطوة واحدة من المسار العشوائي، يأخذ الوكيل عينة من انتقال أولي واحد $(C^{(i)}_{in} \to C^{(o)}_{out})$ حيث $C^{(i)}_{in} \subset C_{now}$. يتشكل التكوين الجديد عن طريق إزالة الاستثارات الداخلة وإضافة الاستثارات الخارجة: $C_{next} = (C_{now} \setminus C^{(i)}_{in}) \cup C^{(o)}_{out}$.
• تقليل التعقيد: يثبت المؤلفون أن هذا الانحياز يقلل من عدد المعلمات القابلة للتدريب ومن تعقيد خطوة التداول من أسي ($O(2^{|V|})$) إلى متعدد الحدود ($O(|V|^{\text{max\_IO}})$). وتتحدد درجة كثير الحدود من خلال قطع التفاعل.

الرسوم البيانية الفائقة الديناميكية والبنى الطبقية

• الرسوم البيانية الفائقة الديناميكية: يتم صياغة تاريخ التدريب كرسوم بيانية فائقة ديناميكية، مما يسمح بتصور كيفية تطور بنية ذاكرة الوكيل بمرور الوقت.
• متغيرات التغذية الأمامية متعددة الطبقات: لحالات استخدام محددة، يعرّف المؤلفون Inductive Bias 2FF (التغذية الأمامية)، الذي يقيد الانتقالات لتتحرك بين الطبقات (مثلاً: الإدراك $\to$ المخفي $\to$ الإجراء). كما يقترحون متغيرات أكثر صرامة (2SF و 2DP) لضمان حدود عليا متعددة الحدود لأطوال المسار العشوائي، مما يمنع حدوث "انهيارات" (avalanches) مرضية للاستثارات.

3. المساهمات الرئيسية

1. إطار عمل MEPS: تقديم نموذج مسار عشوائي متعدد الجسيمات على الرسوم البياسية الفائقة لتمثيل الأفكار المركبة وبنى الذاكرة المفككة.
2. الانحياز الاستدرائي المستوحى من الفيزياء: صياغة انحياز استدرايدي كلاسيكي مشتق من تفاعلات الأجسام القليلة في فيزياء الأجسام المتعددة الكمومية. هذا يقلل التعقيد الحسابي لـ MEPS من أسي إلى متعدد حدود.
3. البراهين النظرية: إثبات أن الانحياز الاستدراดี يقلل من عدد المعلمات القابلة للتدريب ومن تعقيد خطوات المسار العشوائي إلى درجة متعددة الحدود يحددها قطع التفاعل.
4. تعريف الرسم البياني الفائق الديناميكي: تعريف جديد للرسوم البيانية الفائقة الديناميكية لنمذجة وتصور تواريخ تدريب الوكيل.
5. الدافع الكمومي: اشتقاق صوري يربط الانحياز الاستدراดี الكلاسيكي بهاملتوني (Hamiltonian) أنظمة الأجسام المتعددة الكمومية، مما يرسم مسارًا نحو تنفيذ MEPS على محاكيات كمومية.

4. النتائج التجريبية

قيم المؤلفون MEPS مع انحيازات استدراءدية مختلفة في ثلاث بيئات اصطناعية:

• لعبة الغزو مع التشتيت (Invasion Game with Distraction): مسألة "مقامر سياقي" (contextual bandit) حيث يعتمد الإجراء الصحيح على ملاحظتين ذوات صلة وملاحظة واحدة غير ذات صلة ("تشتيت").
  • النتيجة: تعلم الوكلاء الذين يمتلكون انحيازًا استدراดี ثنائي الأجسام (مطابق لتعقيد المسألة) السياسة المثلى بشكل أسرع. فشل وكيل "الأجسام الأحادية" في حل المسألة، بينما حلها وكيل "الأجسام الثلاثية" (المكافئ لـ PS القياسي) ولكنه تعلم بشكل أبطأ بكثير بسبب مساحة المعلمات الكبيرة.
• لعبة الغزو الخداعية (Deceptive Invasion Game): امتداد للعبة مع إجراءات أكثر وبنية مكافأة خداعية (قائمة على التكافؤ/parity).
  • النتيجة: تفوق وكيل "الأجسام الثنائية" مرة أخرى على وكيل "الأجسام الثلاثية". فشل وكيل "الأجسام الأحادية" في التعلم، حيث علق في سياسات دون المستوى بسبب عدم القدرة على نمذجة المنطق المركب الضروري.
• صيانة الكمبيوتر (Computer Maintenance): سيناريو معقد ينمذج تشخيص وإصلاح كمبيوتر معطل، يتطلب سلسلة من الأفكار متعددة الطبقات (أعراض $\to$ مكونات/أسباب $\to$ إصلاحات).
  • النتيعة: حقق وكيل MEPS متعدد الطبقات مع إعداد محدد للانحياز الاستدراดี أداءً قريبًا من الأمثل في حوالي 16,766 خطوة. في المق المقابل، تطلب وكيل PS القياسي غير المقيد ووكيل Q-learning متعدد الطبقات المستوحى من PS الجدولي حوالي 35,817 و 115,261 خطوة على التوالي. استخدم وكيل الانحياز الاستدراดี حوالي 13 ضعفًا أقل من المعلمات القابلة للتدريب مقارنة بالنماذج المرجعية.

5. الأهمية والادعاءات

يزعم البحث أن MEPS، مقترنًا بالانحياز الاستدراดี للأجسام المتعددة، يوفر بديلًا قابلًا للتوسع وقابلًا للتفسير لطرق التعلم العميق القياسية والتعلم المعزز الجدولي للمشكلات التي تتطلب تفكيرًا مركبًا.

• القابلية للتفسير: من خلال تمثيل عدة مفاهيم في وقت واحد صراحةً واستخدام بنية الرسم البياني الفائق، توفر MEPS "سلسلة أفكار" شفافة يمكن تصورها وتحليلها.
• الكفاءة: يسمح الانحياز الاستدراดี للوكلاء بحل المهام المعقدة بعدد أقل بكثير من المعلمات وخطوات التدريب مقارنة بالنماذج غير المقيدة، مما يتجنب "لعنة الأبعاد" المتأصلة في تطبيقات الرسم البياني الفائق الساذجة.
• الملاءمة البيولوجية والفيزيائية: يستند النهج إلى ملاحظة أن الإدراك البشري والأنظمة الفيزيائية تعتمد غالبًا على دمج عدد محدود من العوامل في وقت واحد، بدماج جميع التوليفات الممكنة.
• الإمكانات الكمومية: يشير التناظر الصوري مع فيزياء الأجسام المتعددة الكمومية إلى مسار طبيعي لتنفيذ MEPS على الأجهزة الكمومية، مما قد يستفيد من التسريع الكمومي لعمليات التداول.

يظل المؤلفون متواضعين، مشيرين إلى أنه بينما يقيد الانحياز الاستدرادي حيز الفرضيات، فإنه يتوافق مع القيود المعرفية البشرية والقوانين الفيزيائية، مما يشير إلى أنه قيد عملي وليس تقييديًا. كما يقرون بأن هناك حاجة لمزيد من العمل لتحسين خوارزميات أخذ العينات واستكشاف تقنيات أدبيات الرسوم البيانية الفائقة لمزيد من القابلية للتوسع.