في المشهد الواسع للحوسبة الحديثة، تُطالب الآلات باستمرار بحل مشكلات تتطلب الغربلة من بين جبال من البيانات للعثور على الإجابة المثلى الوحيدة. وسواء كان ذلك لتدريب شبكة عصبية للتعرف على وجه، أو إعادة بناء صورة مخفية من ضوء متناثر، أو تنظيم قاعدة بيانات ضخمة، فإن هذه المهام غالباً ما تؤول إلى تحدٍ رياضي: تقليل دالة معقدة. تخيل متنزهاً يحاول العثور على أدنى نقطة في وادٍ وعر وضبابي. التضاريس غير مستوية، مليئة بالمنحدرات المفاجئة والنتوءات المخفية، والمتنزه لا يستطيع إلا الشعيد بالميل تحت قدميه. هذا هو جوهر الأمثلة (Optimization). لعقود من الزمن، طور العلماء أدوات لمساعدة هؤلاء المتنزهين الرقميين على التنقل. بعض الأدوات تتخذ خطوات صغيرة وحذرة، بينما تحاول أدوات أخرى تخمين المسار أمامها بناءً على الزخم. ومع ذلك، عندما تكون البيانات كبيرة جداً بحيث لا يمكن استيعابها في الذاكرة دفعة واحدة، أو عندما تكون التضاريس متعرجة وغير متوقعة، فإن الأدوات القياسية غالباً ما تتعثر، وتستغرق وقتاً طويلاً أو تعلق في انخفاضات محلية ليست هي القاع الحقيقي.

قدم باحث في جامعة شنتشن للتكنولوجيا المتقدمة نهجاً جديداً لهذه المشكلة، صُمم خصيصاً لهذه السيناريوهات الصعبة واسعة النطاق. أطلقوا على طريقتهم اسم AEPG-SPIDER. وهي استراتيجية هجينة تجمع بين ثلاث تقنيات متميزة لتوجيه البحث بكفاءة أكبر. أولاً، تستخدم طريقة ذكية لتعديل حجم كل خطوة، مما يجعل الخطوات أكبر عندما يكون المسار واضحاً وأصغر عندما تصبح التضاريس صعبة، دون الحاجة إلى معرفة شدة المنحدر مسبقاً. ثانياً، تدمج تقنية تُعرف باسم "الاستكمال الخارجي" (extrapolation)، والتي تسمح للخوارزمية بالنظر إلى الأمام واستخدام زخمها السابق للتحرك بشكل أسرع نحو الحل. ثالثاً، توظف تقنية لتقليل التباين، والتي تعمل مثل مرشح لإلغاء الضوضاء. في العديد من المشكلات الواقعية، تكون البيانات ضخمة جداً لدرجة أن الخوارزمية يجب أن تقدر المنحدر باستخدام عينة صغيرة فقط. هذه التقديرات غالباً ما تكون مليئة بالضوضاء وغير موثوقة. تدمج الطريقة الجديدة بذكاء هذه العينات المليئة بالضوضاء مع المعلومات السابقة لإنشاء صورة أوضح وأكثر دقة للمسار المستقبلي.

اختبر الباحث هذه الطريقة الجديدة على نوعين مختلفين تماماً من المشكلات الواقعية. الأول كان "استعادة الطور المتفرقة" (sparse phase retrieval)، وهي مهمة تُستخدم في التصوير لإعادة بناء صورة من قياسات تلتقط شدة الضوء فقط، وليس طوره. وهذا أمر بالغ الأهمية لرؤية الأجسام التي هي أصغر من أن تُرى بالمجاهر القياسية أو لالتقاط صور عبر هواء مضطرب. تضمنت المشكلة الثانية إيجاد الأنماط الأكثر أهمية في مصفوفة كبيرة من الأرقام، وهي مهمة تُعرف باسم "مشكلة القيمة الذاتية الخطية" (linear eigenvalue problem)، وهي أساسية لفهم استقرار الهياكل أو سلوك الأنظمة المعقدة. في كلتا الحالتين، وُضعت الطريقة الجديدة في مواجهة العديد من أفضل الخوارزميات الموجودة. كانت النتائج مذهلة؛ فقد وصلت الطريقة الجديدة باستمرار إلى حل عالي الجودة بشكل أسرع من منافسيها. لم تجد إجابة جيدة فحسب، بل وجدت "نقطة استقرار تقريبية إبسيلون" (epsilon-approximate stationary point) بشكل أسرع بكثير من الطرق الموجودة، مما أثبت أن الجمع بين الخطوات التكيفية، والزخم، وتقليل الضوضاء يخلق تآزراً قوياً.

ما يجعل هذا العمل مهماً بشكل خاص هو أنه يحقق هذه السرعة دون الاعتماد على خاصية محددة، وغالباً ما تكون مجهولة، تسمى "ثابت ليبشيتز" (Lipschitz constant). في الماضي، كانت العديد من الخوارزميات السريعة تتطلب معرفة هذا الثابت من قبل المستخدم مسبقاً لضبط حجم الخطوة الصحيح. إذا كان التخمين خاطئاً، فإن الخوارزمية ستفشل أو تتباطأ بشكل كبير. ومع ذلك، فإن الطريقة الجديدة تستنتج حجم الخطوة الضروري أثناء العمل، بناءً بالكامل على الاختلافات بين مواقعها السابقة. وهذا يجعلها "خالية من ليبشيتز" (Lipschitz-free)، مما يعني إمكانية تطبيقها على نطاق أوسع بكلك من المشكلات دون الحاجة إلى معرفة مسبقة بخشونة التضاريس المحددة. أثبت الباحث رياضياً أن طريقتهم ليست سريعة في الممارسة العملية فحسب، بل هي مثالية أيضاً من الناحية النظرية. لقد أظهروا أن عدد الخطوات المطلوبة لإيجاد حل هو الأفضل الممكن لهذه الفئة من المشكلات، مما يطابق الحدود النظرية التي كافحت الطرق الأخرى للوصول إليها.

كما استكشفت الدراسة كيفية سلوك الخوارزمية على المدى الطويل. ومن خلال تحليل البنية الرياضية للمشكلات، حدد الباحث أن الطريقة تتقارب نحو الحل بطريقة يمكن التنبؤ بها. واعتماداً على الطبيعة المحددة للمشكلة، إما أن تستقر الخوارزمية في الحل في عدد محدد من الخطوات أو تقترب منه بوتيرة ثابتة وسريعة. هذا المستوى من اليقين نادر في مجال "الأمثلة غير المحدبة" (non-convex optimization)، حيث تكون المشكلات غالباً معقدة للغاية لدرجة يصعب معها التنبؤ بالنتيجة. تحقق الباحث من نتائجهم النظرية من خلال عمليات محاكاة حاسوبية مكثفة على ثماني مجموعات بيانات مختلفة، تتراوح من الوثائق النصية إلى الصور. وفي الحالات التي كانت فيها البيانات ذات طبيعة متفرقة أو مهيكلة، تفوقت الطريقة الجديدة على المعايير الراسخة. ومع ذلك، في مجموعات البيانات الكثيفة والعشوائية، لم تتفوق الطريقة على النهج القائمة، مما يتماشى مع الفهم بأن الأساليب التكيفية تتفوق عادةً في البيانات المتفرقة والمهيكلة. وحتى في الحالات التي كانت فيها البيانات كثيفة وعشوائية، ظلت الطريقة تنافسية، رغم أنها أظهرت قوتها الكبرى في البيئات المعقدة والمهيكلة حيث تعمل التعلم الآلي الحديث والتصوير العلمي غالباً.

يمثل هذا العمل خطوة للأمام في جعل الأمثلة واسعة النطاق أكثر قوة وكفاءة. ومن خلال إزالة الحاجة إلى الضبط اليدوي لأحجام الخطوات، ومن خلال تصفية الضوضاء المتأصلة في مجموعات البيانات الضخمة بفعالية، تقدم الطريقة الجديدة أداة أكثر موثوقية للعلماء والمهندسين. إنها تشير إلى أن مستقبل حل المشكلات الحسابية المعقدة لا يكمن فقط في أجهزة كمبيوتر أسرع، بل في خوارزميات أذكى يمكنها التكيف مع البيانات التي تُعطى لها. لقد قدم الباحث مساراً واضحاً لكيفية التنقل في أصعب تضاريس الأمثلة، مما يضمن وصول المتنزه الرقمي إلى قاع الوادي بثقة وسرعة.