🤖 machine learning

Constraint-Aware Flow Matching via Randomized Exploration

تقترح هذه الورقة إطار عمل لمطابقة التدفق مدركاً للقيود يعالج انتهاكات القيود في النماذج التوليدية من خلال إدخال عقوبة قائمة على المسافة للقيود القابلة للتفاضل واستراتيجية استكشاف عشوائية للقيود القائمة على الأوراكل، مما يظهر كفاءة حوسبية فائقة وتحقيقاً للقيود عبر مهام التوليد الاصطناعية والعدائية.

المؤلفون الأصليون: Zhengyan Huan, Jacob Boerma, Li-Ping Liu, Shuchin Aeron

نُشر 2026-05-01

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Zhengyan Huan, Jacob Boerma, Li-Ping Liu, Shuchin Aeron

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

تخيل أنك تقوم بتعليم روبوت طباخ كيفية طهي نوع معين من الحساء. تريد أن يكون طعم الحساء مطابقاً تماماً لوصفة مشهورة (مطابقة التوزيع المستهدف)، ولكن لديك قاعدة صارمة أيضاً: يجب ألا يحتوي الحساء على أي فول سوداني (الـ قيد).

في عالم الذكاء الاصطناعي، تُعد "مطابقة التدفق" (Flow Matching) طريقة شائعة لتعليم الروبوتات كيفية ابتكار أشياء جديدة (مثل الصور أو البيانات) لتبدو كأنها حقيقية. ومع ذلك، فإن طهاة الذكاء الاصطناعي التقليديين غالباً ما يتجاهلون القواعد؛ فقد يصنعون حساءً لذيذاً ولكنه يحتوي بالخطأ على فول سوداني، أو قد يصنعون حساءً خالياً من الفول السوداني ولكنه لا يشبه الوصفة الأصلية في الطعم على الإطلاق.

يقدم هذا البحث طريقتين جديدتين لتعليم طاهي الذكاء الاصطناعي كيفية اتباع القواعد دون إفساد المذاق. يطلق المؤلفون على هاتين الطريقتين اسم FM-DD و FM-RE.

السيناريوهان: معرفة القواعد مقابل تخمين القواعد

يتناول البحث المشكلة بطريقتين مختلفتين، اعتماداً على مقدار المعلومات التي يمتلكها الذكاء الاصطناعي حول قاعدة "خلو الفول السوداني".

1. FM-DD: نهج "المسطرة"

السيناريو: تخيل أن لديك مسطرة سحرية يمكنها إخبارك بالضبط بمدى بُعد وعاء الحساء عن احتواء الفول السوداني. إذا كان الحساء آمناً، تقول المسطرة "0 بوصة". وإذا كان يحتوي على فول سوداني، تقول "5 بوصات".

الحل: يستخدم الذكاء الاصطناعي هذه المسطرة كدليل. أثناء التدريب، إذا بدأ الذكاء الاصطناعي في صنع حساء يقترب من احتواء الفول السوداني، تمنحه المسطرة "درجة جزاء". يتعلم الذكاء الاصطناعي توجيه الحساء بعيداً عن منطقة الخطر مع محاولة الحفاظ على النكهة مثالية في نفس الوقت.

تشبيه بسيط: الأمر يشبه قيادة سيارة مزودة بمستشعر تقارب حساس للغاية؛ فكلما اقتربت من الجدار، تقوم السيارة بتوجيهك بلطف للعودة إلى منتصف المسار.

2. FM-RE: نهج "المتذوق"

السيناريو: الآن، تخيل أنك لا تملك مسطرة. لديك فقط مفتش أغذية صارم يمكنه النظر إلى وعاء الحساء وقول "نعم" (آمن) أو "لا" (غير آمن). لن يخبرك المفتش بمدى عدم الأمان، أو كم تبعد عن الخطر؛ هو فقط يعطي نتيجة بسيطة. هذا أصعب بكثير لأن الذكاء الاصطناعي لا يمكنه مجرد "تعديل مساره" بعيداً عن الخطر، بل يعرف فقط أنه فشل بعد وقوع الأمر.

الحل: هنا تبرز براعة الابتكار الرئيسي في هذا البحث. يقترح المؤلفون طريقة تسمى الاستكشاف العشوائي (FM-RE).

المشكلة: إذا صنع الذكاء الاصطناعي حساءً محدداً (غير عشوائي)، وقال المفتش "لا"، فلن يحصل الذكاء الاصطناعي على أي معلومات مفيدة لكيفية الإصلاح. "التدرج" (الاتجاه للتعلم) يكون صفراً.
الحيلة: يبدأ الذكاء الاصطناعي بإضافة القليل من "الاهتزاز العشوائي" أو "الضجيج" إلى عملية الطهي. بدلاً من صنع حساء واحد دقيق، فإنه يصنع "سحابة" من أنواع الحساء المختلفة قليلاً.
التعلم: يسأل الذكاء الاصطناعي المفتش عن هذه السحابة بأكملها. إذا كانت 90% من السحابة آمنة، يتعلم الذكاء الاصطناعي أن الاتجاه العام جيد. وإذا كانت 10% فقط منها آمنة، فإنه يتعلم توجيه السحابة بأكملها في اتجاه مختلف.
استراتيجية المرحلتين: لتوفير الوقت والطاقة، لا يقوم الذكاء الاصطناعي بهز الحساء طوال الوقت.
1. المرحلة الأولى: يتعلم الوصفة الأساسية بشكل مثالي (الجزء "المحدد") دون أي هز أو ضجيج.
2. المرحلة الثانية: قبيل تقديم الحساء مباشرة (الخطوات النهائية)، يضيف "الاهتزاز العشوائي" لاستكشاف قواعد السلامة. يتعلم "التدفق المتوسط" (أفضل مسار متوسط) الذي من المرجح جداً أن يكون آمناً.

لماذا يهم هذا الأمر؟

يوضح البحث أن هذه الطرق تعمل بشكل أفضل من المحاولات السابقة، خاصة بالنسبة للقواعد المعقدة:

الأشكال المعقدة: واجهت الطرق السابقة صعوبة في التعامل مع القواعد "غير المتصلة" (مثل وجود منطقتين آمنتين منفصلتين) أو "غير المحدبة" (أشكال غريبة). وتتعامل الطرق الجديدة مع هذه الحالات بسهভাবে.
قواعد "الصندوق الأسود": طريقة "المتذوق" (FM-RE) قوية لأنها تعمل حتى عندما تكون القاعدة عبارة عن "صندوق أسود". لست بحاجة لمعرفة الرياضيات وراء القاعدة؛ تحتاج فقط للقدرة على السؤال: "هل هذا آمن؟"

أمثلة من الواقع في البحث

اختبر المؤلفون أفكارهم على عدة تحديات ممتعة:

رسم الأشكال: علموا الذكاء الاصطناعي رسم أرقام (MNIST) تلبي معايير محددة، مثل "يجب أن تكون ساطعة بما يكفي" أو "يجب أن يكون لها سمك خط معين". نجح الذكاء الاصطناعي حيث فشل الآخرون.
تحدي "الفضاء الجزئي" (Subspace): طلبوا من الذكاء الاصطناعي إنشاء بيانات تقع على خط غير مرئي محدد في فضاء عالي الأبعاد. هذا يشبه محاولة موازنة قلم رصاص على سنه؛ وهو أمر صعب للغاية للإصابة بالهدف بدقة. نجح الذكاء الاصطناعي في الاقتراب جداً من الهدف.
اختبار "الخصومة" (الاختراق الأمني): كان هذا عرضاً رائعاً. استخدموا الذكاء الاصطناعي لإنشاء "أمثلة خصومية" — وهي صور تبدو طبيعية للبشر ولكنها تخدع نظام رؤية حاسوبية وتجعله يخطئ في تحديد هويتها.
- القيد: يجب أن يتم تصنيف الصورة بشكل خاطئ من قبل ذكاء اصطناعي آخر (المفتش/الصندوق الأسود)، ولكن يجب أن يظل الإنسان يرى الصورة الأصلية.
- النتيجة: نجح الذكاء الاصطناعي في إنشاء صور تبدو كأنها رقم "1" بالنسبة للإنسان، ولكن الحاسوب يظن أنها "7". فعل ذلك من خلال سؤال الحاسوب فقط: "هل هذه صورة 1؟" وتعديل الصورة حتى يقول الحاسوب "لا".

ملخص

باخت-ة، يقدم هذا البحث طريقة جديدة لتعليم الذكاء الاصطناعي القواعد.

إذا كنت تملك مسطرة (معادلة رياضية للقاعدة)، استخدم FM-DD لدفع الذكاء الاصطناعي بلطف بعيداً عن الخطر.
إذا كنت تملك فقط مفتشاً يعطي "نعم/لا" (صندوق أسود)، استخدم FM-RE لتسمح للذكاء الاصطناعي بـ "هز" خياراته حول، والتعلم من التغذية الراجعة، وإيجاد مسار آمن يظل مطابقاً تماماً للوصفة الأصلية.

النتية هي ذكاء اصطناعي مبدع (يطابق البيانات) ومطيع (يتبع القواعد) في آن واحد.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "Constraint-Aware Flow Matching via Randomized Exploration" (مطابقة التدفق المدركة للقيود عبر الاستكشاف العشوائي).

1. بيان المشكلة

تتناول الورقة البحثية تحدي النمذجة التوليدية المقيدة باستخدام مطابقة التدفق (Flow Matching - FM). بينما تتعلم نماذج مطابقة التدفق القياسية بفعالية تحويل توزيع المصدر (مثل الضوضاء الغاوسية) إلى توزيع بيانات مستهدف، إلا أنها غالبًا ما تفشل في استيفاء القيود على مستوى العينة (على سبيل المثال، يجب أن تحتوي الصورة على سمات محددة، أو يجب أن تظل حالة ديناميكيات السوائل المولدة ضمن حدود فيزيائية).

ينشأ الصعوبة الجوهرية من:

انتهاكات القيود: تنتج النماذج التوليدية التقليدية عينات قد تقع خارج مجموعة القيود الصالحة $C$ ، حتى لو كان التوزيع المستهدف مدعومًا نظريًا داخل $C$ .
مشكلات التدرج: في العديد من السيناريوهات العملية، يتم تعريف مجموعة القيود $C$ فقط من خلال أوراكل العضوية (membership oracle) (وهي دالة "صندوق أسود" تعيد 1 إذا كان $x \in C$ و0 خلاف ذلك). وبما أن دالة المؤشر $1_C(x)$ غير قابلة للاشتقاق في كل مكان تقريبًا، فإن التحسين القائم على التدرج القياسي لا يمكنه فرض القيود مباشرة أثناء التدريب.
محدودية الطرق الحالية: تتطلب الطرق الحالية غالبًا قيودًا محدبة، أو معرفة بدوال الحاجز (barrier functions)، أو آليات انعكاس تعتمد على النواظم الصريحة للحدود، مما يحد من قابليتها للتطبيق على القيود المعقدة أو غير المحدبة أو "الصندوق الأسود".

يصيغ المؤلفون المشكلة تحت سيناريوهين محددين:

الحالة (أ): توفر دالة مسافة قابلة للاشتقاق $d(x, C)$ إلى مجموعة القيود.
الحالة (ب): توفر أوراكل عضوية $1_C(x)$ فقط (بدون دالة مسافة أو تدرج للحدود).

2. المنهجية

تقترح الورقة طريقتين متميزتين لمعالجة هذين السيناريوهين، واللتين تطلق عليهما معًا اسم Constraint-Aware Flow Matching (CAFM) (مطابقة التدفق المدركة للقيود).

أ. FM-DD: مطابقة التدفق المدركة للقيود مع مسافة قابلة للاشتقاق

القابلية للتطبيق: تُستخدم عندما تكون دالة المسافة القابلة للاشتقاق $d(x, C)$ معروفة (مثل المجموعات المحدبة أو المتشعبات الناعمة).
الآلية: يقوم المؤلفون بتعديل هدف مطابقة التدفق القياسي عن طريق إضافة حد عقابي يتناسب مع المسافة بين العينة المولدة ومجموعة القيود.
دالة الهدف:
$\min_\theta \int_0^1 \mathbb{E}[\|u_\theta(X_t, t) - \dot{\Psi}_t(X_0, X_1)\|^2] dt + \lambda \mathbb{E}[d(X_1^\theta, C)]$
هنا، $u_\theta$ هو حقل السرعة المتعلم، و $\Psi_t$ هو الاستيفاء الخطي، و $\lambda$ هو معامل وزن (hyperparameter). تعمل هذه الطريقة على معاقبة العينات البعيدة عن مجموعة القيود، مما يشجع التدفق على البقاء داخل $C$ .

ب. FM-RE: مطابقة التدفق المدركة للقيود عبر الاستكشاف العشوائي

القابلية للتطبيق: تُستخدم عندما يتوفر فقط أوراكل العضوية (وهي الحالة الأكثر عمومية وتحديًا).
الرؤية الجوهرية: نظرًا لأن تدرج دالة المؤشر يساوي صفرًا في كل مكان تقريبًا، فقد أدخل المؤلفون العشوائية في حقل السرعة لخلق توقع قابل للاشتقاق لاستيفاء القيود.
التحسين المشترك ذو المرحلتين:
1. المرحلة الأولى (حتمية): يتم تدريب نموذج FM قياسي للفترة الزمنية $t \in [0, t_0]$ لتعلم ديناميكيات التدفق الأساسية.
2. المرحلة الثانية (عشوائية): للفترة $t \in [t_0, 1]$ ، يتم تشويش حقل السرعة بضوضاء غاوسية: $\tilde{U}_t = u_\theta(X_t, t) + \sigma_t W$ ، حيث $W \sim \mathcal{N}(0, I)$ .
تقدير التدرج: من خلال معاملة العينة النهائية $X_1$ كمتغير عشوائي يعتمد على الضوضاء $W$ ، يصبح حد القيد هو $\mathbb{E}[1_C(X_1)]$ . وباستخدام خدعة REINFORCE (مقدر دالة الدرجة/score function estimator)، يتم تقدير التدرج بالنسبة للمعاملات $\theta$ ومقياس الضوض $\sigma$ كالتالي:
$\nabla \mathbb{E}[1_C(X_1)] \approx \mathbb{E}_T \left[ \sum \nabla \log \pi(\tilde{U}_t | X_t) \cdot 1_C(X_1) \right]$
يسمح هذا للنموذج بتعلم "تدفق متوسط" يعظم احتمالية استيفاء القيد إحصائيًا.
الكفاءة: أظهر النهج ذو المرحلتين (تثبيت المرحلة الأولى وتحسين الثانية) أنه أكثر كفاءة حوسبيًا من النهج أحادي المرحلة حيث تحدث العشوائية من $t=0$ .

3. المساهمات الرئيسية

صياغة مطابقة التدفق المقيدة: تحدد الورقة بدقة مطابقة التدفق المقيدة تحت كل من إعدادات المسافة القابلة للاشتقاق وأوراكل العضوية، مما يسد فجوة في الأدبيات.
استراتيجية الاستكشاف العشوائي (FM-RE): طريقة مبتكرة للتعامل مع القيود غير القابلة للاشتقاق عن طريق إدخال العشوائية في التدفق، مما يسمح بالتحسين القائم على التدرج عبر أوراكل العضوية.
التحسين ذو المرحلتين: اشتقاق إجراء تدريب فعال حوسبيًا يتكون من مرحلتين يفصلان تعلم ديناميكيات توزيع الأساس عن استكشاف القيود، مما يقلل تكاليف التدريب مع الحفاظ على الأداء.
قابلية تطبيق واسعة: على عكس طرق الانعكاس أو الإسقاط التي تتطلب شكلًا هندسيًا صريحًا أو تطلب التحدب، فإن FM-RE يعمل مع القيود غير المحدبة، والمنفصلة، والقيود ذات الداخل الفارغ (مثل الفضاءات الجزئية) وأوراكل الصندوق الأسود.
التحقق التجريبي: تجارب مكثفة على البيانات الاصطناعية، وتوليد سمات MNIST، وتوليد الأمثلة العدائية ضد المصنفات ذات الصندوق الأسود.

4. النتائج التجريبية

قيم المؤلفون طرقهم مقابل خطوط أساس تشمل FM القياسي، وReflected Flow Matching (RFM)، وMirror Diffusion Models (MDM)، وProjected Diffusion Models (PDM).

التجارب الاصطناعية:
- المقاييس: مسافة Wasserstein المقطعة (SWD) لمطابقة التوزيع، ومعدل انتهاك القيود ( $P(X_1 \notin C)$ ).
- النتائج: حققت FM-DD و FM-RE معدلات انتهاك قيود أقل بكثير من vanilla FM مع الحفاظ على درجات SWD تنافسية.
- القيود المعقدة: في سيناريوهات "الصناديق المزدوجة" (منفصلة وغير محدبة) و"الفضاء الجزئي" (داخل فارغ)، فشلت طرق مثل RFM و MDM (N/A) أو كان أداؤها ضعيفًا. نجحت FM-RE في استيفاء القيود في هذه الإعدادات الصعبة.
- الحساسية للمعاملات الفائقة: أدى زيادة وزن القيد $\lambda$ إلى تقليل الانتهاكات ولكن مع تراجع طفيف في مطابقة التوزيع. البدء بالعشوائية في وقت متأخر ( $t_0 > 0$ ) قلل من وقت التدريب دون خسارة كبيرة في الأداء.
توليد سمات MNIST:
- المهام: توليد أرقام ذات قيود محددة لـ "السطوع" (عدد البكسلات البيضاء) و"السُمك".
- النتائج: حققت FM-RE معدل انتهاك قيود بنسبة 1.12% (مقابل 9.14% لـ FM) للسطوع، و 5.40% (مقابل 23.2% لـ FM) للسُمك، مع تأثير ضئيل على مسافة Fréchet Inception Distance (FID).
توليد الأمثلة العدائية:
- المهمة: توليد أمثلة عدائية للمصنفات ذات التسمية الصعبة والصندوق الأسود (LeNet-5 على MNIST، و ResNet-50 على CIFAR-10) حيث يكون القيد هو "التسمية المتوقعة $\neq$ الحقيقة الأرضية".
- النتائج: نجحت FM-RE في توليد اضطرابات غير محسوسة قللت من دقة المصنف من ~99% إلى 18.7% (MNIST) و 28.2% (CIFAR-10)، مما يثبت قدرتها على التعامل مع قيود الصندوق الأسود المعقدة وغير القابلة للاشتقاق.

5. الأهمية والخاتمة

تقدم هذه الورقة مساهمة كبيرة في مجال النمذجة التوليدية المقيدة من خلال:

تعميم القيود: تجاوز متطلبات التحدب أو المعرفة الصريحة بالحدود، مما يسمح بتطبيق مطابقة التدفق على مشكلات العالم الحقيقي حيث تُعرف القيود بواسطة أوراكل معقدة (مثل المحاكاة الفيزيائية، أو مصنفات الصندوق الأسود).
الربط بين النظرية والتطبيق: تقديم حل عملي قائم على التدرج للقيود غير القابلة للاشتقاق من خلال الاستكشاف العشوائي، وهي تقنية كانت أكثر شيوعًا في التعلم التعزيزي.
الكفاءة: إثبات أن النهج ذو المرحلتين يمكنه موازنة التكلفة الحوسبية مع استيفاء القيود، مما يجعله قابلاً للتطبيق في المشكلات عالية الأبعاد.

يعد إطار العمل FM-RE المقترح لافتًا للنظر بشكل خاص لقدرته على التعامل مع قيود الصندوق الأسود، مما يفتح آفاقًا جديدة لتطبيقات في الذكاء الاصطنا1 الرصين (التدريب العدائي)، والمحاكاة العلمية (القيود الفيزيائية)، وتوليد المحتوى المتحكم به. الكود متاح للجمهور، مما يسهل المزيد من البحث والاعتماد.