تخيل أنك تحاول التنبؤ بكيفية سلوك نظام معقد، مثل كيفية تدفق الرياح فوق جناح طائرة أو كيفية ارتداد الموجات الصوتية عبر جسم الإنسان. يستخدم العلماء معادلات رياضية تسمى المعادلات التفاضلية الجزئية (PDEs) لوصف هذه الأشياء. حل هذه المعادلات يشبه محاولة فك عقدة ضخمة من الخيوط؛ وهو أمر بطيء وصعب ويتطلب حواسيب فائقة القدرة. لفترة طويلة، أمل الباحثون أن تتمكن الذكاء الاصطناعي من تعلم فك هذه العقد فوراً، ليعمل كـ "بديل" أو مستبدل سريع للرياضيات البطيئة. ومع ذلك، غالباً ما تعاني نماذج الذكاء الاصطناعي القياسية في التعامل مع المشكلات التي تنطوي على اهتزازات سريعة وعالية التردد أو أنماط تتكرر بأحجام مختلفة في آن واحد. فهي تميل إلى استيعاب الصورة الكبيرة بشكل صحيح، لكنها تخفق في التقاط التفاصيل الدقيقة والسريعة، أو تصبح ضخمة ومعقدة للغاية بحيث يستحيل تدريبها بكفاءة.

يقدم هذا البحث طريقة مبتكرة لبناء هذه النماذج، مستلهمة من كيفية حل علماء الرياضيات البشر للمشكلات الصعبة لعقود. بدلاً من بناء عقل ذكاء اصطناعي ضخم وواحد، يقترح المؤلفون "مشغلاً عصبياً ذاتي التركيب" (self-composing neural operator). فكر في الأمر كشيف ماهر لا يحتاج إلى وصفة مختلفة لكل طبق؛ بدلاً من ذلك، لديه تقنية طبخ بسيطة وفعالة (كتلة العمود الفقري - backbone block) يكررها مراراً وتكراراً. تماماً كما قد يقوم الشيف بتحريك القدر، ثم تذوقه، ثم تحريكه مرة أخرى وتذوقه مجدداً لإتقان النكهة، يطبق هذا الذكاء الاصطناعي نفس الخطوة البسيطة بشكل متكرر لتجويد إجابته. وتظهر الورقة البحثية أنه من خلال تكديس هذه الخطوة الواحدة الخفيفة عدة مرات، يمكن للذكاء الاصطناعي حل مشكلات موجية صعبة للغاية وعالية التردد — مثل تلك الموجودة في التصوير بالموجات فوق الصوتية — بدقة أعلى وموارد حاسوبية أقل مقارنة بالطرق السابقة.

قصة الشيف ذاتي التركيب

في عالم الفيزياء والهندسة، غالباً ما يكون حل المعادلات بمثة "التخمين والتحقق". تخيل أنك تحاول إيجاد درجة الحرارة المثالية لغرفة ما. تخمن رقماً، ثم تتحقق من ميزان الحرارة، وترى مدى بعدك عن الرقم الصحيح، ثم تعدل تخمينك وتتحقق مجدداً. تستمر في فعل ذلك حتى تصبح درجة الحرارة مثالية تماماً. هذا ما يسمى بـ الطريقة التكرارية (iterative method). إنه نفس المنطق المستخدم في الحلول الحاسوبية الكلاسيكية لعقود: خذ تخميناً تقريبياً، طبق قاعدة لتحسينه، وكرر العملية حتى تكون الإجابة جيدة بما يكفي.

لفترة طويلة، حاول باحثو الذكاء الاصطناعي تعليم الحواسيب حل هذه المعادلات عن طريق بناء شبكة عصبية واحدة ضخمة تحاول القفز مباشرة إلى الإجابة النهائية. لكن هذا يشبه محاولة تخمين درجة الحرارة النهائية لغرفة في قفزة واحدة دون التحقق أبداً من ميزان الحرارة. وغالباً ما يفشل هذا الأسلوب، خاصة عندما تتضمن المشكلة موجات عالية التردد (مثل الاهتزازات السريعة للصوت في الموجات فوق الصوتية) أو أنماطاً معقدة متعددة المقاييس. تعاني هذه النماذج القياسية من "التحيز الطيفي" (spectral bias)، مما يعني أنها بارعة في رؤية الموجات البطيئة ومنخفضة التردد، لكنها سيئة جداً في التقاط الموجات السريعة وعالية التردد.

تساءل مؤلفو هذه الورقة سؤالاً بسيطاً: ماذا لو علمنا الذكاء الاصطناعي أن يفعل ما تفعله الحلول التقليدية القديمة؟ ماذا لو، بدلاً من القفزة الواحدة الضخمة، أعطيناه خطوة بسيطة وقابلة للتكرار وتركناه يمارس هذه الخطوة مراراً وتكراراً؟

استراتيجية "التدريب ونشر النموذج" (Train-and-Unroll)

لجعل هذا الأمر يعمل، ابتكر الباحثون استراتيجية تدريب يسمونها "التدريب ونشر النموذج" (Train-and-Unroll).

تخيل أنك تعلم طالباً حل متاهة. إذا ألقيت به في متاهة ضخمة مكونة من 100 خطوة فوراً، فقد يصاب بالارتباك ويستسلم. ولكن إذا بدأت به في متاهة صغيرة مكونة من خطوة واحدة، وتركته يتقنها، ثم أضفت الخطوات تدريجياً إلى المتاهة مع الحفاظ على نفس القواعد، فسوف يتعلم بشكل أسرع بكثير.

هذا بالضبط ما تفعله طريقة "التدريب ونشر النموذج".

1. البداية صغيرة: يبدأ الذكاء الاصطناعي بتعلم كيفية تطبيق "كتلة العمود الفقري" الخاصة به لمرة واحدة فقط. يصبح بارعاً جداً في تلك الخطوة الواحدة.
2. النمو في العمق: بمجرد إتقانه لخطوة واحدة، يقوم الباحثون بـ "نشر" (unroll) العملية. يأخذون الأوزان (المعرفة المتعلمة) من تلك الخطوة الواحدة ويقومون بتكديسها لصنع نموذج مكون من خطوتين. هم لا يبدأون من الصفر؛ بل يستخدمون المعرفة من الخطوة الأولى لدفعة البداية للخطوة الثانية.
3. التكرار: يستمرون في إضافة الطبقات، حيث ينمو النموذج من خطوة واحدة إلى خطوتين، ثم ثلاث خطوات، وهكذا حتى يصل إلى العمق المطلوب.

هذا النهج يشبه المنهج الدراسي للذكاء الاصطناعي. فهو يسمح للنموذج بتعلم الأنماط العميقة والمعقدة دون أن يشعر بالارتباد، ويوفر كمية هائلة من ذاكرة الحاسوب لأن الذكاء الاصطناعي يعيد استخدام نفس "العقل" لكل خطوة بدلاً من تعلم عقل جديد لكل طبقة.

سحر "عمود الفقري متعدد الشبكات" (Multigrid Backbone)

لجعل هذا يعمل خصيصاً لتحدي التصوير المقطعي بالموجات فوق الصوتية (USCT)، احتاج الباحثون إلى نوع خاص من "كتلة العمود الفقري". يتضمن USCT إرسال موجات صوتية عبر الثدي لإنشاء صور. المشكلة هي أن أنسجة الثدي غير منتظمة وغير متساوية، مما يؤدي إلى تشتت الموجات الصوتية وارتدادها والتفافها بطرق معقدة.

صمم المؤلفون "العمود الفقري" الخاص بهم ليحاكي المحلل متعدد الشبكات (multigrid solver)، وهو تقنية شهيرة في الرياضيات العددية. فكر في المحلل متعدد الشبكات كفريق من المحققين الذين ينظرون إلى مسرح الجريمة:

• محقق واحد ينظر إلى الغرفة بأكملها من مسافة بعيدة لرؤية الصورة الكبيرة (الترددات المنخفضة).
• محقق آخر يقترب ليركز على أدلة محددة (الترددات العالية).
• يتبادلون المعلومات بين الرؤية "البعيدة" والرؤية "المقربة" لحل اللغز بسرعة.

يقوم "العمود الفقري" للذكاء الاصطناعي بشيء مشابه. فهو يستخدم بنية تنظر إلى المشكلة بمقاييس مختلفة في وقت واحد. ويحتوي على "آلية تلافيف تكيفية" (Adaptive Convolution Mechanism) تسمح له بتعديل تركيزه بناءً على الخصائص المحلية للأنسجة التي ينظر إليها. وهذا يسمح له بالتقاط كل من الموجات الكبيرة والتموجات الصغيرة عالية التردد التي تفشل النماذج الأخرى في رصدها.

ماذا تقول الأرقام؟

اختبر الباحثون طريقتهم الجديدة، التي أطلقوا عليها اسم SC-NO (المشغل العصبي ذاتي التركيب)، مقابل بعض أفضل نماذج الذكاء الاصطناعي الحالية، بما في ذلك "مشغلات نيورال فوريه" (FNO) ونماذج (UNets) القياسية. وركزوا على معادلة هلمهولتز (Helmholtz equation)، التي تصف كيفية انتقال الموجات عبر الفضاء، وتحديداً في نطاق التردد 300-500 كيلو هرتز المستخدم في الموجات فوق الصوتية الطبية.

كانت النتائج مذهلة:

• الدقة: قلل نموذج SC-NO من خطأ التنبؤ بمقدار 9 إلى 13 مرة مقارنة بنماذج FNO القياسية في هذا النطاق الترددي. وفي عالم فيزياء الموجات، يعد هذا قفزة هائلة للأمام.
• الكفاءة: حقق النموذج هذه الدقة العالية بعدد أقل بكثير من المعلمات (التي تمثل "خلايا الدماغ" للذكاء الاصطناعي). فعلى سبيل المثال، في اختبار محدد، استخدم النموذج ذاتي التركيب 0.17 مليون معلمة فقط لتحقيق نتائج كان النموذج القياسي يحتاج إلى 0.57 مليون معلمة لمجاراتها.
• السرعة: نظرًا لأن النموذج أصغر ويعيد استخدام مكوناته، فإنه أسرع في التدريب والتشغيل. في إحدى التجارب، قللت استراتيجية "التدريب ونشر النموذج" إجمالي وقت التدريب بنسبة 25.2% مقارنة بتدريب نموذج عميق دفعة واحدة.

الحدود والمستقبل

تشير الورقة البحثية بحذر إلى ما يمثله هذا الأسلوب وما لا يمثله. إنه نموذج بديل (surrogate model)، مما يعني أنه يتعلم التنبؤ بالإجابة مباشرة من المدخلات دون الحاجة إلى تشغيل المحلل الرياضي التقليدي البطيء في كل مرة. إنه ليس بديلاً للمحللات التقليدية عندما تحتاج إلى دقة فائقة (دقة الآلة) لحساب فردي حرج. كما أشار المؤلفون إلى أنه بينما ينخفض الخطأ بشكل كبير مع زيادة عمق النموذج، إلا أنه يصل في النهاية إلى "أرضية" حيث لا يؤدي إضافة المزيد من الخطوات إلى تحسن كبير. وهذا يشير إلى أن النموذج يتعلم النمط جيداً، ولكن هناك حد لمدى قدرة الخطوة الواحدة المتكررة على تجويد الإجابة.

علاً على ذلك، اختبر المؤلفون طريقتهم على معيار "Car-CFD" (ديناميكا السوائل الحسابية)، والذي يحاكي تدفق الهواء فوق سيارة. هنا، كانت الفوائد أقل بروزاً؛ حيث كان الأسلوب ذاتي التركيب منافساً، لكنه لم يظهر نفس التحسن الهائل بمقدار 10 أضعاف كما حدث مع موجات الموجات فوق الصوتية. وهذا يشير إلى أن خدعة "التركيب الذاتي" تعمل بشكل أفضل لأنواع معينة من المشكلات، لا سيما تلك التي تنطوي على موجات عالية التردد وفيزياء معقدة متعددة المقاييس، وليست حلاً سحرياً لكل مشكلة رياضية.

لماذا يهم هذا الأمر؟

هذا العمل هو جسر بين العالم القديم للرياضيات العددية والعالم الجديد للتعلم العميق. فمن خلال أخذ المنطق المجرب والموثوق للمحللات التكرارية (القيام بالأشياء خطوة بخطوة) ودمجه في إطار عمل مرن وقابل للتعلم للذكاء الاصطناعي، أنشأ المؤلفون أداة تتسم بالكفاءة والقوة في آن واحد.

بالنسبة للتصوير الطبي، قد يعني هذا فحوصات موجات فوق صوتية أسرع وأكثر وضوحاً يمكنها اكتشاف الأورام في وقت مبكر. وبالنسبة للمهندسين، قد يعني تصميم طائرات أكثر هدوءاً أو محركات أكثر كفاءة من خلال محاكة تدفقات السوائل المعقدة في جزء ضئيل من الوقت. الخلاصة الرئيسية هي أنه في بعض الأحيان، أفضل طريقة لبناء ذكاء اصطنا-فائق ليس بجعل النموذج أكبر وأكثر تعقيداً، بل بتعليمه كيف يكون صبوراً، وأن يتخذ خطوة بسيطة، ويكررها حتى يحصل على النتيجة الصحيحة.