🧬 biology

Brain-Inspired Perspective on Configurations: Unsupervised Similarity and Early Cognition

تقدم هذه الورقة "التشكيلات" (configurations)، وهو إطار عمل للتجميع غير الخاضع للإشراف مستوحى من الدماغ، يستخدم ديناميكيات التجاذب والتنافر وأداة تقييم مبتكرة تسمى mheatmap لنمذجة العمليات المعرفية المبكرة بفعالية، مثل اكتشاف الفئات، وكشف الحداثة، والاستقرار التكيفي.

المؤلفون الأصليون: Juntang Wang, Yihan Wang, Hao Wu, Dongmian Zou, Shixin Xu

نُشر 2026-07-28

📖 6 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Juntang Wang, Yihan Wang, Hao Wu, Dongmian Zou, Shixin Xu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

لغز الأشياء غير المصنفة العظيم

تخيل أنك تدخل متجر ألعاب ضخمًا وفوضويًا حيث اختلطت فيه كل السلع معًا: سيارات، ديناصورات، دمى، ومكعبات، كلها مكدسة في كومة واحدة عملاقة. الآن، تخيل طفلًا رضيعًا يدخل المتجر. دون أن يخبره أحد ما هي "السيارة" أو يريه ملصقًا توضيحيًا، يبدأ الرضيع غريزيًا في فرز الأشياء. قد يبدأ أولاً بتجميع كل ما يتحرك (المستوى الأعلى)، ثم يفصل الحيوانات عن المركبات (المستوى الأساسي)، وأخيرًا يلاحظ أن بعض السيارات حمراء وبعضها أزرق. هذه القدرة على إيجاد الأنماط الخفية وإنشاء فئات دون معلم هي واحدة من أروع الأشياء في كيفية عمل أدمغة البشر. يُطلق عليها اسم "التعلم غير الخاضع للإشراف" (unsupervised learning)، وهي "الخلطة السرية" التي تسمح لنا بالتكيف مع العوالم الجديدة فورًا.

لعقود من الزمن، حاول علماء الكمبيوتر تعليم الآلات القيام بالشيء نفسه. ومع ذلك، فإن معظم أنظمة الذكاء الاصطناعي الحديثة تشبه طالبًا يرفض التعلم ما لم يقدم له المعلم بطاقة استذكار مكتوب عليها الإجابة. تحتاج هذه الأنظمة إلى كميات هائلة من البيانات المصنفة (الموسومة) لتعلم أن القطة هي قطة. وعندما يتغير العالم أو يظهر جسم جديد وغريب، غالبًا ما ترتبك هذه الأنظمة الجامدة أو تتعطل. السؤال الكبير في عالم الذكاء الاصطناعي هو: هل يمكننا بناء آلة تتعلم مثل الطفل الرضيع؟ هل يمكنها اكتشاف هيكلها الخاص، وملاحظة متى يكون الشيء جديدًا وغريبًا، وإعادة ترتيب فهمها على الطاير، وكل ذلك دون أن يُملى عليها ما تفعله؟ هذا هو اللغز الذي سعى فريق من الباحثين لحله.

الحل المستوحى من الدماغ

في هذه الورقة البحثية، يقدم الباحثون طريقة جديدة للتفكير في كيفية قيام الحواسيب بتجميع الأشياء معًا، تُسمى "التشكيلات" (configurations). إنهم يستلهمون من الطريقة التي يبدو أن دماغ الطفل الرضيع ينظم بها العالم، باستخدام فكرة بسيطة ولكنها قوية: التجاذب والتنافر.

تخيل نقاط البيانات (مثل صور الحيوانات) كأنها مغناطيسات صغيرة. العناصر المتشابهة، مثل صورتين مختلفتين لكلب، لديها "تجاذب" قوي يسحبها نحو بعضها البعض. أما العناصر غير المتشابهة، مثل كلب ومحمصة خبز، فلديها "تنافر" يدفعها بعيدًا عن بعضها. أنشأ الباحثون نظامًا يتحكم فيه "مقبض" واحد، يُسمى معامل الدقة (resolution parameter) (لنسمه $\gamma$ )، في مدى قوة هذه القوى.

عند خفض المقبض (دقة منخفضة $\gamma$ ): يكون التجاذب قويًا، والتنافر ضعيفًا. يتم سحب كل ما هو متشابه ولو بشكل طفيف إلى مجموعة واحدة دافئة وكبيرة. هذا يشبه رؤية الطفل لـ "الحيوانات" كفئة واحدة كبيرة.
عند رفع المقبض (دقة عالية $\gamma$ ): يصبح التنافر أقوى. تبدأ المجموعات الكبيرة في التفكك، ويبدأ النظام في فصل الأشياء إلى مجموعات أصغر وأكثر تحديدًا. الآن، تنقسم مجموعة "الحيوانات" إلى "قطط"، "كلاب"، و"طيور".

سحر هذا النظام هو أنه لا يحتاج إلى إخباره بعدد المجموعات التي يجب تكوينها. فهو يجد طبيعيًا "النقطة المثالية" حيث تكون المجموعات مستقرة. إذا حركت المقبض قليلاً، فإن المجموعات لا تتغير؛ بل تبقى في مكانها. تُسمى هذه النقاط المستقرة "الهضاب" (plateaus)، وهي تمثل القدرة الشبيهة بالدماغ على تشكيل فئات صلبة لا تتذبذب بسهل.

إيجاد الأشياء "الجديدة"

من أروع الأشياء في هذا النظام هي كيفية تعامله مع الجدة (novelty). في العالم الحقيقي، تثير الأشياء الجديدة فضول الأطفال. إذا رأى الطفل كلبًا، فإنه يكون هادئًا. إذا رأى كلبًا يرتدي قبعة، فقد يشعر بالفضول. أما إذا رأى مخلوقًا غريبًا تمامًا، فإنه يصبح شديد اليقظة.

وجد الباحثون أن نظام "التشكيلات" الخاص بهم يفعل الشيء نفسه. إنهم يقيسون "الطاقة" الخاصة بالمجموعة. عندما يُجبر عنصر جديد وغريب على الدخول في مجموعة ما، فإنه يخلق الكثير من التوتر — فهو لا يتناسب جيدًا مع التجاذب أو التنافر. هذا يؤدي إلى ارتفاع مفاجئ في مستوى الطاقة. يصرخ النظام فعليًا: "مهل! هناك خطأ ما هنا!". وهذا يسمح للكمبيوتر باكتشاف الجدة بدقة عالية. في اختباراتهم، تمكن النظام من رصد العناصر الجديدة وغير المألوفة بنسبة نجاح بلغت 87% (مقاسة بـ AUC)، محاكيًا الطريقة التي يتفاعل بها الرضع مع المحفزات الغريبة.

مشكلة "الفسيفساء" والحل

كان هناك عقبة كبيرة كان على الباحثين تجاوزها: كيف تقيم عمل كمبيوتر يقوم بتصنيف الأشياء بشكل مختلف عما تتوقعه؟

تخيل أنك تصحح واجبًا مدرسيًا لطالب. إذا قام الطالب بتجميع "القطط" و"الكلاب" معًا، بينما كنت تريد فصلهما، فقد تعطيه درجة سيئة. ولكن ماذا لو قام الطالب بتجميع "القطط" و"الكلاب" و"الأرانب" في مجموعة واحدة كبيرة من "الحيوانات ذات الفراء"؟ هل هذا خطأ؟ أم أنه مجرد مستوى مختلف من التنظيم؟ أدوات التصحيح التقليدية للكمبيوتر تشبه المعلمين الصارمين الذين لا يقبلون إلا إجابة محددة واحدة. إنهم يرتبكون عندما يتغير عدد المجموعات أو عندما تنقسم المجموعات وتندمج، وهو بالضبط ما يحدث في هذا النظام المستوحى من الدماغ.

لحل هذه المشكلة، ابتكر الفريق أداة جديدة تسمى mheatmap. بدلًا من جدول ممل، أنشأوا "خريطة حرارية فسيفسائية" (mosaic heatmap). تخيل لغزًا حيث يخبرك حجم كل قطعة بمدى التداخل بين مجموعات الكمبيوتر والمجموعات الواقعية. إذا قام الكمبيوتر بتقسيم مجموعة كبيرة واحدة إلى مجموعتين أصغر، فإن الفسيفساء تظهر هذا بوضوح كقطعة منقسمة، بدلًا من اعتبارها خطأً. كما بنوا خوارزمية "الدمج/التقسيم العكسي" (RMS)، وهي تشبه محررًا ذكيًا يعيد ترتيب الملصقات ليرى ما إذا كان منطق الكمبيوتر منطقيًا بالفعل، حتى لو كانت الأسماء مختلفة. هذا يضمن أنهم يقيمون هيكل التعلم، وليس مجرد الملصقات.

ماذا وجدوا؟

اختبر الباحثون نظام "التشكيلات" الخاص بهم على عدة مجموعات بيانات، بما في ذلك صور لأشياء يومية (مثل CIFAR-10 و ImageNet) وحتى بيانات مصممة لمحاكاة كيفية رؤية الرضع للعالم.

تصنيف أفضل: تفوق النظام على طرق التصنيف الحاسوبية القياسية (مثل k-means و DBSCA) بشكل كبير. في مجموعة بيانات تسمى Salinas، حقق درجة 0.92 (ARI) و 0.94 (NMI)، متفوقًا على أفضل طريقة تالية بفارق كبير.
سلوك يشبه سلوك الرضع: عند اختباره على "محفزات الرضع" (بيانات مصممة لمعرفة ما إذا كان الكمبيوتر يتعلم مثل الرضيع)، أظهر النظام نفس النمط الذي يظهره الرضع البشر. لقد واجه صعوبة في تصنيف الأشياء عندما أُعطي أدلة جزئية فقط (مثل العينين فقط أو الشكل فقط)، ولكن عندما أُعطي الصورة الكاملة، فقد برع. هذا يشير إلى أن النظام لا يقوم بمجرد الحفظ؛ بل يتعلم رؤية الصورة الكاملة، تمامًا كما يفعل الرضيع.
الاستقرار: عندما بدأت الفئات في البيانات تتغير أو تتطور، كان نظام "التشكيلات" أكثر استقرارًا بنسبة 35% من الطرق الأخرى. لم يصاب بالذعر؛ بل قام ببساطة بتعديل مجموعاته بسلاسة.

لماذا يهم هذا؟

تشير هذه الورقة البحثية إلى أننا لسنا بحاجة لبناء قواعد معقدة وجامدة لجعل الذكاء الاصطناعي أكثر ذكاءً. بدلاً من ذلك، من خلال استخدام إطار عمل بسيط من التجاذب والتنافر، يمكننا إنشاء أنظمة تكتشف الهيكل تلقائيًا، وتكتشف الأشياء الجديدة، وتتكيف مع التغيير. إنها خطوة نحو ذكاء اصطناعي لا يكتفي بمعالجة الأرقام فحسب، بل "يفهم" حقًا هيكل العالم بطريقة تشبه العقل الحي المفكر. ورغم أنه لا يزال هناك عمل يتعين القيام به لتوسيع نطاق هذه الأنظمة وربطها بالبيولوجيا العصبية الحقيقية، إلا أن هذا البحث يقدم مسارًا واعدًا لبناء آلات تتعلم كما نفعل نحن: بدون معلم، فقط من خلال استكشاف وتنظيم العالم من حولهم.

ملخص تقني: منظور مستوحى من الدماغ حول التكوينات (Configurations)

1. بيان المشكلة

تواجه أنظمة تعلم الآلة (ML) الحالية صعوبة في محاكاة القدرات المعرفية غير الخاضعة للإشراف الملحوظة لدى الرضع البشر، وتحديداً القدرة على اكتشاف الهياكل الهرمية، وكشف الجدة (novelty)، والتكيف مع السياقات المتطورة دون بيانات مصنفة. وبينما تعتمد النماذج الخاضعة للإشراف على مجموعات بيانات ضخمة مصنفة، وتعتمد طرق التعلم الذاتي على مهام وسيطة هندسية، فإنها غالباً ما تفشل في توليد فئات هرمية شبيهة بالبشر أو استجابات تلقائية للجدة. علاوة على ذلك، فإن طرق التجميع التقليدية غير الخاضعة للإشراف (مثل k-means، وDBSCAN، والتجميع الهرمي) تتطلب عادةً تحديد عدد العناقيد مسبقاً، أو تعتمد على معاملات فائقة (hyperparameters) متعددة خاصة بكل طريقة، أو تفتقر إلى معامل عالمي واحد للتحكم في درجة التفصيل عبر مجموعة البيانات. والأهم من ذلك، أن المقاييس الثابتة الحالية (مثل ARI وNMI) غير كافدة لتقييم سلوكيات التجميع الديناميكية، مثل انتقالات الدمج والتقسيم (merge-split transitions) والمقارنات متعددة الدقة، لأنها لا تستطيع التعامل بإنصاف مع أعداد العناقيد غير المتساوية أو تبديلات الملصقات التعسفية.

2. المنهجية

إطار عمل التكوينات (Configurations Framework)
يستخدم البحث "التكوينات"، وهو إطار عمل للتجميع ذو دقة محدودة يعتمد على ديناميكيات التجاذب والتنافر.

الصياغة الرياضية: يعرّف الإطار تقسيمًا $\omega$ لـ $n$ من العناصر. ويستخدم دالة طاقة هاميلتونية $H(\omega)$ :
$H(\omega) = -\sum_{k} \sum_{i<j} w^+_{ij} \mathbb{1}_{\omega_i=\omega_j=k} + \gamma \sum_{k} \sum_{i<j} w^-_{ij} \mathbb{1}_{\omega_i=k}$
هنا، تمثل $w^+_{ij}$ و $w^-_{ij}$ أوزان التجاذب والتنافر الزوجية، على التوالي. ويتحكم المعامل $\gamma \in [0, \infty)$ في درجة التفصيل: حيث يفضل $\gamma$ المنخفض التجميعات الخشنة (سيطرة التجاذب)، بينما يفضل $\gamma$ المرتفع التقسيمات الدقيقة (سيطرة التنافر).
الدقة المحدودة والاستقرار: بدلاً من البحث عن قيمة مثلى واحدة لـ $\gamma$ ، يستخدم إطار العمل خوارزمية Parallel-DT لتحديد "الهضاب" (plateaus)—وهي فترات من $\gamma$ حيث يظل التكوين (التقسيم) مستقراً. ينتج عن ذلك مجموعة محدودة من التكوينات $\Omega = \{\omega_i\}$ التي تمثل تسلسلاً هرمياً من الأشد خشونة (جميع العناصر في عنقود واحد) إلى الأكثر دقة (كل عنصر في عنقوده الخاص).
التنفيذ: يتم تنفيذ التحسين الأساسي باستخدام طريقة Leiden معدلة على رسم بياني لـ k-أقرب جار (k-nearest neighbor graph)، مما يضمن تعقيد وقت خطي $O(n)$ .

إطار التقييم: mheatmap
لمعالجة قيود المقاييس القياسية في الإعدادات متعددة الدقة والديناميكية، قدم المؤلفون أداة mheatmap، والتي تتكون من:

تصور الموزاييك الحراري (Mosaic Heatmap Visualization): تصور تناسبي حيث يتم قياس عرض وطول الخلية بناءً على كسر الفئات الحقيقية والعناقيد المتوقعة، على التوالي. يكشف هذا التصور عن هياكل قطرية قابلة للتفسير أثناء أحداث الدمج والتقسيم التي تغفل عنها مصفوفات الارتباك القياسية.
خوارزمية محاذاة RMS (الدمج/التقسيم العكسي): خوارزمية مصممة لمحاذاة التقسيمات ذات الدقة المختلفة عن طريق تحسين "القطر" البصري لموزاييك الخريطة الحرارية. وهي تأخذ في الاعما حساب التماسك الدلالي في ديناميكيات الدمج والتقسيم بدلاً من معاملتها كاختلافات عشوائية في الملصقات. جميع المقاييس المبلغ عنها في التجارب يتم حسابها بعد محاذاة RMS.

3. المساهمات الرئيسية

الربط المفاهيمي: يربط البحث بين التطور المعرفي المبكر (تصنيف الرضع) والبنية الرياضية للتكوينات، مؤطراً التكوينات كنموذج حوسبي مبدئي للإدراك المبكر.
أداة mheatmap: تقديم مجموعة تقييم مبتكرة (تصور تناسبي ومحاذاة RMS) لتقييم سلوكيات التجميع متعددة الدقة والديناميكية بإنصاف، وتحديداً لمعالجة مشكلة "الدمج والتقسيم".
التحقق التجريبي: دراسة تجريبية تثبت أن التكوينات تظهر سلوكيات مستوحاة من الدماغ (الانتقائية الهرمية، حساسية الجدة، والتكيف المرن) التي لا تلتقطها النماذج المرجعية القياسية.

4. النتائج التجريبية

قيم المؤلفون التكوينات على مجموعات بيانات اصطناعية وواقعية (مجموعة فرعية من CIFAR-10، محفزات دراسة الرضع، ImageNet الهرمية، وSalinas) باستخدام تضمينات ViT-B/16 المدربة مسبقاً.

أداء التجميع: تفوقت التكوينات على النماذج المرجعية القياسية (k-means، GMM، Spectral، Agglomerative، DBSCAN، إلخ) عبر جميع مجموعات البيانات.
- Salinas: ARI = 0.92، NMI = 0.94.
- محفزات الرضع: ARI = 0.55، NMI = 0.58.
- ImageNet: ARI = 0.62، NMI = 0.68.
- تراوحت مكاسب الأداء بين 7 إلى 49 نقطة مئوية عن النماذج المرجعية.
التحقق من سلوك الرضع: عند الاختبار على الإشارات الداخلية (مثل العيون/الأنوف) مقابل الإشارات الخارجية (مثل الشكل) أو الإشارات المشتركة، عكست التكوينات سلوك الرضع: أداء ضعيف على الإشارات المنعزلة (ARI $\approx$ 0.15–0.19) ولكن أداء قوي على الإشارات المشتركة (ARI = 0.65)، وهو ما يطابق نمط الرضع في عمر 3-4 أشهر.
كشف الجدة: باستخدام درجة طاقة هاميلتون، حقق النظام 85% AUC في التمييز بين المحفزات الجديدة والمألوفة، مما يوازي استجابات الاعتياد لدى الرضع.
التكيف الديناميكي: أثناء تطور الفئات (محاكاة أحداث التقسيم/الدمج)، أظهرت التكوينات استقراراً أفضل بنسبة 35% (مقاساً بـ $1/\text{ARI}$ ) مقارنة بـ k-means وSpectral clustering.
استئصال (Ablation) RMS: حسنت محاذاة RMS العدالة في التقييم بشكل كبير، خاصة بالنسبة لمجموعات البيانات ذات ديناميكيات الدمج والتقسيم المعقدة (على سبيل المثال، تحسن ARI لـ Salinas من 0.82 إلى 0.92).

5. الأهمية والادعاءات

يزعم البحث أن التكوينات تعمل كنموذج حوسبي مبدئي للتصنيف المعرفي المبكر. ومن خلال توحيد التنظيم غير الخاضع للإشراف، والانتقائية الهرمية، وحساسية الجدة من خلال معامل واحد ذي دقة محدودة وديناميكيات التجاذب والتنافر، يربط إطار العمل بين العلوم المعرفية وتعلم الآلة.

يضع المؤلفون هذا العمل كخطوة نحو الذكاء الاصطناعي المستوحى من الدماغ، مشيرين إلى أن الأنظمة القادرة على اكتشاف البنية دون ملصقات وكشف الجدة التلقائي ضرورية للتعميم القوي في العالم المفتوح. ويُقدم إطار mheatmap كأداة ضرورية لتقييم هذه السلوكيات الديناميكية المستوحاة من الدماغ بصرامة، والتي غالباً ما تكون غير مرئية للمقاييس الثابتة القياسية.

يقر البحث بالقيود، بما في ذلك الافتقار إلى الواقعية البيولوجية على المستوى العصبي (مثل اللدونة الهيبية)، والقدرة المحدودة على التوسع لمجموعات البيانات الكبيرة جداً، والحاجة إلى مزيد من النمذجة التنموية لالتقاط ظهور هذه القدرات زمنياً. كما تم اقتراح عمل مستقبلي لاستكشاف التنفيذات العصبية وتكامل التعلم عبر الإنترنت (online learning).