🤖 machine learning

SplineFlow: Flow Matching for Dynamical Systems with B-Spline Interpolants

يقدم SplineFlow خوارزمية مطابقة تدفق ذات أسس نظرية تستخدم مستقلمات B-spline مستقرة لنمذجة الأنظمة الديناميكية المعقدة بفعالية واستيفاء قيود متعددة الهوامش، متفوقاً بذلك على الطرق الحالية القائمة على المستقلمات الخطية في كل من الاختبارات المعيارية الاصطناعية ومهام استنتاج المسارات الخلوية.

المؤلفون الأصليون: Santanu Subhash Rathod, Pietro Liò, Xiao Zhang

نُشر 2026-05-15

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Santanu Subhash Rathod, Pietro Liò, Xiao Zhang

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 تحاول تعليم روبوت كيفية قيادة سيارة من النقطة (أ) إلى النقطة (ب). لديك بضع لقطات لموقع السيارة في أوقات مختلفة، لكن ليس لديك فيديو للرحلة بأكملها. هدفك هو تعليم الروبوت "قواعد الطريق" (السرعة المتجهة) حتى يتمكن من قيادة السيارة بسلاسة بين تلك اللقطات، حتى لو كانت السيارة تنعطف، أو تزيد سرعتها، أو تبطئها.

هذه هي المشكلة التي يحلها SplineFlow، ولكن بدلاً من السيارات، فإنه يتعامل مع أنظمة معقدة مثل أنماط الطقس، أو التفاعلات الكيميائية، أو كيفية نمو الخلايا وتغيرها بمرور الوقت.

إليك تفصيل الورقة البحثية بكلمات بسيطة:

1. المشكلة: خطأ "توصيل النقاط"

استخدمت الطرق السابقة لتعليم الروبوتات هذه القواعد تقنية تسمى Flow Matching (مطابقة التدفق). تخيل هذا الأمر كأنه لغز "توصيل النقاط" للأطفال.

الطريقة القديمة: إذا كان لديك نقطة عند الساعة 1:00 مساءً ونقطة أخرى عند الساعة 2:00 مساءً، فإن الطريقة القديمة ترسم ببساطة خطاً مستقيماً بينهما. لقد افترضت أن السيارة سلكت مساراً مستقيماً ومملاً تماماً.
الخلل: الحياة الواقعية ليست مستقيمة. قد تنعطف السيارة حول زاوية، أو قد تتذبذب خلية أثناء انقسامها. إذا أجبرت مساراً مستقيماً عبر منحنى، فستحصل على صورة خاطئة. سيتعلم الروبوت القواعد الخاطئة، وعندما يحاول قيادة السيارة (أو التنبؤ بالمستقبل)، سيفشل في اجتياز المنعطفات.
مشكلة "رونج" (Runge): يشير المؤلفون إلى أنه إذا حاولت إصلاح ذلك عن طريق رسم خط متعرج للغاية عبر جميع النقاط دفعة واحدة، فسيصبح الخط مجنوناً وغير مستقر (مثل ثعبان يهتز بشكل لا إرادي). هذه مشكلة رياضية شهيرة تسمى "ظاهرة رونج".

2. الحل: "المسطرة المرنة" (B-Splines)

يقدم المؤلفون SplineFlow، الذي يستخدم ما يسمى بـ B-Splines.

التشبيه: تخيل مسطرة مرنة (مثل تلك التي يستخدمها النجار لرسم المنحنيات). بدلاً من رسم خط مستقيم بين نقطتين، تستخدم هذه المسطرة المرنة لرسم منحنى سلس وطبيعي يمر عبر نقاطك.
لماذا هي أفضل؟
- السلاسة: هي لا تكتفي بتوصيل النقاط فحسب؛ بل تستنتج "التدفق" أو المنحنى الطبيعي بينها.
- الاستقرار: على عكس الخط المتعرج بجنون المذكور سابقاً، تم تصميم B-Splines رياضياً لتبقى سلسة ومستقرة، حتى لو كانت نقاط البيانات الخاصة بك غير منظمة أو ينقصها بعض المواضع.
- المرونة: يمكنك ضبط مدى "انحناء" المسطرة. إذا كان النظام بسيطاً (مثل خط مستقيم)، تظل المسطرة مستقيمة. وإذا كان النظام معقداً (مثل عاصفة فوضوية)، فإن المسطرة تنحني لتناسب هذا التعقيد.

3. كيف يعمل (التدريب)

تشرح الورقة أن SplineFlow يعلم الذكاء الاصطناعي من خلال عرض هذه المسارات المنحنية والسلسة بدلاً من الخطوط المستقيمة.

المعلم: يعمل الـ B-Spline بمثابة "المعلم"، حيث يظهر للذكاء الاصطناعي المسار السلس والصحيح الذي يجب أن يسلكه النظام.
الطالب: يحاول الذكاء الاصطناائي (الشبكة العصبية) تخمين السرعة والاتجاه (السرعة المتجهة) اللازمين لاتباع ذلك المسار السلس.
النتيجة: نظرًا لأن المعلم يعرض مساراً أكثر دقة، فإن الطالب يتعلم القواعد الحقيقية للنظام بشكل أفضل بكثير.

4. ماذا اختبروا

اختبر المؤلفون هذا على نوعين من الأنظمة:

الأنظمة الحتمية (المتوقعة): مثل بندول يتأرجح أو تعداد سكاني لحيوان مفترس وفريسة (مثل الأرانب والثعالب). وجدوا أنه عندما يكون النظام منحنيًا أو فوضويًا (مثل نظام "لورنز" الشهير الخاص بالطقس)، فإن SplineFlow يتفوق بكثير على طرق الخط المستقيم القديمة.
الأنظمة العشوائية (الاحتمالية): مثل جسيم يطفو في الماء، حيث توجد ضوضاء عشوائية. أظهروا أن SplineFlow يمكنه التعامل مع هذه العشوائية بشكل أفضل، خاصة عندما تكون البيانات "غير منتظمة" (مثل التقاط صور للجسيم في أوقات عشوائية وغير متساوية).

5. الفوز الكبير: البيانات غير المنتظمة

أحد أكبر نقاط القوة في SplineFlow هو التعامل مع أخذ العينات غير المنتظم.

السيناريو: تخيل أنك تتبع خلية، ولكن أحياناً تنسى التقاط صورة لعدة ساعات، أو تلتقط صوراً بشكل متكرر جداً لمدة دقيقة ثم تتوقف.
النتيجة: الطرق القديمة ذات الخطوط المستقيمة تصاب بالارتباك وترتكب أخطاء كبيرة عندما تكون البيانات مفقودة. أما SplineFlow، بمسطرته المرنة، فيمكنه "تخمين" المنحنى السلس حتى عندما تكون النقاط متباعدة أو مفقودة، مما يجعله أكثر قوة في التعامل مع بيانات العالم الحقيقي حيث لا تكون القياسات مثالية دائماً.

الملخص

SplineFlow هو أداة جديدة للتنبؤ بكيفية تغير الأشياء بمرور الوقت. بدلاً من فرض خط مستقيم بين نقاط البيانات (والذي غالباً ما يكون خاطئاً)، فإنه يستخدم "مسطرة مرنة" رياضية (B-Splines) لرسم منحنيات سلسة وطبيعية. يتيح ذلك له تعلم القواعد الحقيقية والمعقدة للأنظمة الديناميكية — سواء كانت بسيطة، أو فوضوية، أو مليئة بالضوضاء العشوائية — بدقة أكبر بك jauh من الطرق السابقة، خاصة عندما تكون البيانات فوضوية أو غير مكتملة.

ملاحظة: تركز الورقة على الطريقة الرياضية وأدائها على الأنظمة الاصطناعية (مثل الفيزياء المحاكات) والبيانات البيولوجية (مثل مسارات الخلايا). وهي لا تدعي وجود تطبيقات سريرية محددة أو استخدامات طبية مستقبلية تتجاوز قدرات النمذجة العامة هذه.

ملخص تقني: SplineFlow

بيان المشكلة

برزت "مطابقة التدفق" (Flow matching) كإطار عمل توليدي قابل للتوسع لتوصيف التدفقات الطبيعية المستمرة، مما يوفر تدريبًا خاليًا من المحاكاة واستدلالًا فعالًا مقارنةً بالانتشار القائم على الدرجة (score-based diffusion) والتدفقات الطبيعية المستمرة التقليدية (CNFs). ومع ذلك، تواجه أساليب مطابقة التدفق الحديثة قيودًا كبيرة عند تطبيقها على الأنظمة الديناميكية:

الإشراف دون المستوى الأمثل عبر المستويات الخطية (Linear Interpolants): تبني الأساليب الحالية مسارات شرطية عن طريق الاستيفاء الخطي بين نقاط البيانات المرصودة. ورغم كفاءة هذا الأسلوب، إلا أن المستويات الخطية تفشل في التقاط الانحناء الكامن وتطور الحالة المعقد للأنظمة الديناميكية غير الخطية، أو عالية الانحناء، أو التذبذبية. وينتج عن ذلك إشارة إشراف منحازة قد لا تمثل الديناميكيات الحقيقية بدقة بين نقاط الملاحظة.
عدم الاستقرار في القيود متعددة الهوامش (Multi-Marginal Constraints): يؤدي بناء مسارات موحدة لتلبية القيود متعددة الهوامش (التي تربط ملاحظات متعددة عبر الزمن) باستخدام كثيرات حدود ذات رتب أعلى بشكل ساذج إلى عدم الاستقرار والسلوك التذبذبي، وهو ما يُعرف بظاهرة رونج (Runge's phenomenon).
المقايضة بين القابلية للتوسع والدقة: بينما يمكن لـ CNFs نمذجة الديناميكيات المعقدة، إلا أنها تتطلب عمليات محاكاة "adjoint" مكلفة عند كل تكرار تدريبي، مما يحد من قابليتها للتوسع. وتتجنب أساليب مطابقة التدفق الحالية هذه المشكلة، لكنها تضحي بدقة الديناميكيات المتعلمة بالاعتماد على مسارات خطية مقيدة.

المنهجية: SplineFlow

يقترح المؤلفون SplineFlow، وهو خوارزمية لمطابقة التدفق تستبدل المستويات الخطية بـ مستويات B-spline لبناء مسارات احتمالية شرطية. يستفيد هذا النهج من سلاسة واستقرار ومرونة الـ B-splines لنمذجة الديناميكيات المعقدة مع ضمان تلبية القيود متعددة الهوامش.

المكونات الأساسية

المسارات الشرطية لـ B-Spline:
- بدلاً من الاتصالات الخطية المجزأة، يبني SplineFlow المتوسط الشرطي $\mu_t(z)$ للمسار الاحتمالي $p_t(x|z)$ باستخدام دالات B-spline من الدرجة $m$ .
- يتم تعريف دالات الأساس لـ B-spline بشكل تكراري عبر صيغة Cox-de Boor. ويكون المستوي $\mu(t)$ عبارة عن توليفة خطية من هذه الأساسات، مع الالتزام بالمرور عبر نقاط المسار المرصودة.
- الميزة النظرية: يثبت المؤلفون (النظرية 3.1) أنه بالنسبة لدالة ذات مشتقات من الدرجة $m$ محدودة، تحقق مستويات B-spline خطأ تقريب قدره $O(n^{-m})$ للدالة و $O(n^{-m+1})$ للمشتق الأول، وهو ما يتفوق بشكل كبير على المستويات الخطية ( $O(n^{-2})$ و $O(n^{-1})$ على التوالي). وهذا يسمح بتوصيف أكثر دقة لمجال السرعة الكامن.
الديناميكيات الحتمية (ODEs):
- تنمذج الطريقة المسار الشرطي كتوزيع غاوسي $N(x; \mu_t(z), \sigma^2_t I)$ حيث $\mu_t(z)$ هو مستوي B-spline.
- يتم اشتقاق مجال السرعة الشرطي $u_t(x|z)$ تحليليًا من مشتق B-spline (النظرية 4.3).
- يتم تدريب الشبكة العصبية $u_\theta$ لتقريب مجال السرعة الشرطي هذا باستخدام خسارة انحدار مطابقة التدفق القياسية.
الديناميكيات العشوائية (SDEs):
- تم توسيع SplineFlow إلى إطار عمل مطابقة الدرجة والتدفق (SF2M) للتعامل مع المعادلات التفاضلية العشوائية ذات الضجيج المضاف.
- يقوم بتقريب مجال سرعة تدفق الاحتمالية ( $u_\theta$ ) ودالة الدرجة (score function $s_\phi$ ) بشكل مشترك عبر مسارات B-spline شرطية (Spline-Bridges).
- يقترح المؤلفون مخطط تباين تربيعي مجزأ للمسارات الشرطية في سياقات الديناميكيات الخلوية، والذي يتفوق تجريبيًا على مخططات التباين الثابت في حالات محددة.
أخذ العينات غير المنتظم:
- يتعامل إطار العمل صراحةً مع الملاحظات المأخوذة بشكل غير منتظم (حيث يتم حجب جزء $p$ من نقاط البيانات). وتتميز B-splines باستقرارها حتى في ظل أنظمة أخذ العينات غير المنتظمة، على عكس مستويات كثيرات الحدود العالمية.

المساهمات الرئيسية

تطوير الخوارزمية: تقديم SplineFlow، وهو أول إطار عمل لمطابقة التدفق يستخدم مستويات B-spline لبناء مسارات شرطية في كل من الأنظمة الديناميكية الحتمية والعشوائية.
التحليل النظري:
- إثبات رسمي بأن مستويات B-spline توفر معدلات خطأ تقريب تقاربية متفوقة لكل من قيم الدالة ومشتقاتها مقارنة بالمستويات الخطية.
- اشتقاق حدود الخطأ لمجال السرعة المتعلم والعينات المولدة، مما يوضح أن SplineFlow يقلل من مكون خطأ التقريب في حد الخطأ الإجمالي من $O(n^{-1})$ (خطي) إلى $O(n^{-m+1})$ (B-spline).
- إثبات أن بناء B-spline يحقق معادلة الاستمرارية ويستعيد التوزيعات الهامشية.
التحقق التجريبي: تجارب شاملة تثبت تفوق SplineFlow على النماذج المرجعية (NeuralODE, LatentODE, TFM, MMFM, SF2M) عبر:
- الأنظمة الحتمية: بما في ذلك الاضمحلال الأسي، المتذبذب التوافقي/المخمد، لوكا-فولتيرا (Lotka-Volterra)، ونظام لورينز (Lorenz) الفوضوي.
- الأنظمة العشوائية: النظائر العشوائية (SDE) للأنظمة المذكورة أعلاه.
- البيانات الواقعية: مهام استنتاج المسارات الخلوية غير المقترنة (مجموعات بيانات Brain Regeneration و Embryoid Evolution).

النتائج التجريبية

ديناميكيات ODE: يحقق SplineFlow باستمرار خطأ متوسط مربعات (MSE) أقل من النماذج المرجعية، خاصة في الأنظمة غير الخطية والمتذبذبة (مثل لوكا-فولتيرا ولورينز) وتحت ظروف أخذ العينات غير المنتظمة ( $p > \text{0}$ ). كما أنه أسرع بشكل ملحوظ (بسرعة تتراوح بين 100 إلى 600 ضعف) من الأساليب القائمة على الـ adjoint مثل NeuralODE و LatentODE.
ديناميكيات SDE: بالنسبة للأنظمة العشوائية، يتفوق SplineFlow (باستخدام B-splines ذات الدرجة الأعلى) على SF2M، خاصة في الأنظمة غير الخطية (لوكا-فولتيرا) والمتذبذبة (المخمد التوافقي).
المسارات الخلوية: في مهام بيانات النسخ الوراثي (transcriptomic)، يتفوق SplineFlow على MOTFM و SF2M في مهام الاستكمال (interpolation) ويظل منافسًا في مهام الاستقراء (extrapolation). تظهر الطريقة قوة خاصة عند استخدام تضمينات PHATE، التي تلتقط البنى الهندسية غير الخطية.
دراسات الاستبعاد (Ablation Studies): تشير النتائج إلى أن درجات B-spline الأعلى ( $m > 1$ ) مفيدة للبيانات غير الخطية وغير المنتظمة، بينما تكفي الدرجات الخطية ( $m = 1$ ) للديناميكيات الخطية. وقد أظهر إجراء بسيط للتحقق المتقاطع فعالية في اختيار الدرجة المثلى.

الأهمية والادعاءات

يزعم البحث أن SplineFlow يمثل بديلاً مؤسسًا نظريًا وقابلًا للتوسع لأساليب مطابقة التدفق الحالية للأنظمة الديناميكية. تكمن أهميته الأساسية في:

نمذجة الديناميكيات بأمانة: من خلال تجاوز المستويات الخطية، يلتقط SplineFlow التطور الحقيقي للحالة والانحناء للأنظمة الديناميكية، بدلاً من مجرد توليد عينات صالحة للنقاط النهائية.
القوة تجاه عدم الانتظام: تحافظ الطريقة على الأداء والاستقرار حتى عندما تكون الملاحظات شحيحة أو مأخوذة بشكل غير منتظم، وهو تحدٍ شائع في البيانات البيولوجية والفيزيائية الواقعية.
الكفاءة: يحتفظ بميزة التدريب الخالي من المحاكاة التي تتميز بها مطابقة التدفق، مع تقديم دقة أعلى من المتغيرات ذات المسارات الخطية، مما يسد الفجوة بين كفاءة مطابقة التدفق والقدرة النمذجة المطلوبة للديناميكيات المعقدة.

يضع المؤلفون SplineFlow كإطار عمل عام قابل للتطبيق في مجالات متنوعة، من المحاكاة الفيزيائية (مثل HopperPhysics) إلى العمليات البيولوجية (مثل استجابة العلاج بالأدوية وتمايز الخلايا)، دون ادعاء تطبيقات مبتكرة محددة بخلاف تلك التي تم اختبارها.