🤖 machine learning

Riemannian MeanFlow

تقدم هذه الورقة البحثية إطار عمل "Riemannian MeanFlow" (RMF)، الذي يتعلم خرائط تدفق مباشرة على المتشعبات لتمكين النمذجة التوليدية عالية الجودة بما يصل إلى 10 أضعاف أقل من عمليات تقييم الدوال مقارنة بنماذج الانتشار أو التدفق التقليدية، مع دعم التصميم الفعال الموجه بالمكافأة في الوقت ذاته.

المؤلفون الأصليون: Dongyeop Woo, Marta Skreta, Seonghyun Park, Kirill Neklyudov, Sungsoo Ahn

نُشر 2026-05-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Dongyeop Woo, Marta Skreta, Seonghyun Park, Kirill Neklyudov, Sungsoo Ahn

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 تصميم بروتينات أو تسلسلات DNA جديدة. هذه ليست مجرد قوائم من الحروف أو الأرقام؛ بل هي هياكل ثلاثية الأبعاد معقدة ذات قواعد صارمة، مثل لغز حيث يجب أن تتناسب كل قطعة تماماً داخل شكل هندسي محدد.

في عالم الذكاء الاصطناي، تعمل نماذج "الانتشار" (Diffusion) و"التدفق" (Flow) مثل فنانين يحولون ببطء كتلة من الضجيج إلى تحفة فنية مثالية. عادةً، يقوم هؤلاء الفنانون بذلك عبر اتخاذ مئات الخطوات الصغيرة والدقيقة، والتحقق من عملهم عند كل خطوة لضمان عدم الانحراف عن المسار.

المشكلة: المشي البطيء
يشير المقال إلى وجود عقبة رئيسية: اتخاذ مئات الخطوات أمر بطيء ومكلف للغاية. الأمر يشبه محاولة عبور غرفة عبر اتخاذ 100 خطوة صغيرة وحذرة، رغم أنه يمكنك قطع المسافة في خطوتين أو خطوة واحدة واسعة. بالنسبة للعلماء الذين يحتاجون لتصميم آلاف الجزيئات، فإن هذا البطء يمثل عائقاً لا يمكن تجاوزه.

الحل: تدفق المتوسط ريماني (Riemannian MeanFlow - RMF)
يقدم المؤلفون طريقة جديدة تسمى Riemannian MeanFlow (RMF). تخيل تعليم الروبوت كيف "يرى" "المسار بأكło" دفعة واحدة، بدلاً من التركيز فقط على الخطوة التالية.

إليك كيف فعلوا ذلك، باستخدام بعض التشبيهات من الحياة اليومية:

1. اختصار "متوسط السرعة"

تخيل أنك تقود سيارة من المدينة (أ) إلى المدينة (ب).

الطريقة القديمة (الانتشار/التدفق): تقود ببطء، وتتحقق من نظام تحديد المواقف (GPS) كل ثانية، وتصحح مقود السيارة باستمرار. هذا دقيق ولكنه يستغرق وقتاً طويلاً جداً.
الطريقة الجديدة (RMF): بدلاً من التحقق كل ثانية، تقوم بحساب متوسط السرعة والاتجاه المطلوب للوصول من (أ) إلى (ب) في خطوة واحدة. لا تحتاج للتوقف والتحقق؛ أنت ببساطة تقود الطريق بأكمله بناءً على ذلك الحساب الواحد.

لقد أثبت المقال رياضياً أن هذا "المتوسط للسرعة" يمكن تعلمه مباشرة على الأشكال الهندسية المعقدة (المنوعات/Manifolds) حيث توجد هذه الجزيئات، دون الحاجة لاتخاذ مئات الخطوات الصغيرة.

2. ثلاث طرق لوصف الرحلة

اكتشف المؤلفون ثلاث طرق مختلفة لوصف هذا "المتوسط للسرعة"، وهي متكافئة رياضياً. وهي تشبه وصف رحلة طريق من ثلاث وجهات نظر مختلفة:

وجهة النظر الأويلرية (Eulerian View): النظر إلى الطريق من نقطة ثابتة (مثل كاميرا مثبتة على عمود) ورؤية كيف يتدفق المرور من أمامك.
وجهة النظر اللاغرانجية (Lagrangian View): الجلوس داخل السيارة والشعيد بكيفية تغير السرعة أثناء القيادة.
وجهة نظر شبه المجموعة (Semigroup View): تقسيم الرحلة إلى جزأين (من أ إلى ب، ثم من ب إلى ج) وإدراك أن المسار المباشر من أ إلى ج هو ببساطة دمج لهذين الجزأين.

يوضح المقال أن استخدام هذه المنظورات يسمح للذكاء الاصطناعي بتعلم "القفزة الواحدة" مباشرة.

3. خدعة "إيقاف التدرج" (Stop-Gradient)

تدريب هذه النماذج يشبه محاولة الحفاظ على توازن كومة من الأطباق أثناء اللعب بالكرات. إذا حاولت حساب كيف يؤثر كل تغيير صغير على النتيجة النهائية، فستصبح الرياضيات ثقيلة جداً لدرجة أن الكمبيوتر سيتوقف عن العمل (أو تنفد الذاكرة).
استخدم المؤلفون خدعة ذكية تسمى "إيقاف التدرج" (Stop-Gradient). تخيل أنك تعلم طالباً؛ بدلاً من جعله يعيد حساب التاريخ الكامل لكيفية وصوله إلى إجابة ما في كل مرة يرتكب فيها خطأ، تقول له ببساطة: "هذه هي الإجابة الصحيحة؛ الآن قم فقط بتعديل محاولتك التالية بناءً عليها". هذا يمنع الكمبيوتر من الارتباك بسبب الرياضيات المعقدة ويجعل التدريب أسرع وأكثر استقراراً.

4. التنبؤ بالوجهة، وليس بالسرعة

تحاول معظم النماذج التنبؤ بـ السرعة المتجهة (Velocity) في كل لحظة. أما RMF فيحاول التنبؤ بـ الوجهة (نقطة النهاية على الخريطة) مباشرة.

التشبيه: بدلاً من قول: "انعطف يساراً بسرعة 5 أميال في الساعة، ثم يميناً بسرعة 10 أميال في الساعة"، أنت تقول ببساطة: "قد السيارة حتى ترى الحظيرة الحمراء الكبيرة".
هذا النهج يعمل بشكل أفضل مع البيانات عالية الأبعاد (مثل تسلسلات DNA الطويلة أو البروتينات الكبيرة) ويسمح للنموذج باستخدام البرمجيات الموجودة المصممة لهذه الأشكال دون الحاجة لإعادة كتابتها.

ما حققوه

اختبر المؤلفون هذا على مهمتين علميتين حقيقيتين:

تصميم محفزات DNA: وهي بمثابة "أزرار البدء" للجينات. نجحت الطريقة الجديدة في توليد تسلسلات DNA عالية الجودة في خطوة واحدة، وبأداء يضاهي الطرق القديمة التي تتطلب 100 خطوة.
تصميم هياكل البروتين (Scaffolds): وهي بمثابة الهياكل العظمية للبروتينات. استطاعت الطة الجديدة توليد هياكل بروتينية صالحة في 1 إلى 5 خطوات، بينما فشلت الطرق السابقة تماماً عندما طُلب منها القيام بذلك بهذه السرعة.

الخلاصة
يزعم المقال أنه من خلال فهم هندسة البيانات واستخدام اختصارات "متوسط السرعة" هذه، يمكنهم توليد هياكل بيولوجية معقدة بسرعة أكبر بـ 10 مرات (باستخدام عمليات حسابية أقل بـ 10 مرات) دون فقدان الجودة. وهذا يجعل من الممكن استخدام الذكاء الاصطناعي للتصاميم العلمية السريعة والمتكررة، حيث يمكن للباحثين اختبار آلاف الأفكار بسرعة بدلاً من الانتظار لساعات من أجل نتيجة واحدة.

ملخص تقني: Riemannian MeanFlow

بيان المشكلة

أرست نماذج الانتشار (Diffusion) ونماذج التدفق (Flow models) مكانتها كنموذج مهيمن للنمذجة التوليدية على المتشعبات ريمانية (Riemannian manifolds)، وقد طُبقت بنجاح في مهام مثل توليد هياكل العمود الفقري للبروتينات وتصميم تسلسلات الحمض النووي (DNA). ومع ذلك، تتطلب هذه الطرق عادةً من عشرة إلى مائة عملية تقييم للشبكة العصبية (تقييمات الدالة أو NFEs) أثناء الاستدلال لدمج المعادلات التفاضلية العادية (ODEs) أو المعادلات التفاضلية العشوائية (SDEs) عددياً. يمثل هذا العبء الحسابي عائقاً، لا سيما في مسارات التصميم العلمي حيث تعمل النماذج التوليدية كآليات اقتراح ضمن حلقات تكرارية للتحسين القائم على الخصائص. وبينما تم استقصاء تقنيات التوليد في خطوات قليلة، مثل نماذج الاتساق (consistency models) وتعلم خرائط التدفق (flow map learning)، في الفضاءات الإقليدية، إلا أنها لا تزال غير مستكشفة بعمق وغالباً ما تكون غير مستقرة في إعدادات المتشعبات ريمانية عالية الأبعاد.

المنهجية: Riemannian MeanFlow (RMF)

يقدم المؤلفون Riemannian MeanFlow (RMF)، وهو إطار عمل مصمم لتعلم خرائط التدفق مباشرة على المتشعبات وتمكين التوليد عالي الجودة عبر تمريرة أمامية واحدة فقط. يتضمن جوهر المنهجية اشتقاق واستخدام ثلاثة توصيفات متكافئة لمتوسط السرعة على المتشعب، والتي تربط خريطة التدفق بين أي نقاط زمنية $s$ و $t$ .

1. الأسس النظرية

يعرف الإطار متوسط السرعة $u_{s,t}$ كسرعة ثابتة، إذا تم الحفاظ عليها على طول خط جيوديسي (geodesic) من $x_s$ إلى $x_t$ عبر الفترة الزمنية $t-s$ ، فإنها ستنقل النقطة بشكل صحيح. اشتق المؤلفون ثلاث هويات تعمل كأساس لأهداف التدريب:

هوية أويلر (Euler Identity): مشتقة عن طريق اشتقاق العلاقة التعريفية بالنسبة لزمن المصدر $s$ . وهي تربط متوسط السرعة بالمشتق المتغاير (covariant derivative) لحقل السرعة على طول المنحنى المتكامل، وبمشتق الخريطة اللوغاريتمية.
هوية لاغرانج (Lagrange Identity): مشتقة عن طريق الاشتقاق بالنسبة لزمن الهدف $t$ . وهي تربط متوسط السرعة بالتمايز (differential) للخريطة اللوغاريتمية المطبق على السرعة اللحظية، وبالاشتقاق الزمني الجزئي لمتوسط السرعة.
هوية شبه المجموعة (Semigroup Identity): شرط جبري مشتق من خاصية شبه المجموعة لخرائط التدفق ( $\Phi_{r,t} \circ \Phi_{s,r} = \Phi_{s,t}$ ). وهي تفرض الاتساق بين التدفق المباشر من $s$ إلى $t$ وبين تركيب التدفقات عبر نقطة زمنية وسيطة $r$ .

2. أهداف التدريب والاستقرار

قام المؤلفون بتحويل هذه الهويات إلى أهداف انحدار (regression objectives). ويتمثل قرار التصميم الحاسم في وضع عامل إيقاف التدرج (stop-gradient operator). على عكس العمل السابق (مثل Generalized Flow Maps)، الذي يطبق إيقاف التدرج جزئياً، يقوم RMF بتطبيق إيقاف التدرج على هدف الانحدار بأكمله. هذا الصياغة:

تلغي الحاجة إلى تقييم مشتقات من رتب أعلى (مثل حاصل ضرب جاكوبي-متجه) أثناء الانتشار العكسي (backpropagation).
تقلل من استهلاك الذاكرة بمقدار الضعف تقريباً.
تحسن استقرار التدريب في الإعدادات عالية الأبعاد.

ولمعالجة مشا مشاكل التحسين في الأبعاد العالية، يقترح البحث عدة تقنيات استقرار:

أخذ عينات الزمن (Time Sampling): أزواج زمنية مرتبة ( $s \le t$ ) لهدفي أويلر وشبه المجموعة، وأزواج غير مرتبة لأهداف لاغرانج.
توزين الخسارة التكيفي (Adaptive Loss Weighting): قص الخسارة بناءً على مقدار هدف الانحدار للتعامل مع التباين العالي في الحدود المعتمدة على المشتقات.
التحكم في المشتق الزمني (Time Derivative Control): استخدام تضمينات زمنية منخفضة التردد للحد من مقدار المشتقات الزمنية في مخرجات الشبكة.

3. المعلمة (Parameterization)

يقيم البحث ثلاثة مخططات للمعلمة لمتوسط السرعة:

توقع $v$ ( $v$ -prediction): التنبؤ بمتجه المماس (السرعة).
توقع $x_t$ ( $x_t$ -prediction): التنبؤ مباشرة بالنقطة النهائية.
توقع $x_1$ ( $x_1$ -prediction): التنبؤ بنقطة نهاية المسار عند $t=1$ بالنظر إلى الحالة الحالية والفترة الزمنية.
يشير المؤلفون إلى أن توقع $x_1$ هو الأكثر متانة للأنظمة عالية الأبعاد. وهو متوافق مع البنى العلمية الموجودة (مثل تلك التي تخرج أطر SE(3) للبروتينات) ويتوسع جيداً حتى أبعاد $D=2048$ ، بينما يفشل توقع $x_t$ -prediction ويفقد توقع $v$ -prediction الجودة مع زيادة الأبعاد.

4. الاستدلال الموجه بالمكافأة (Reward-Guided Inference)

يدعم الإطار التوليد الموجه بالمكافأة دون إعادة تدريب النموذج. ومن خلال الاستفادة من قدرة خريطة التدفق على التنبؤ بالحالات النهائية من الخطوات الوسيطة، يقترح المؤلفون استراتيجية التطلع للمكافأة (Reward Lookahead Strategy). بدلاً من استخدام تدرج المكافأة عند الحالة الحالية المشوشة $x_t$ ، يستخدمون التدرج عند النقطة النهائية المتوقعة $\Phi_{t,1}(x_t)$ . أثبت هذا النهج فعالية أكبر في توجيه عمليات التوليد نحو أهداف محددة.

النتائج الرئيسية

تحقق المؤلفون من صحة RMF في مهمتين بيولوجيتين: تصميم الحمض النووي المحفز (Promoter DNA Design) (تسلسلات على متشعب بسيط في $\mathbb{R}^{1024 \times 4}$ ) و توليد العمود الفقري للبروتين (Protein Backbone Generation) (على $SE(3)^N$ مع $N$ تصل إلى 128).

الكفاءة: يحقق RMF جودة عينات تضاهي النماذج المرجعية متعددة الخطوات المتطورة (مثل Fisher FM، وFrameFlow، وFrameDiff)، ولكنه يتطلب أقل بـ 10 مرات في تقييمات الدالة.
- في توليد العمود الفقري للبروتين، يحقق RMF قابلية تصميم بنسبة 82% عند 5 خطوات و35% عند خطوة واحدة، بينما تنخفض النماذج المرجعية بشكل كبير أو تنهار تماماً في هذه الأنظمة ذات الخطوات القليلة.
- في تصميم الحمض النووي (DNA)، تضاهي متغيرات RMF أداء Fisher FM الذي يتطلب 100 خطوة باستخدام خطوة واحدة فقط.
الاستقرار: تمكن تقنيات الاستقرار المقترحة (خاصة الجمع بين أهداف شبه المجموعة وتوقع $x_1$ -prediction) من تدريب مستقر في الفضاءات عالية الأبعاد حيث تفشل طرق خرائط التدفق الأخرى (مثل GFM) في التقارب أو تنتج عينات خاطئة.
التوجيه بالمكافأة: أظهر الاستدلال الموجه بالمكافأة باستخدام استراتيجية $x_1$ -lookahead توافقاً أكبر مع ملفات التنظيم المستهدفة (DNA) وتكوينات البنية الثانوية (البروتينات) مقارنة بالتوجيه الساذج أو التوليد غير الموجه.

الأهمية والادعاءات

يدعي البحث أنه يضع أساساً نظرياً ومبادئ توجيهية عملية لأخذ العينات السريع على المتشعبات ريمانية. تكمن أهميته في:

سد الفجوة: توسيع قدرات التوليد في خطوات قليلة من الفضاءات الإقليدية إلى المتشعبات ريمانية المعقدة وعالية الأبعاد، وهي خطوة حاسمة للتطبيقات العلمية.
القابلية للتوسع: من خلال اشتقاق هويات تتجنب المشتقات من الرتب العليا واستخدام توقع $x_1$ -prediction، تتوسع الطريقة لتشمل الأبعاد ( $D \approx 2000$ ) وأطوال التسلسلات التي لم يكن من الممكن الوصول إليها سابقاً بنماذج توليد خرائط التدفق على المتشعبات ذات الخطوات القليلة.
الكفاءة في المسارات العلمية: يجعل تقليل تكاليف الاستدلال (بنسبة تصل إلى 10 أضعاف) النماذج التوليدية أكثر عملية كآليات اقتراح في حلقات التصميم العلمي التكرارية، مثل التحسين القائم على الخصائص لاكتشاف الأدوية أو البيولوجيا التركيبية.
التطلع للمكافأة (Reward Lookahead): يوضح أن خرائط التدفق تمكن من التصميم الموجه بالمكافأة بكفاءة عبر التنبؤ بالحالات النهائية من الخطوات الوسيطة، وهي قدرة لم يتم إثباتها سابقاً على المتشعبات.

يضع المؤلفون RMF ليس كبديل لجميع النماذج التوليدية، بل كإطار عمل متخصص يتيح توليداً عالي الجودة وفعالاً في المجالات العلمية المقيدة هندسياً حيث تشكل التكاليف الحسابية عاملاً محدداً.