⚛️ high-energy theory

Versor: A Geometric Sequence Architecture

يُعد Versor بنية تسلسلية مبتكرة تستفيد من الجبر الهندسي المطابق والتحويلات الهندسية لتحقيق أداء فائق، وقابلية للتفسير، وكفاءة عبر مهام متنوعة، مع التفوق على نماذج Transformer والنماذج الهندسية المرجعية بعدد أقل بكثير من المعلمات وقدرة قوية على التعميم خارج نطاق التوزيع.

المؤلفون الأصليون: Truong Minh Huy, Edward Hirst

نُشر 2026-02-27

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Truong Minh Huy, Edward Hirst

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 كيف يفهم العالم.

معظم أنظمة الذكاء الاصطناعي الحديثة (مثل نماذج "المحولات" - Transformers الشهيرة المستخدمة في برامج الدردشة وتوليد الصور) تتعلم من خلال النظر إلى البيانات كقائمة مسطحة من الأرقام، مثل جدول بيانات. إنها تعامل "البلبل" (الدوامة) الذي يدور، والطائر الذي يطير، والكرة التي تتدحرج، كمجرد مجموعة من الإحداثيات. ولكي يفهم الذكاء الاصطناعي أن الكرة تتدحرج وتدور في آن واحد، يتعين عليه حفظ ملايين الأمثلة لكرات تتدحرج وتدور، على أمل أن يستنتج النمط. الأمر يشبه محاولة تعلم قيادة السيارة من خلال حفظ مليون صورة لسيارات في وضعيات مختلفة، بدلاً من فهم كيفية عمل عجلة القيادة والدواسات.

تقدم هذه الورقة البحثية بنية جديدة تسمى Versor. بدلاً من استخدام جدول بيانات مسطح، يستخدم Versor "نظام تشغيل" رياضياً خاصاً يسمى الجبر الهندسي المطابق (Conformal Geometric Algebra).

إليك التبسيط باستخدام تشبيهات من الحياة اليومية:

١. "عنق زجاجة إقليدس" مقابل "القوة الهندسية الخارقة"

الطريقة القديمة (المحولات - Transformers): تخيل أنك تحاول وصف رقصة لصديق عبر الهاتف. تقول له: "خطوة لليسار، خطوة لليمين، ثم دورة". سيضطر صديقك لتخمين "إحساس" الدوران بناءً على الكلمات. إذا غيرت الرقصة قليلاً، سيصاب بالارتباك. هذا هو "عنق زجاجة إقليدس" (Euclidean Bottleneck) — حيث يتعين على الذكاء الاصطناعي تخمين قواعد الفيزياء (مثل الدوران والمسافة) من الصفر.
طريقة Versor: Versor يشبه إعطاء صديقك جهاز عرض هولوغرام ثلاثي الأبعاد بدلاً من الهاتف. عندما تقول "دورة"، فإن الهولوغرام يدور فعلياً. قواعد الدوران والمسافة مدمجة في "عتاد" النموذج. هو لا يحتاج لحفظ كيفية تدحرج الكرة؛ بل يعرف كيف تتدحرج الأشياء لأن رياضياته الداخلية مبنية على هندسة الكون.

٢. المحركان الرئيسيان

يمتلك Versor جزأين خاصين يجعلان عمله ممكناً:

أ. انتباه الضرب الهندسي (Geometric Product Attention - GPA) – "العين الذكية"

"الانتباه" في الذكاء الاصطناعي التقليدي يشبه النظر إلى شخصين والسؤال: "ما مدى قربهما من بعضهما؟"
أما انتباه Versor فيسأل سؤالين في وقت واحد:
١. ما مدى قربهما؟ (الجزء القياسي - Scalar)
٢. كيف يتجهان تجاه بعضهما؟ (جزء ثنائي المتجه - Bivector)

التشبيه: تخيل راقصين. الذكاء الاصطناعي العادي يقيس فقط المسافة بين قدميهما. أما Versor فيقيس أيضاً "عزم الدوران" أو الالتواء في جسديهما. إنه يفهم أن الراقصين قد يكونان بعيدين عن بعضهما، لكنهما لا يزالان متصلين لأنهما يميلان نحو بعضهما البعض. هذا يسمح لـ Versor بفهم الفيزياء المعقدة (مثل جاذبية كوكب يدور) بشكل أفضل بكثير من الذكاء الاصطناعي القياسي.

ب. مجمع الدوار التكراري (Recursive Rotor Accumulator - RRA) – "الذاكرة المثالية"

غالباً ما تنسى نماذج الذكاء الاصطناعي القياسية التسلسلات الطويلة أو تصاب بـ "الارتباك" بعد فترة، مثل شخص يحاول تذكر قصة طويلة فيخلط بين التفاصيل.
يستخدم Versor "دواراً" (Rotor). فكر في الدوار كبوصلة مثالية لا تنكسر.

التشبيه: تخيل أنك تسير في غابة. الذكاء الاصطناما العادي يحاول تذكر كل خطوة خطوتها. إذا مشيت ١٠٠٠ خطوة، فقد يفقد العد. أما Versor فلا يعد الخطوات؛ بل يحتفظ بـ بوصلة تدور كلما استدرت أنت. مهما طال مشيك، ستعرف البوصلة دائماً مكانك بالضبط بالنسبة لنقطة البداية. هي لا "تتعب" أو "تنزاح" أبداً، مما يسمح لها بالتنبؤ بمستقبل الأنظمة الفوضوية (مثل الطقس أو مدارات الكواكب) لفترات طويلة جداً دون ارتكاب أخطاء.

٣. لماذا يعد هذا أمراً بالغ الأهمية؟

تظهر الورقة البحثية أن Versor هو نموذج "فائق الكفاءة":

صغير لكنه جبار: يمكن لـ Versor القيام بنفس وظيفة نموذج ذكاء اصطناعي ضخم ولكن بـ ٢٠٠ مرة أقل من المعلمات (Parameters) (خلايا الدماغ). إنه يشبه بناء محرك فيراري يتسع داخل دراجة هوائية.
عبقري في التعميم: إذا دربت Verso على نظام يحتوي على ٥ كواكب، يمكنه فوراً التنبؤ بسلوك نظام يحتوي على ٧ كواكب دون أي تدريب إضافي. الذكاء الاصطناعي القياسي قد ينهار لأنه تعلم ٥ كواكب فقط. أما Versor فهو يفهم قانون الجاذبية، وليس مجرد كواكب محددة.
سريع: قام المؤلفون ببناء "نواة" (Kernels) خاصة تجعل Versor يعمل أسرع بـ ١٠٠ مرة مما قد تتوقعه من هذا النوع من الرياضيات.

٤. أمثلة من الواقع من الورقة البحثية

اختبار "الثعبان المكسور": عرضوا على الذكاء الاصطناعي صورة لثعبان مكون من بكسلات. إذا تم كسر الثعبان بواسطة بكسل واحد، يجب على الذكاء الاصطناعي أن يقول "مكسور".
- الذكاء الاصطناعي القياسي: فشل فشلاً ذريعاً (درجة ٠.٠٧) لأنه ارتبك بسبب حجم البكسل.
- Versor: حقق نتيجة شبه مثالية (٠.٩٩) لأنه فهم الارتباط بين البكسلات، وليس مجرد البكسلات نفسها.
الكواكب الفوضوية: اختبروه على محاكاة ٥ كواكب تصطدم ببعضها البعض (نظام فوضوي للغاية). حافظ Versor على استقرار طاقة النظام، بينما جعلت النماذج الأخرى الكواكب تطير بعيداً في الفضاء (أخطاء رياضية).

الملخص

Versor هو نوع جديد من الذكاء الاصطناعي الذي يتوقف عن معاملة العالم كقائمة مسطحة من الأرقام ويبدأ في معاملته كواقع هندسي ثلاثي الأبعاد. من خلال بناء قوانين الفيزياء (الدوران، المسافة، القياس) مباشرة داخل دماغه، فإنه يتعلم بشكل أسرع، ويستهلك طاقة أقل، ويفهم العالم بعمق أكبر، ويمكنه التنبؤ بمستقبل الأنظمة المعقدة بدقة مذهلة.

إنه الفرق بين حفظ خريطة مدينة وبين امتلاك نظام GPS يفهم التضاريس، وحركة المرور، وفيزياء القيادة في آن واحد.

إليك ملخص تقني مفصل لورقة البحث "Versor: A Geometric Sequence Architecture" (فيرسور: بنية تسلسل هندسية) للباحثين ترونغ مينهوي وإدوارد هيرست.

1. بيان المشكلة: "عنق الزجاجة الإقليدي" (The Euclidean Bottleneck)

تحدد الورقة البحثية قيداً جوهرياً في التعلم العميق الحديث، لا سيالما في بنيات "المحولات" (Transformers): الاعتماد على الفضاء الإقليدي المسطح ( $\mathbb{R}^d$ ) والاهتمام بالضرب النقطي (dot-product attention).

السذاجة الهندسية: تتعامل النماذج القياسية مع البيانات كنقاط في فضاء متجهي، متجاهلة التناظرات الجوهرية للعالم الفيزيائي (الدوران، الإزاحة، القياس).
عدم الكفاءة: لتعلم الثوابت (مثل أن الجسم الذي تم تدويره هو نفس الجسم الأصلي)، يجب على نماذج "المحولات" الاعتماد على عمليات تعزيز بيانات ضخمة وموارد حوسبة هائلة لتقريب هذه التناظرات، بدلاً من فرضها جبرياً.
فشل التعميم: يؤدي هذا عدم التطابق إلى ضعف الأداء في المهام الخارجة عن التوزيع (OOD)، مثل التنبؤ بالأنظمة الفيزيائية الفوضوية عبر آفاق زمنية طويلة أو الاستدلال على الاتصال الطوبولوجي عند مقاييس مختلفة.
عنق الزجاجة: يطلق المؤلفون على هذا المصطلح "عنق الزجاجة الإقليدي"، حيث تتعارض هندسة البنية مع بنية المانيفولد (Manifold) الطبيعية للبيانات.

2. المنهجية: بنية Versor

تستبدل بنية Versor العمليات الجبرية الخطية بـ الجبر الهندسي المتوافق (Conformal Geometric Algebra - CGA)، وتعمل تحديداً ضمن مانيفولد $Cl_{4,1}$ . هذا الإطار خماسي الأبعاد يقوم بـ "خطيّة" المجموعة المتوافقة للفضاء الإقليدي ثلاثي الأبعاد، مما يسمح بتمثيل أصيل للنقاط، الخطوط، الدوائر، والتحويلات.

المكونات الأساسية

اهتمام الضرب الهندسي (Geometric Product Attention - GPA):
- يستبدل اهتمام الضرب النقطي القياسي ( $q^T k$ ) بـ الضرب الهندسي للمتجهات المتعددة (multivectors).
- التفكيك: يتفكك مقياس الاهتمام طبيعياً إلى:
  - المكون السلمي ( $\langle Q\tilde{K} \rangle_0$ ): يمثل الجذب القائم على القرب/المسافة.
  - مكون ثنائي المتجه ( $\langle Q\tilde{K} \rangle_2$ ): يمثل الاقتران التوجيهي (عزم الدوران) والزخم الزاوي النسبي.
- يتيح ذلك للنموذج الانتباه إلى كيفية توجه الأجسام بالنسبة لبعضها البعض، وليس فقط مدى قربها.
المراكم الدوار المتكرر (Recursive Rotor Accumulator - RRA):
- آلية تكرارية تطور الحالة المخفية كـ دوار (Rotor) - وهو عنصر من مجموعة السبين ($Spin(4,1)$) - بدلاً من كونه مجرد متجه.
- تحديث الحالة: $\Psi_{t+1} = \text{Normalize}(\Delta R_t \Psi_t)$ ، حيث $\Delta R_t$ هو دوار محلي يتنبأ به الشبكة.
- قيد المانيفولد: يتم تقييد الحالة لتكون ضمن الكرة الفائقة للوحدة لمجموعة السبين ( $\Psi \tilde{\Psi} = 1$ ) في كل خطوة. هذا يفرض القياس المتساوي (Isometry)، مما يمنع مشكلة "انفجار الحالة" الشائعة في الشبكات العصبية المتكررة (RNNs) ويضمن الاستقرار العددي عبر التسلسلات الطويلة.
- التعقيد: يحقق تعقيداً زمنياً قدره $O(L)$ وتعقيد ذاكرة قدره $O(1)$ لتاريخ التسلسل، على عكس تعقيد $O(L^2)$ في نماذج "المحولات" القياسية.
تسريع الأجهزة (Hardware Acceleration):
- للتغلب على التكلفة الحوسبية للضربات الهندسية ذات الـ 32 بُعداً، طور المؤلفون:
  - نوى العمليات المقنعة (Bit-Masked Kernels): استغلال التماثل بين أساس كليفورد والعمليات المنطقية (XOR للمؤشر، وParity للإشارة) لتجاوز جداول البحث المستهلكة للذاكرة.
  - تماثل المصفوفات (Matrix Isomorphism): استغلال التماثل $Cl_{4,1} \cong Mat(4, \mathbb{C})$ لتقليل الضربات الهندسية إلى عمليات BLAS GEMM المحسنة.
- حققت هذه التحسينات تسارعاً بمقدار 78 ضعفاً مقارنة بالتنفيذات البدائية، وقللت زمن التأخير لكل خطوة إلى 1.05 مللي ثانية، متفوقة بذلك على نماذج "المحولات" المحسنة.

3. المساهمات الرئيسية

أول نموذج تسلسلي لـ CGA: أول تطبيق للجبر الهندسي المتوافق ( $Cl_{4,1}$ ) في نمذجة التسلسل الزمني مع توصيف معماري كامل.
التعميم عبر المقاييس: أظهرت النتائج قدرة على التعميم الصفري (Zero-shot scale generalization). حل Versor المهام الطوبولوجية (مثل "Broken Snake") بمعامل 0.993 MCC (مقابل 0.070 لـ Vision Transformers) وتعمم على أحجام أنظمة غير مرئية (ديناميكيات N-body) دون إعادة تدريب.
كفاءة المعلمات: يحقق دقة مماثلة أو متفوقة على "المحولات" باستخدام معلمات أقل بـ 200 ضعف (على سبيل المثال، 6,662 معلمة مقابل 1.32 مليون للمعلم الأساسي).
القابلية للتفسير: توفر آلية الاهتمام رؤى فيزيائية، حيث تفصل المسافة (السلمي) عن عزم الدوران/التوجه (ثنائي المتجه)، مما يوفر رؤية شفافة لقوان التفاعل المتعلمة.
الاستقرار النظري: إثبات استقلال تدفق التدرج عن العمق. نظرًا لأن جاكوبي (Jacobian) كل طبقة هو دوار متعامد، فإن معامل الحالة (condition number) هو 1، مما يضمن عدم تلاشي أو انفجار التدرجات بغض النظر عن طول التسلسل.

4. النتائج التجريبية

تم تقييم Versor على الديناميكيات الفوضوية، الاستدلال الطوبولوجي، والمعايير متعددة الوسائط:

ديناميكيات N-Body الفوضوية:
- تفوق Versor على "المحولات" (Transformers)، والشبكات الرسومية (GNS)، والشبكات الهاملتونية (Hamiltonian NNs) في دقة التنبؤ (MSE) مع الحفاظ على حفظ طاقة متفوق.
- الاستقرار طويل الأمد: حافظ على تنبؤات مستقرة عبر 10,000 خطوة زمنية حيث فشلت "المحولات" بسبب استنزاف الذاكرة أو تراكم الخطأ.
- المتانة خارج التوزيع (OOD): في اختبار بكتل أثقل بـ 10 أضعاف، انخفض خطأ Versor بنسبة 63.9% (مستفيداً من زيادة القصور الذاتي)، بينما فشلت "المحولات" فشلاً كارثياً (خطأ بنسبة +1933%).
الاستدلال الطوبولوجي ("Broken Snake"):
- حقق Versor معامل 0.993 MCC في مهمة تتطلب استدلالاً على الاتصال المستقل عن الدقة، بينما فشلت نماذج ViT (بمعامل 0.070 MCC) بسبب اعتمادها على تضمينات موضعية ثابتة.
المعايير متعددة الوسائط:
- الرؤية (CIFAR-10): حقق دقة 49.63% في 3 حقبات (epochs) باستخدام بكسلات خام ودون طبقات تلافيفية.
- معالجة اللغات الطبيعية (WikiText-103): حقق تشتتاً (perplexity) مستقراً على مستوى الحروف (3.22)، مما يثبت القدرة على نمذجة التبعيات التسلسلية عالية الإنتروبيا على مانيفولد السبين.

5. الأهمية والتوجهات المستقبلية

تحول في النموذج (Paradigm Shift): يشير Versold إلى أن تضمين الأولويات الهندسية (التناظرات) مباشرة في بنية الشبكة أكثر كفاءة من تعلمها من البيانات. إنه ينقل الذكاء الاصطناعي من "تعلم الثوابت" إلى "فرض الثوابت".
التعلم الآلي العلمي: هذه البنية مناسبة بشكل فريد للمهام المستندة إلى الفيزياء، والروبوتات (SLAM/التقدير الملاحي)، وديناميكيات الجزيئات، مما يوفر قدرات محاكاة في الوقت الفعلي وقابلية للتفسير.
إمكانات الأجهزة: تقترح الورقة بنيات GAPU (وحدة معالجة الجبر الهندسي)، مما يشير إلى أن الأجهزة المصممة خصيصاً لعمليات جبر كليفرد قد تحقق مكاسب كفاءة هائلة مقارنة ببنيات فون نيومان.
القابلية للتوسع: تشير البراهين النظرية إلى أن Versor يمكن أن يتوسع ليصل إلى أحجام النماذج التأسيسية (مليارات المعلمات) دون مشاكل عدم استقرار التدرج التي تعاني منها الشبكات الإقليدية العميقة.

في الختام، يثبت Versor أن الحوسبة الهندسية يمكن أن تقلل بشكل كبير من التكلفة الحوسبية للذكاء الاصطناعي في العلوم الفيزيائية مع تحسين التعميم، التفسير، والمتانة تجاه تغيرات التوزيع في آن واحد.