تخيل أنك تحاول فهم كيفية عمل آلة معقدة، مثل محرك سيارة أو قلب ينبض، فقط من خلال مشاهدة فيديو لها وهي تعمل. في العلم، يسمى هذا "إعادة بناء نظام ديناميكي". الأمر يشبه كونك محققاً لا يملك سوى آثار الأقدام التي تركها شخص ما، وعليك استنتاج شكل الحذاء، ووزن السائر، والمسار الذي اتخذه. لطالما استخدم العلماء معادلات رياضية لوصف هذه الأنظمة، ولكن مؤخراً، بدأوا في استخدام الذكاء الاصطناعي لتعلم هذه القواعد تلقائياً. الهدف ليس مجرد التنبؤ بما سيحدث بعد ذلك؛ بل هو فهم لماذا يحدث ذلك. ولتحقيق ذلك، يجب أن يكون نموذج الذكاء الاصطناعي عبارة عن "بديل توليدي" (generative surrogate)—أي توأم رقمي يمكنه العمل بمفرده وإعادة إنتاج السلوك طويل الأمد، أو "المناخ"، للنظام الحقيقي. ومع ذلك، هناك عقبة؛ فمعظم الأشياء في العالم الحقيقي، من الخلايا العصبية التي تطلق إشاراتها إلى أنماما الطقس، تحدث في تدفق مستمر وسلس للزمن، وليس في لقطات متقطعة وخطوة بخطوة.

لفترة من الوقت، كانت أفضل نماذج الذكاء الاصطتيادية هي نماذج "الزمن المنفصل" (discrete-time). فكر في هذه النماذج مثل رسوم متحركة لدفتر قصاصات (flipbook)؛ حيث يقفز النظام من إطار إلى الإطار التالي. وبينما تبرع هذه الدفاتر في تخمين الإطار التالي، إلا أنها تعاني عندما تصل البيانات في أوقات غريبة وغير منتظمة (مثل جهاز مراقبة ضربات القلب الذي يسجل فقط عندما يفحص الطبيب المريض) أو عندما يواجه النظام قفزات مفاجئة وقوية (مثل خلية عصبية تطلق إشارة وتعود لحالة الراحة فوراً). ومن ناحية أخرى، هناك نماذج مصممة للزمن المستمر والسلس، لكنها غالباً ما تكون مثل "الصناديق السوداء": فهي تعمل، لكنها معقدة رياضياً لدرجة تجعل من الصعب على العلماء النظر بداخلها لرؤية التروس وهي تتحرك. كما أنها بطيئة جداً في التدريب، كأن تحاول حل لغز ضخم عبر تجربة كل قطعة واحدة تلو الأخرى.

يقدم هذا البحث نوعاً جديداً من المحققين بالذكاء الاصطناعي يسمى الشبكة العصبية المتكررة ذات الزمن المستمر والخطية المجزأة (cPLRNN). يحل هذا النموذج اللغز عبر الجمع بين أفضل ما في العالمين. تخيل رحلة بالسيارة حيث تسير السيارة بسلاسة، لكن الطريق مكون من قطع مستقيمة ومسطحة. ولأن الطريق مستقيم في كل مقطع، فأنت لا تحتاج إلى نظام تحديد مواقع (GPS) لحساب كل منعطف صغير؛ يمكنك ببlu مجرد استخدام صيغة بسيطة لمعرفة مكانك بدقة في أي لحظة. يقوم نموذج cPLRNN بالضبط بهذا؛ فهو يقسم السلوك المعقد والمربك للنظام إلى قطع بسيطة ومستقيمة. يتيح ذلك للنموذج التعامل مع البيانات التي تصل في أوقات غير منتظمة والقفزات المفاجئة بسهولة، مع الحفاظ على سرعة التدريب والشفافية الرياضية. يوضح المؤلفون أن هذا النموذج الجديد يمكنه إعادة بناء الأنظمة المعقدة بنفس كفاءة "الدفاتر القصصية" المتقطعة أو "الصناديق السوداء" البطيئة، ولكنه يفعل ذلك بشكل أسرع بكثير ويمنح العلماء خريطة واضحة للهياكل الخفية للنظام، مثل نقاط السكون والدوائر المتكررة.

المشكلة: عدم التطابق في "معدل الإطارات"

يعمل معظم العالم الفيزيائي والبيولوجي وفق ساعة مستمرة. فالخلية العصبية لا تنتظر مؤقتاً ليدق قبل أن تطلق إشارتها؛ بل تطلقها في اللحظة التي تصل فيها إلى حد معين. والكوكب لا يقفز من مدار إلى آخر؛ بل ينزلق بسلاسة. ومع ذلك، فإن أنجح نماذج الذكاء الاصطناعي لإعادة بناء هذه الأنظمة كانت "نماذج زمن منفصل". هذه النماذج تشبه لعبة فيديو يتم تحديث الشاشة فيها 60 مرة في الثانية. وهي تعمل جيداً إذا كانت بياناتك تأتي بمعدل ثابت قدره 60 إطاراً في الثانية. ولكن ماذا لو كانت بياناتك فوضوية؟ ماذا لو كان لديك مستشعر طبي يسجل فقط عندما يستيقظ المريض، أو محطة أرصاد جوية ترسل البيانات فقط عندما يمتلئ شحن البطارية؟

تعاني النماذج المنفصلة هنا؛ إذ تضطر لفرض البيانات غير المنتظمة داخل شبكة صلبة، وهو ما يشبه محاولة وضع وتد مستدير في ثقب مربع. كما تواجه مشكلة مع "العتبات الصلبة"—التغيرات المفاجئة حيث يعود النظام لحالته الأصلية فوراً، مثل نبضة الخلية العصبية. وللتعامل مع هذه الأمور، حاول الباحثون استخدام "المعادلات التفاضلية العادية العصبية" (Neural ODEs)، المصممة للزمن المستمر والسلس. لكن هذه النماذج تشبه محاولة المشي في غابة كثيفة دون ممر؛ إذ يتعين عليها اتخاذ خطوات صغيرة وحذرة (التكامل العددي) لمعرفة موقعها، مما يجعل تدريبها بطيئاً للغاية. بالإضافة إلى ذلك، غالباً ما تكون معقدة جداً للتحليل الرياضي، مما يترك العلماء في حالة من عدم اليقين حول كيفية عمل النظام فعلياً.

الحل: الاختصار عبر "الخط المستقيم"

طور مؤلفو هذا البحث نموذج cPLRNN لتجاوز الحاجة إلى تلك الخطوات الصغيرة والبطيئة. وسلاحهم السري هو خدعة رياضية تسمى "التصميم الخطي المجزأ" (piecewise-linear).

تخيل أنك تقود عبر مدينة. المدينة العادية معقدة، بشوارع ملتوية وصعبة التوقع. لكن تخيل مدينة مبنية بالكامل من طرق سريعة مستقيمة ومسطحة. إذا كنت تعلم أنك على طريق سريع معين، فلا تحتاج إلى نظام GPS ليخبرك أين ستكون بعد 5 دقائق؛ أنت فقط بحاجة لمعرفة سرعتك واتجاهك. يمكنك حساب موقعك بدقة فوراً باستخدام صيغة بسيطة.

يعامل نموذج cPLRNN سلوك النظام المعقد مثل هذه المدينة. فهو يقسم "فضاء الحالة" (state space) الخاص بالنظام (كل الأشياء الممكنة التي يمكن للنظام القيام بها) إلى العديد من المناطق الصغيرة. وداخل كل منطقة، يتصرف النظام مثل طريق سريع مستقيم ومسطح. يتعلم الذكاء الاصطناعي القواعد الخاصة بكل طريق سريع. وعندما يتحرك النظام على طول أحد هذه المسارات المستقيمة، لا يحتاج cPLRNN إلى اتخاذ خطوات صغيرة لمعرفة وجهته، بل يستخدم حلاً "شبه تحليلي" (semi-analytical)—أي صيغة رياضية مباشرة للوصç مباشرة إلى الإجابة.

الجزء الصعب الوحيد هو عندما تصطدم السيارة بـ "حد التبديل" (switching boundary)، حيث تغادر طريقاً سريعاً مستقيماً وتدخل في آخر. يحدث هذا عندما يتجاوز متغير في النظام نقطة الصفر (مثل وصول جهد الخلية العصبية إلى عتبة معينة). يمتلك cPLRNN خوارزمية خاصة لتحديد متى يحدث هذا العبور بالضبط. فبدلاً من التخمين والتحقق، يستخدم طريقة ذكية لإيجاد الجذور (root-finding) لتحديد اللحظة الدقيقة التي يعبر فيها المسار الخط. وبمجرد معرفة وقت العبور، ينتقل فوراً إلى الصيغة الخاصة بالطريق السريع التالي.

ماذا وجدوا: السرعة، الدقة، والوضوح

اختبر الباحثون هذا النموذج الجديد في عدة تحديات مختلفة ليروا مدى قدرته على التعامل مع العالم الحقيقي.

1. الفراشة الفوضوية (نظام Lorenz-63)
بدأوا بنظام فوضوي شهير يشبه أجنحة الفراشة. هذا النظام هو اختبار قياسي لنماذج الذكاء الاصطناعي.

• النتيجة: أدى cPLRNN أداءً يضاهي أفضل النماذج الموجودة (بما في ذلك Neural ODEs البطيئة والنماذج المنفصلة السريعة ولكن المتقطعة) في إعادة إنتاج "مناخ" النظام طويل الأمد.
• تفوق السرعة: هنا كانت المفاجأة الكبرى. بينما استغرق تدريب Neural ODEs وقتاً طويلاً بسبب اتخاذها خطوات صغيرة، تم تدريب cPLRNN بسرعة أكبر بعدة مرات. في بعض الاختبارات، كان أسرع بـ 3 إلى 5 مرات من Neural ODEs، ومع ذلك لم يفقد أي دقة.
• الرؤية: نظرًا لأن النموذج مبني على خطوط مستقيمة، استطاع المؤلفون بسهولة إيجاد "نقاط السكون" (fixed points) للنظام (الأماكن التي يميل النظام للاستقرار فيها) و"الدوائر المحدودة" (limit cycles) (الحلقات المتكررة) بمجرد إجراء بعض العمليات الرياضية على النموذج المدرب. لم يحتاجوا لتشغيل ملايين المحاكاة لإيجادها؛ بل استطاعوا حسابها مباشرة.

2. الخلية العصبية النابضة (Leaky Integrate-and-Fire)
بعد ذلك، اختبروا نموذجاً لخلية عصبية تطلق إشارة وتعود لحالة الراحة فوراً. يتضمن هذا "عتبة صلبة" وقفزة مفاجئة، وهو أمر يصعب على النماذج السلسة التعامل معه.

• النتيجة: تعامل cPLRNN مع القفزات المفاجئة بشكل مثالي. فقد طابق "أوقات التبديل" (متى غير مساره) تماماً مع اللحظات التي أطلقت فيها الخلية العصبية إشارتها.
• اختبار البيانات غير المنتظمة: ثم قاموا بمحاكاة سيناريو حيث تُسجل البيانات في أوقات غير منتظمة (مثل طبيب يفحص مريضاً بشكل عشوائي). فشلت النماذج المنفصلة القديمة فشلاً ذريعاً هنا؛ إذ انهارت تقريباً لأنها لم تستطع التعامل مع الفجوات. أما cPLRNN، فقد اجتاز الاختبار ببراعة؛ حيث استطاع إعادة بناء سلوك الخلية العصبية بشكل مثالي لأنه لم يهتم بالفجوات—بل قام ببساطة بحساب المسار السلس بين النقاط غير المنتظمة.

3. بيانات العالم الحقيقي: ضربات القلب وخلايا الدماغ
أخيراً، جربوا النموذج على بيانات حقيقية: تسجيلات لقلب بشري وخلية عصبية واحدة في الدماغ.

• ضربات القلب: باستخدام قاعدة بيانات PhysioNet، حيث تُسجل ضربات القلب في فترات غير منتظمة، تفوق cPLRNN بشكل كبير على النماذج المنفصلة في التنبؤ بضربات القلب المستقبلية.
• الخلايا العصبية: في تسجيلات الدماغ الحقيقية، وجد cPLRNN حالة "ثنائية الاستقرار" (bistable)، مما يعني أن الخلية العصبية لديها نمطان مستقران للعمل (الراحة والإطلاق). وهذه رؤية بيولوجية حاسمة كشف عنها النموذج بمجرد تحليل رياضيات الشبكة المدربة.

لماذا هذا مهم

يشير البحث إلى أن cPLRNN يمثل خطوة كبيرة للأمام في مجال "إعادة بناء الأنظمة الديناميكية". فهو يثبت أنه ليس عليك الاختيار بين نموذج سريع ودقيق (مثل النماذج المنفصلة) ونموذج سلس ومستمر (مثل Neural ODEs)؛ بل يمكنك الحصول على كليهما.

باستخدام خدعة "الخط المستقيم"، يتجنب cPLERR عملية التكامل العددي البطيئة والمضنية. وهو يسمح للعلماء بالعمل مع البيانات الفوضوية وغير المنتظمة دون إجبارها على قالب معين. والأهم من ذلك، أنه يحافظ على "القابلية للتحليل الرياضي" التي يعشقها العلماء. ولأن النموذج مبني على قطع خطية بسيطة، يمكن للباحثين استخدام أدوات رياضية قوية لإيجاد الهياكل الخفية للنظام، مثل نقاط السكون والحلقات المتكررة، دون الحاجة لتشغيل عمليات محاكاة لا تنتهي.

يشير المؤلفون إلى أنه رغم قوة هذه الطريقة، إلا أنها ليست مثالية. ففي حالات نادرة جداً، قد تصبح الرياضيات "متذبذبة" (عدم استقرار عددي)، وقد تتعثر الخوارزمية الخاصة بإيجاد أوقات التبديل إذا كان هناك الكثير من الحدود. ومع ذلك، بالنسبة لمعظم المشكلات العملية، خاصة تلك التي تتضمن بيانات غير منتظمة أو قفزات مفاجئة، يوفر cPLRNN طريقة سريعة ودقيقة وشفافة لفهم الآليات المعقدة للعالم الطبيعي. إنه يحول "الصندوق الأسود" للذكاء الاصطناعي إلى آلة ذات جدران زجاجية واضحة، حيث يمكنك رؤية كيفية دوران التروس بدقة.