🤖 machine learning

ABM-UDE: Developing Surrogates for Epidemic Agent-Based Models via Scientific Machine Learning

تقدم هذه الورقة البحثية ABM-UDE، وهو إطار عمل للتعلم الآلي العلمي يستخدم المعادلات التفاضلية الشاملة مع طريقة الرماية المتعددة وطرق التنبؤ بالخطأ القائمة على المراقب لاستخلاص نماذج الأوبئة القائمة على الوكلاء ذات النطاق الإكساسكيل البطيئة وتحويلها إلى بدائل سريعة ومعايرة وقابلة للتفسير قادرة على تمكين التخطيط المستشفياتي في الوقت الفعلي والمدرك للمخاطر على الأجهزة القياسية.

المؤلفون الأصليون: Sharv Murgai, Utkarsh Utkarsh, Kyle C. Nguyen, Alan Edelman, Erin C. S. Acquesta, Christopher Vincent Rackauckas

نُشر 2026-02-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Sharv Murgai, Utkarsh Utkarsh, Kyle C. Nguyen, Alan Edelman, Erin C. S. Acquesta, Christopher Vincent Rackauckas

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 عمدة مدينة، وفجأة اقتربت عاصفة (وباء). أنت بحاجة لمعرفة: هل ستفيض الملاجئ؟ هل نحتاج لفتح المزيد من المستشفيات؟ متى يجب إغلاق المدارس؟

للإجابة على ذلك، لديك أداتان:

محاكاة الحاسوب الخارق (ABM): تشبه هذه المحاكاة لعبة فيديو ضخمة وواقعية للغاية، حيث كل مواطن هو شخصية فردية. لديهم وظائف، عائلات، وعادات، ويتفاعلون بشكل عشوائي. إنها دقيقة للغاية، لكنها تستغرق 100 ساعة من وقت الحاسوب الخارق لتشغيل سيناريو واحد مدته 3 أشهر فقط. وبحلول الوقت الذي تظهر فيه الإجابة، تكون العاصفة قد مرت بالفعل.
الجدول الحسابي البسيط (ODE): هذا تقدير سريع وتقريبي. إنه يعامل الجميع كأشخاص متوسطين. يعمل في ثوانٍ معدودة، لكنه غالباً ما يكون خاطئاً لأنه يفتقد التفاصيل الفوضوية للسلوك البشري الحقيقي.

المشكلة: نحن بحاجة إلى دقة محاكاة الحاسوب الخارق، ولكن بسرعة الجدول الحسابي. نحن بحاجة لتشغيل مئات سيناريوهات "ماذا لو؟" خلال الليل، لكن لا يمكننا الانتظار 100 ساعة لكل منها.

الحل: "الوكيل الذكي" (ABM-UDE)
قام مؤلفو هذه الورقة البحثية ببناء "وكيل ذكي" (Smart Proxy). فكر في الأمر كنسخة "شبحية" من المحاكاة الضخمة، تتعلم من المحاكاة الكبيرة ولكنها تعمل على حاسوب محمول عادي.

إليك كيف فعلوا ذلك، باستخدام بعض التشبيهات الإبداعية:

1. "المحرك الهجين" (المعادلات التفاضلية الشاملة - Universal Differential Equations)

تخيل محرك سيارة. المكابس، والتروس، وخطوط الوقود هي القواعد الميكانيكية (العلم المعروف لكيفية انتشار الفيروسات). هذه القواعد ثابتة وموثوقة.
ومع ذلك، فإن سلوك السائق (مدى سرعة الضغط على دواسة الوقود، أو متى يضغط على المكابح) غير متوقع. في الأيام الخوالي، حاول العلماء تخمين سلوك السائق باستخدام معادلة بسيطة، لكنها كانت تفشل غالباً.

استبدل المؤلفون جزء "سلوك السائق" بـ شبكة عصبية (دماغ ذكاء اصطناعي صغير).

المحرك: القوانين الفيزيائية والبيولوجية المعروفة (على سبيل المثال: إذا مرضت، يمكنك نقل العدوى للآخرين).
دماغ الذكاء الاصطناعي: مكون ذكي يتعلم بالضبط كيف يتصرف الفيروس في هذه المدينة المحددة من خلال مراقبة محاكاة الحاسوب الخارق.
النتيجة: نموذج يحترم قوانين الفيزياء ولكنه يتكيف مع الواقع الفوضوي للسلوك البشري. إنه يشبه سيارة تعرف قواعد الطريق، ولكن لديها مساعد طيار تعلم من مراقبة ملايين السائقين الآخرين.

2. حيل "الاستقرار" (الرماية المتعددة وPEM)

تدريب هذا الدماغ الاصطناعي أمر صعب. إذا حاولت تعليمه من خلال عرض فيلم مدته 90 يوماً دفعة واحدة، فسوف يرتبك. قد يتعلم الأسبوع الأول بشكل مثالي، لكنه قد ينحرف عن المسار بحلول الأسبوع العاشر، مثل نظام تحديد المواقع (GPS) الذي يفقد الإشارة ببطء.

استخدم المؤلفون حيلتين ذكيتين لإبقاء الذكاء الاصطناعي على المسار الصحيح:

الرماية المتعددة (نقاط التفتيش): بدلاً من مشاهدة فيلم الـ 90 يوماً كاملاً دفعة واحدة، قاموا بتقطيعه إلى مقاطع صغيرة مدة كل منها 10 أيام. يقومون بتدريب الذكاء الاصطناعي على المقطع الأول، ثم يتحققون مما إذا كان صحيحاً، ثم يعيدون الضبط والتدريب على المقطع التالي. إنه يشبه تعلم رقصة طويلة من خلال إتقان حركة واحدة في كل مرة، والتحقق من وضعيتك، ثم الانتقال إلى الحركة التالية. هذا يمنع الذكاء الاصطناعي من "الضياع" على المدى الطويل.
طريقة خطأ التنبؤ (اختبار الواقع): تخيل أن الذكاء الاصطناعي يحاول التنبؤ بالطقس. في كل يوم، يقوم بتخمين، ثم تعرض له الطقس الفعلي. إذا كان مخطئاً، فإنك تقوم بلطف بدفعه (تعديل) لضبط إعداداته الداخلية لتصحيح الخطأ ليوم غد. هذه "الدفعة" (التي تسمى المراقب) تبقي الذكاء الاصطناعي مرتبطاً بالواقع، مما يضمن عدم ابتعاده عن الحقيقة.

3. النتائج: من "الحاسوب الخارق" إلى "الحاسوب المحمول"

كانت النتائج مذهلة:

السرعة: استغرقت محاكاة الحاسوب الخارق القديمة 100 ساعة لتشغيل سيناريو واحد. أما الوكيل الذكي الجديد فيعمل على حاسوب محمول عادي في حوالي 30 ثانية. هذا يعني أنه أسرع بـ 10,000 مرة.
الدقة: لم يصبح أسرع فحسب، بل أصبح أذكى أيضاً. من خلال استخدام "نقاط التفتيش" و"اختبارات الواقع"، كان النموذج الجديد أكثر دقة بنسبة 77% من نهج الذكاء الاصطناعي القياسي.
الموثوقية: الأهم من ذلك، أن النموذج يعرف متى يكون غير متأكد. فهو لا يعطي مجرد رقم واحد؛ بل يعطي نطاقاً (على سبيلًا: "ستكون وحدة العناية المركزة ممتلئة بنسبة 60%، بزيادة أو نقصان 5%"). وهذا يساعد الأطباء والعمد على التخطيط لأسوأ السيناريوهات دون ذعر.

لماذا يهم هذا الأمر؟

قبل هذا، كان على مسؤولي الصحة المحليين الاختيار بين بيانات بطيئة ودقيقة (غير مفيدة للتخطيط اليومي) أو تخمينات سريعة وغير دقيقة (تؤدي لاتخاذ قرارات خطيرة).

هذه الطريقة الجديدة تسمّح لمسؤول الصحة في المقاطعة بالجلوس خلف مكتبه، وكتابة سؤال مثل "ماذا يحدث إذا فتحنا المدارس الاثنين المقبل؟" والحصول على إجابة دقيقة للغاية ومدركة للمخاطر في ثوانٍ. يمكنهم تشغيل مئات سيناريوهات "ماذا لو؟" خلال الليل لإيجاد التوازن المثالي بين السلامة والعودة للحياة الطبيعية، مما قد ينقذ آلاف الأرواح من خلال التحرك قبل أن تكتظ المستشفيات.

باختة: لقد أخذوا محاكاة ضخمة وبطيئة ومثالية، واستخلصوا "حكمتها" في ذكاء اصطناعي صغير وسريع وذكي، وعلموه كيفية البقاء على المسار الصحيح حتى يمكنه مساعدتنا في اتخاذ قرارات تنقذ الأرواح في الوقت الفعلي.

ملخص تقني لورقة بحثية بعنوان: "ABM-UDE: تطوير نماذج بديلة لنماذج الوكلاء القائمة على العوامل (ABM) للأوبئة عبر التعلم الآلي العلمي"

1. بيان المشكلة

الفجوة بين الواقعية والسرعة التشغيلية:
تتطلب عملية صنع القرار في مجال الصحة العامة (مثل توظيف طواقم المستشفيات، وإدارة سعة وحدات العناية المركزة) توقعات عالية الدقة تأخذ في الاعتبار السلوك البشري، والتباين المكاني، والتدخلات السياساتية. وتُعد نماذج الوكلاء القائمة على العوامل (ABMs) هي "المعيار الذهبي" لهذه الواقعية، إلا أنها مكلفة حوسبياً بشكل باهظ.

التكلفة الحوسبية: يمكن لمحاكاة واحدة لنموذج ABM (مثل CityCOVID) لمدة تتراوح بين 70 إلى 90 يوماً أن تستغرق حوالي 100 ساعة من وحدة المعالجة المركزية (CPU) على الأجهزة القياسية، أو تتطلب آلاف النوى على الحواسيب الفائقة.
الحاجة التشغيلية: يحتاج مسؤولو الصحة إلى تشغيل مئات سيناريوهات "ماذا لو" (على سبيل المثال: "ماذا لو زادت الحركة بنسبة 10%؟") كل ليلة لاتخاذ قرارات في الوقت المناسب. ولا تستطيع نماذج ABM توفير هذا الإيقاع.
قصور النماذج البديلة الحالية: تعتمد نماذج المعادلات التفاضلية العادية (ODE) المكونة من فئات (SEIR) على السرعة، لكنها تعتمد على افتراضات الخلط المتجانس، مما يجعلها تفشل في رصد الطفرات المحلية أو التغيرات السلوكية المعقدة. كما تفتقر النماذج البديلة الهجينة الموجودة غالباً إلى الاستقرار أثناء صدمات التدخل، أو تتطلب حوسبة عالية الأداء (HPC) للاستدلال.

الهدف: تطوير نموذج بديل "جاهز للمقاطعات" يتعلم مباشرة من مسارات نماذج ABM واسعة النطاق (Exascale)، ليقدم دقة تضاهي نماذج ABM مع سرعة تضاهي نماذج ODE باستخدام أجهزة حاسوب عادية.

2. المنهجية: مسار العمل (ABM $\rightarrow$ UDE)

يقترح المؤلفون إطار عمل يستخدم المعادلات التفاضلية العالمية (UDEs) لسد هذه الفجوة. وبدلاً من إضافة متبقي عصبي (Neural Residual) حر الشكل إلى المعادلة التفاضلية (مما قد يكسر القيود الفيزيائية)، يقومون بدمج شبكة عصبية داخل المعادلات الميكانيكية لتعلم معدل الاتصال.

أ. صياغة النموذج

الجوهر الميكانيكي: نظام معادلات تفاضلية عادية من عائلة SEIR ( $S, E, I_{\sim s}, I_s, I_a, R, D$ ) يحكم تطور المرض.
التمثيل البارامتري العصبي: يتم استبدال معدل الاتصال المعتمد على الزمن $\kappa(t)$ $κ (t)$ بخريطة عصبية محدودة $\kappa_\phi(u, t)$ $κ_{ϕ} (u, t)$ :
$\dot{u} = f(u, t; \theta, \kappa_\phi(u, t))$
$\kappa_\phi(u, t) = \kappa_{max} \sigma(N_\phi(\tilde{u}(t)))$
- القيود: تفرض البنية الهندسية الإيجابية (عدم وجود أعداد سكان سالبة) وحفظ الكتلة (إجمالي عدد السكان $N$ ثابت) عن طريق التصميم. يتم تعلم معدل الاتصال فقط؛ بينما يظل هيكل التدفق ميكانيكياً.

ب. استراتيجيات التدريب من أجل الاستقرار
يعد تدريب المعادلات التفاضلية العادية المعززة عصبياً على آفاق زمنية طويلة (89 يوماً) مع تغيرات تدخلية مفاجئة (مثل الإغلاق) أمراً غير مستقر. تقيم الورقة وتجمع بين ثلاث تقنيات تثبيت:

الـ UDE التقليدي (Single Shooting): الانتشار العكسي القياسي عبر المسار بأك ولاته. وهو عرضة لتراكم الخطأ والانجراف، خاصة حول نقاط تغير التدخل.
الرمي المتعدد (Multiple Shooting - MS): يتم تقسيم الأفق الزمني إلى $M$ من النوافذ. تحل كل نافذة مسألة قيمة ابتدائية (IVP) قصيرة. ويتم فرض الاستمرارية بين النوافذ عبر عقوبة (Penalty) ناعمة. هذا يقلل من أفق الانتشار العكسي الفعال، مما يؤدي إلى استقرار التدريب ضد تغيرات الأنظمة.
طريقة خطأ التنبؤ (Prediction-Error Method - PEM): نهج قائم على المراقب (Observer). يتم إضافة حد تصحيحي $K(y(t) - Hu)$ إلى المعادلة التفاضلية، حيث $y(t)$ هو مسار ABM المرصود (المستخلص عبر الاستيفاء) و $K$ هو مصفوفة كسب قابلة للتعلم. هذا يعمل باستمرار على إعادة ضبط حالة النموذج لتتطابق مع البيانات، مما يمنع الانجراف.
النموذج الهجين (MS+PEM-UDE): هو الطريقة المقترحة والأفضل. حيث يطبق تصحيح المراقب داخل كل نافذة من نوافذ الرمي المتعدد. يتعامل MS مع تغيرات النظام العالمية، بينما يتعامل PEM مع تراكم الخطأ المحلي.

ج. البيانات والإعداد

المصدر: محاكي ExaEpi، وهو محاكي ABM واسع النطاق.
مجموعة البيانات: سيناريو واحد ممثل (Dataset 1) يمتد لـ 89 يوماً مع تدخل إغلاق في اليوم 49.
المجموعة (Ensemble): لتقدير عدم اليقين، تم تدريب 100 نموذج مستقل لكل طريقة باستخدام بذور عشوائية مختلفة.
الأجهزة: تم إجراء التدريب والاستدلال على جهاز Apple Macbook Air (M4 CPU) عادي.

3. المساهمات الرئيسية

بنية UDE مبتكرة: نموذج SEIR ميكانيكي حيث يكون معدل الاتصال بارامتراً عصبياً، مما يحافظ على التفسير البيولوجي والقيود الفيزيائية (حفظ الكتلة) دون الحاجة لمتبقيات إضافية.
إطار تدريب مستقر: تكييف تقنيتي الرمي المتعدد (Multiple Shooting) والـ PEM القائم على المراقب خصيصاً للنماذج الوبائية المعززة عصبياً. يعالج هذا مشكلة عدم الاستقرار الناتج عن صدمات التدخل أو الانجراف في الآفاق الطويلة.
الجدوى التشغيلية: إثبات إمكانية تدريب وتشغيل النماذج البديلة عالية الدقة على أجهزة مؤسسية قياسية (أجهزة كمبيوتر محمولة) بدلاً من الحواسيب الفائقة.
تقييم صارم: مقارنة شاملة لـ دقة المسار، ومعايرة عدم اليقين (التغطية)، والكفاءة الحوسبية مقابل الحقيقة الأرضية لنموذج ABM.

4. النتائج

قيمت الدراسة أربعة متغيرات: Vanilla UDE، و MS-UDE، و PEM-UDE، و MS+PEM-UDE.

أ. الدقة (متوسط مربع الخطأ - MSE)

Vanilla UDE: خطأ عالٍ (MSE $\approx$ 16.85) بسبب الانجراف.
MS-UDE: تحسن ملحوظ (MSE $\approx$ 3.76).
PEM-UDE: أداء قوي (MSE $\approx$ 3.01).
MS+PEM-UDE: الأداء الأفضل بأقل MSE (2.93).
- التحسن: انخفاض بنسبة 77% في MSE مقارنة بـ Vanilla UDE، وانخفاض بنسبة 20% مقارنة بـ MS-UDE.
- نجحت الطريقة الهجينة في رصد الديناميكيات بعد التدخل (اليوم 49) بأكبر قدر من الفعالية.

ب. معايرة عدم اليقين
تُقاس الموثوقية بمدى تكرار وقوع تنبؤات النموذج البديل ضمن نطاقات الكم (Quantile Bands) العشوائية لنموذج ABM (10–90% و 25–75%).

Vanilla UDE: معايرة ضعيفة (تغطية 0.68 / 0.43).
MS+PEM-UDE: معايرة ممتازة (تغطية 0.94 / 0.69).
- يشير هذا إلى أن النموذج البديل يقدم عدم يقين مُعاير بدلاً من مجرد ملاءمة مفرطة (Overfitting)، وهو أمر حيوي لاتخاذ القرارات الواعية بالمخاطر.

ج. الكفاءة الحوسبية

سرعة الاستدلال: يتنبأ النموذج البديل (UDE) بآفاق زمنية تصل لـ ~90 يوماً خلال 20 إلى 35 ثانية فقط باستخدام خيط معالجة واحد (Single CPU thread).
السرعة: مقارنة بالتشغيل المرجعي لنموذج ABM (حوالي 100 ساعة من وحدة المعالجة المركزية)، يوفر النموذج البديل اختزالاً في وقت التنفيذ بمقدار $\sim 10^4$ (4 مراتب عشرية).
الإنتاجية: يتيح ذلك إجراء عمليات مسح لسيناريوهات "ماذا لو" المئات كل ليلة باستخدام جهاز كمبيوتر محمول.

5. الأهمية والأثر

سد فجوة الواقعية والوتيرة: يسم يسمح هذا الإطار للأنظمة الصحية المحلية باستخدام واقعية تضاهي نماذج ABM لاتخاذ القرارات اليومية دون الحاجة إلى حواسيب فائقة.
التخطيط الواعي بالمخاطر: من خلال تقديم عدم يقين مُعاير، يساعد النموذج المخططين على تحديد السياسات التي تبقي إشغال وحدات العناية المركزة تحت الحدود الحرجة (مثلاً 75%)، مما يعالج مباشرة طفرات الوفيات المرتبطة بتجاوز السعة الاستيعابية.
القابلية للتعميم: تُقدم وصفة "ABM $\rightarrow$ UDE" كمسار قابل للنقل لتقطير المحاكيات المعقدة القائمة على العوامل إلى نماذج بديلة سريعة وموثوقة لمجالات علمية أخرى بعيداً عن الأوبئة.
القابلية للتفسير: على عكس نماذج التعلم العميق "الصندوق الأسود"، يحتفظ نموذج UDE بالتفسير الميكانيكي، مما يسمح لأصحاب المصلحة بفهم سبب صدور التوقع (عبر معدل الاتصال المتعلم $\kappa_\phi$ ).

الخلاصة: تثبت الورقة أن MS+PEM-UDE هو حل قوي، وقابل للتوسع، وعملي تشغيلياً للتنبؤ بالأوبئة، حيث نجح في ضغط تعقيد نماذج ABM واسعة النطاق وتحويلها إلى نموذج بديل خفيف الوزن، مستنير فيزيائياً، ومناسب لاستراتيجيات الصحة العامة في الوقت الفعلي.