🔢 mathematics

Using Laplace Transform To Optimize the Hallucination of Generation Models

تقترح هذه الورقة إطار عمل جديداً ينمذج الأنظمة التوليدية كأنظمة ديناميكية عشوائية، ويستخدم تحليل تحويل لابلاس من منظور نظرية التحكم لتحسين وتقليل الهلوسة في النماذج التوليدية بشكل جوهري.

المؤلفون الأصليون: Cheng Kang, Xinye Chen, Daniel Novak, Xujing Yao

نُشر 2026-03-20

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Cheng Kang, Xinye Chen, Daniel Novak, Xujing Yao

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

الفكرة الكبرى: التعامل مع الذكاء الاصطناعي كجهاز ضبط راديو

تخيل أن لديك فناناً موهوباً جداً ولكنه مجنون قليلاً (هو نموذج الذكاء الاصطناعي). يمكن لهذا الفنان رسم لوحات جميلة أو كتابة قصص رائعة، لكنه أحياناً يصبح واثقاً بنفسه أكثر من اللازم ويبدأ في اختلاق أشياء ليست حقيقية. في عالم الذكاء الاصطناعي، يُسمى هذا "الهلوسة" (Hallucination).

عادةً، عندما يحاول الناس إصلاح ذلك، ينظرون إلى ضربات فرشاة الفنان (الكود البرمجي) أو يحاولون إعطاءه كتب مرجعية أفضل (بيانات أكثر).

تتبع هذه الورقة البحثية نهجاً مختلفاً تماماً. يقول المؤلفون: "دعونا نتوقف عن النظر إلى ضربات الفرشاة ونبدأ بالنظر إلى الموسيقى". إنهم يعاملون عملية تعلم الذكاء الاصطناعي كأنها نظام صوتي أو راديو. يستخدمون أداة رياضية تسمى "تحويل لابلاس" (Laplace Transform) (فكر فيها كأنها "محلل طيف فائق" للصوت) لتحليل كيفية "اهتزاز" الذكاء الاصطناعي أثناء تعلمه.

المشكلة: اهتزاز مفرط أو انعدام تام للاهتزاز

أدرك المؤلفون أنه لكي يتعلم الذكاء الاصطناعي بشكل جيد، فإنه يحتاج إلى القدر المناسب من "الاهتزاز" أو "الارتجاج".

اهتزاز مفرط: يصبح الذكاء الاصطناعي مضطرباً، ويتجاوز الهدف المطلوب، ويبدأ في الهلوسة (اختلاق الحقائق).
اهتزاز ضئيل جداً: يتعلم الذكنا الاصطناعي ببطء شديد بحيث لا ينتهي أبداً، أو يعلق في مسار رتيب.
القدر المثالي: يتعلم الذكاء الاصطناعي بسرعة، ويظل مستقراً، وينتج نتائج دقيقة.

وجدوا أن "اهتزاز" الذكاء الاصطناعي يعتمد بشكل كبير على المُحسِّن (Optimizer) الذي يستخدمه. والمُحسِّن هو بمثابة المحرك أو الوقود الذي يدفع الذكاء الاصطناعي للتعلم.

التجربة: اختبار محركات مختلفة

اختبر الباحثون عدة "محركات" (مُحسِّنات) مختلفة على ثلاثة أنواع من فناني الذكاء الاصطناعي:

شبكات GANs: فنانون يبتكرون صوراً جديدة من العدم (مثل رسم وجه من الخيال).
شبكات CycleGANs: فنانون يقومون بترجمة الصور (مثل تحويل صورة حصان إلى حمار وحشي).
نماذج DDPMs: فنانون يقومون بتنقية الصور المشوشة للكشف عن الصورة الأصلية تحتها.

استخدموا "محلل الطيف الفائق" (تحويل لابلاس) للتنبؤ بكيفية جعل كل محرك للذكاء الاصطناعي يهتز، ثم قاموا بالفعل بتشغيل عملية التدريب ليروا ما إذا كان التنبؤ صحيحاً.

النتائج: ليس كل مقاس يناسب الجميع

إليكم ما اكتشفوه، باستخدام تشبيهاتنا:

1. المحرك "متعدد الاستخدامات" (Adam Optimizer)

الأفضل لـ: ابتكار صور جديدة من العدم (GANs) وتنقية الضجيج (DDPM).
لماذا: هذا المحرك يمتلك "ارتجاجاً" قوياً ومتكيفاً. يمكنه تعديل إيقاعه بسرعة لإيجال النغمة الصحيحة. إذا بدأ الذكاء الاصطناعي في الانحراف، فإن هذا المحرك يهزه ليعيده إلى مكانه بسرعة.
التشبيه: إنه مثل سيارة رياضية ذات نظام تعليق يتكيف تلقائياً مع مطبات الطريق. هذا يمنع السيارة من الاصطدام (الهلوسة).

2. محرك "الدقة" (FuzzyPID Optimizer)

الأفضل لـ: ترجمة الصور (CycleGAN).
لماذا: عند تحويل حصان إلى حمار وحشي، تحتاج إلى الحفاظ على شكل الحصان مع تغيير الخطوط. محرك "FuzzyPID" يشبه نظام التحكم في السرعة الذكي (Cruise Control). فهو لا يهتز فحسب؛ بل يستمع للطريق، ويتذكر أين كان قبل ثانية، ويتنبأ بالمكان الذي يجب أن يذهب إليه لاحقاً. إنه يحافظ على سلاسة الترجمة ويمنع الذكاء الاصطناعي من الارتباك.
التشبيه: إنه مثل لاعب السيرك على الحبل المشدود الذي يستخدم عصا طويلة للتوازن. إذا مال كثيراً نحو اليسار، تساعده العصا على التصحيح بلطف قبل أن يسقط.

3. المحركات "القديمة" (SGD, SGDM)

المشكلة: هذه المحركات بسيطة للغاية. إنها مثل سيارة بدون نظام تعليق. في الطرق الوعرة (مهام الذكاء الاصطناعي المعقدة)، تتأرجح كثيراً أو تعلق في مكانها.
النتيجة: إما أن يتعلم الذكاء الاصطناعي ببطء شديد أو يبدأ في الهلوسة بجنون لأن المحرك لا يستطيع التعامل مع "الضجيج" الناتج عن عملية التعلم.

الرؤية "السحرية"

الجزء الأكثر إثارة في الورقة البحثية هو: لا تحتاج للانتظار حتى يفشل الذكاء الاصطناعي لتعرف أي محرك ستستخدم.

باستخدام تحويل لابلاس، يمكن للباحثين محاكاة "نبض قلب" الذكاء الاصطناعي على الكمبيوتر قبل أن يبدأوا التدريب الفعلي.

إذا أظهرت المحاكاة أن الذكاء الاصطناטי سيهتز بعنف شديد، فهم يعرفون وجوب الانتقال إلى محرك FuzzyPID.
إذا أظهرت المحاكاة أن الذكاء الاصطناعي بطيء جداً، فهم يعرفون وجوب الانتقال إلى محرك Adam.

الخلاصة

فكر في تدريب الذكاء الاصطناعي مثل ضبط جهاز الراديو.

الهلوسة هي مجرد ضجيج ساكن (Static).
المُحسِّنات (Optimizers) هي مقابض الضبط.
تحويل لابلاس هو جهاز العرض المرئي الذي يوضح لك بالضبط أي مقبض يجب تدويره للحصول على إشارة واضحة.

تثبت هذه الورقة أنه من خلال فهم "فيزياء" كيفية تعلم هذه النماذج (باستخدام نظرية التحكم)، يمكننا اختيار "مقبض الضبط" المثالي للمهمة. هذا يمنع الذكاء الاصطناعي من اختلاق الأمور ويساعده على إنتاج نتائج موثوقة وعالية الجودة.

باخت aside: لا تخمن فقط الأداة التي ستستخدمها لذكائك الاصطناعي. حلل "اهتزازه" أولاً، واختر المحرك المناسب، وستحصل على تحفة فنية بدلاً من الهلوسة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "استخدام تحويل لابلاس لتحسين الهلوسة في نماذج التوليد".

1. بيان المشكلة

تعاني نماذج التوليد (GMs)، بما في ذلك النماذج اللغوية الكبيرة (LLMs)، والنماذج البصرية-اللغوية، وشبكات الخصومة التوليدية (GANs)، من الهلوسة (وهي أخطاء واثقة حيث تولد النماذج محتوى غير صحيح واقعياً أو خارج نطاق التوزيع).

القيود الحالية: تركز الأبحاث الحالية بشكل أساسي على معالجة الهلوسة على المستوى "المجهري" عبر تعديل بنيات النماذج، أو إضافة آليات الاسترجاع (RAG)، أو ضبط دالات الخسارة.
الفجوة: هناك نقص في الأبحاث التي تحلل الاستقرار والتقارب لأنظمة التعلم نفسها من منظور "عياني" (Macroscopic). لا تزال الأسباب الجوهرية التي تجعل نماذج التوليد تنتج أخطاءً واثقة غير واضحة، ولا يوجد إطار عمل منهجي لتحديد طرق التحسين الأكثر ملاءمة لمهام توليد محددة.

2. المنهجية

يقترح المؤلفون إطار عمل جديد يصيغ نماذج التوليد كأنظمة ديناميكية عشوائية باستخدام نظرية التحكم. وتتضمن المنهجية الأساسية ما يلي:

صياغة النظام: يتم نمذجة عملية تدريب نماذج التوليد كنظام تحكم حيث يكون تحديث المعلمات ( $\theta$ ) هو مخرج النظام، ويكون التدرج (Gradient) هو إشارة الخطأ.
تحليل تحويل لابلاس: يطبق المؤلفون تحويل لابلاس لاستخلاص دوال النظام ( $\theta(s)$ ) لمختلف خوارزميات التحسين. يسمح هذا بتحليل الاستقرار، والتقارب، والاستجابة الترددية دون الحاجة إلى حل المعادلات غير الخطية المعقدة للشبكات العصبية الفعلية.
نمذجة المحسنات (Optimizers): تم ربط عدة محسنات بمكونات نظرية التحكم:
- SGD: تم نمذجته كمتحكم P-controller (تناسبي).
- SGDM: تم نمذجته كمتحكم PI-controller (تناسبي-تكاملي).
- PID Optimizer: تم نمذجته كمتحكم PID كامل.
- Adam: تم تحليله كنظام تكيفي معقد (رغم أن دالة نظامه الدقيقة معقدة للغاية بحيث يصعب اشتقاقها تحليلياً، إلا أنه تمت محاكاة سلوكه).
- Filter-based SGD: تم نمذجته باستخدام دوال النقل لمرشحات التمرير المنخفض (LPF) والتمرير العالي (HPF).
- FuzzyPID: وهو متحكم PID يتم فيه ضبط الكسب (Gains) عبر المنطق الضبابي للتعامل مع التغيرات غير الخطية.
المحاكاة: باستخدام Simulink (MATLAB)، قام المؤلفون بمحاكاة استجابات النظام لهذه المحسنات عند تطبيقها على ثلاثة بنيات محددة لنماذج التوليد:
1. الـ GAN الكلاسيكي (مولد/مميز واحد).
2. CycleGAN (مولدان/ميزانان مع اتساق الدورة).
3. DDPM (نماذج الانتشار الاحتمالية لإزالة الضجيج).
التحقق التجريبي: تم التحقق من صحة المحاكاة النظرية عن طريق تدريب هذه النماذج على مجموعات بيانات MNIST وUSPS باستخدام PyTorch، ومقارنة العينات المولدة باستجابات النظام المحاكة.

3. المساهمات الرئيسية

إطار عمل نظري: إرساء صلة بين نظرية التحكم والتعلم العميق، وصياغة الهلوسة في نماذج التوليد كقضايا عدم استقرار ونبض/اهتزاز (Overshoot) في عملية التعلم.
اشتقاق دالة النظام: النجاح في اشتقاق دوال نظام مجال لابلاس للمحسنات القياسية (SGD، SGDM، PID) وتحليل أقطاب الاستقرار الخاصة بها.
مطابقة التحسين للنظام: إثبات أن بنيات نماذج التوليد المختلفة لها "استجابات نظام" متميزة وتتطلب محسنات محددة لضمان الاستقرار:
- الـ GANs تتطلب قدرة على التكيف مع الترددات العالية (Adam).
- الـ CycleGANs تتطلب الاستقرار واتساق الدورة (PID/FuzzyPID).
- الـ DDPMs تتطلب اهتزازاً تكيفياً لمنع التباعد (عائلة Adam).
استراتيجية الحد من الهلوسة: اقتراح أنه يمكن تقليل الهلوسة جوهياً عن طريق اختيار محسن يتوافق مع المتطلبات الديناميكية للنظام، مما يضمن تقارب عملية التدريب دون تذبذب أو انحراف مفرط.

4. النتائج والتحليل

وجدت الدراسة اتساقاً عالياً بين استجابات النظام المحاكة والعينات المولدة الفعلية:

الـ Classical GAN:
- المحاكاة: أظهرت SGD وSGDM وPID استقراراً هامشياً أو انحرافاً أساسياً. بينما أظهر Adam تقارباً سريعاً واستقراراً.
- النتيجة: أنتج Adam عينات واضحة ومتنوعة. بينما أنتجت المحسنات الأخرى عينات مكررة أو مخرجات عالية الضجيج (هلوسة) بسبب التباعد.
الـ CycleGAN:
- المحاكاة: وفر FuzzyPID وPID الاستجابات الجيبية الأكثر استقراراً مع أدنى حد من الانحراف. بينما أظهرت SGD وAdam مخاطر التباعد.
- النتيجة: أنتج FuzzyPID عينات "مثالية" منذ البداية وحافظ على اتساق دوري ممتاز. بينما فشلت SGD وAdam في توليد صور يمكن التعرف عليها بعد 100 حقبة (Epoch).
الـ DDPM:
- النتيجة: فقط عائلة محسنات Adam (Adam, AdamW, RAdam, NAdam) أنتجت عينات مقروءة. أما الطرق غير التكيفية (SGD, PID) فقد فشلت في التقارب، مما أدى إلى مخرجات ضوضائية وهلوسة.
آلية الفشل: تعزو الورقة الهلوسة إلى التجاوز (Overshoot) والاهتزاز (Vibration) في عملية التدريب.
- الاهتزاز القليل جداً (مثل SGD القياسي) يؤدي إلى تعلم بطيء أو التعثر.
- الاهتزاز الكثير جداً أو غياب التحكم التكيفي يؤدي إلى التباعد وانهيار النمط (Mode Collapse).
- ينجح Adam في GANs/DDPM لأن طبيعته التكيفية توفر "الاهتزاز" اللازم للتعديل السريع.
- ينجح FuzzyPID في CycleGAN لأنه يثبت نظام المولد المزدوج المعقد دون الاهتزاز العنيف الذي يسبب التباعد في مهام اتساق الدورة.

5. الأهمية

تحول في النموذج الفكري: نقل التركيز في أبحاث الهلوسة من تعزيز البيانات وتعديل دالة الخسارة إلى تحليل استقرار النظام.
القدرة التنبؤية: يسمح نهج تحويل لابلاس للباحثين بالتنبؤ بأداء واستقرار محسن معين على بنية محددة لنماذج التوليد قبل البدء بالتدريب، مما يوفر الموارد الحسابية.
إرشادات التصميم: تقديم قاعدة ملموسة: "طابق المحسن مع النظام".
- استخدم المحسنات التكيفية/عالية الاهتزاز (Adam) للمهام ذات المولد الواحد من الضجيج إلى العينة (GANs, DDPM).
- استخدم المحسنات المستقرة/المتحكم بها (PID/FuzzyPID) للمهام ذات المولدات المتعددة والقيود الكثيفة (CycleGAN).
الأثر المستقبلي: يشير إلى أن مبادئ نظرية التحكم يمكن أن توجه تطوير مكونات تحسين جديدة لجميع أنواع الشبكات العصبية الاصطناعية (ANNs) لتقليل الأخطاء الواثقة وتحسين الموثوقية بشكل جذري.