🤖 machine learning

Symbolic--KAN: Kolmogorov-Arnold Networks with Discrete Symbolic Structure for Interpretable Learning

تقدم هذه الورقة البحثية Symbolic-KAN، وهي بنية عصبية مبتكرة تدمج الهياكل الرمزية المنفصلة في الشبكات العميقة القابلة للتدريب لسد الفجوة بين التعلم القابل للتوسع والقابلية للتفسير، مما يتيح الاكتشاف المباشر لمعادلات حاكمة موجزة وذات صيغة مغلقة لمشكلات الانحدار والمشكلات المستندة إلى الفيزياء دون الحاجة إلى ملاءمة رمزية لاحقة.

المؤلفون الأصليون: Salah A Faroughi, Farinaz Mostajeran, Amirhossein Arzani, Shirko Faroughi

نُشر 2026-03-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Salah A Faroughi, Farinaz Mostajeran, Amirhossein Arzani, Shirko Faroughi

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 حاسوب فهم قوانين الفيزياء، مثل كيفية تأرجح البندول أو كيفية انتشار الحرارة عبر قضيب معدني.

المشكلة: "الصندوق الأسود" مقابل "محرك البحث"
في الوقت الحالي، يمتلك العلماء طريقتين رئيسيتين للقيام بذلك، وكلتاهما تعانيان من عيوب:

"الصندوق الأسود" (الشبكات العصبية): هي بمثبة عباقرة فائق الذكاء لكنهم صامتون. يمكنهم التنبؤ بالمستقبل بدقة مذهلة، ولكن إذا سألتهم كيف فعلوا ذلك، سيجيبون فقط: "أنا أعرف فحسب". إنهم يعطونك معادلة ضخمة وغير قابلة للقراءة لا يمكن لأي بشر فهمها.
"محرك البحث" (الانحدار الرمزي): هم بمثابة أمناء مكتبة يحاولون إيجاد الجملة المثالية عن طريق إعادة ترتيب كل كلمة في القاموس. ينتجون صيغاً جميلة وبسيطة وسهلة القراءة (مثل $E=mc^2$ )، لكنهم بطيئون للغاية وغالباً ما يعلقون في محاولة إيجاد التركيبة الصحيحة داخل مكتبة هائلة.

الحل: Symbolic-KAN
يقدم مؤلفو هذه الورقة البحثية Symbolic-KAN، وهو نوع جديد من الذكاء الاصطعي يجمع بين أفضل ما في العالمين. تخيله كـ طاهٍ ذكي يصحح لنفسه.

التشبيه: الطاهي الذي يصحح لنفسه

تخيل أنك تقوم بتدريب طاهٍ لإعادة ابتكار طبق معقد (القانون الفيزيائي) بمجرد تذوق المكونات (البيانات).

1. إعداد المطبخ (البنية الهيكلية)
الطهاة التقلليون للذكاء الاصطناعي (الشبكات العصبية القياسية) يلقون بكل شيء في الخلاط فحسب. يخلطون آلاف المكونات بطريقة تجعل الطعم جيداً، لكن لا يمكنك معرفة ما الذي يوجد في الحساء.
أما Symbolic-KAN فهو مختلف. لديه مخزن خاص (مكتبة من المكونات الأساسية مثل الملح، السكر، موجات الجيب، والحدوديات). بدلاً من خلط كل شيء، يقوم ببناء الطبق طبقة تلو الأخرى، ويختار مكونات محددة لخلطها.

2. آلية "البوابة" (ملعقة التذوق)
هنا تكمن الخدعة السحرية. في البداية، يكون الطاهي غير متأكد. قد يفكر: "ربم أحتاج قليلاً من السكر، وقليلاً من الملح، وقطعة صغيرة من الفلفل الحار". يخلطون كل ذلك معاً بطريقة ناعمة وضبابية. هذه هي مرحلة التدريب.

ولكن بينما يتذوق الطاهي الطبق ويقارنه بالأصل، تتدخل "نظام بوابة" خاص. إنه يشبه محرراً صارماً يقول:

"توقف عن التخمين. أنت لا تحتاج إلى الفلفل الحار. ولا تحتاج إلى الملح. أنت تحتاج فقط إلى السكر."
"وبالنسبة لهذه الطبقة، أنت لا تحتاج إلى خليط 'ربما'. أنت تحتاج إلى السكر بالضبط."

هذا المحرر يجبر الطاهي على اتخاذ خيارات حازمة. إنه يحول الـ "ربما" الضبابي إلى "نعم" قاطعة. وهذا ما يسمى التقطيع (Discretization).

3. النتيجة: وصفة بسيطة
بمجرد انتهاء التدريب، لا يعطيك الطاهي دليلاً معقداً من 50 صفحة. بدلاً من ذلك، يسلمك وصفة بسيطة من 3 أسطر:

"خذ المدخل، طبق عليه موجة جيبية، ثم اضرب الناتج في 2."

لأن الذكاء الاصطناعي أُجبر على الاختيار من مكتبة من الأشكال الرياضية البسيطة المعروفة (مثل الجيب، جيب التمام، أو $x^2$ ) واختيار تلك التي تهم حقاً فقط، فإن النتيجة النهائية هي معادلة موجزة وقابلة للقراءة البشرية.

لماذا يعد هذا أمراً كبيراً؟

إنه سريع: على عكس طريقة "محرك البحث" التي تجرب مليارات التركيبات، يتعلم Symbolic-KAN بكفاءة مثل الذكاء الاصطناعي الحديث، لكنه يجبر نفسه على البقاء بسيطاً.
إنه صادق: هو لا يتنبأ بالإجابة فحسب؛ بل يخبرك بـ القاعدة. إذا سألته: "لماذا تأرجح البندول بهذا الشكل؟" يمكنه أن يريك المعادلة الرياضية الدقيقة.
إنه "مُحدد مسبق": تخيل أنك محقق تبحث عن مشتبه به. Symbolic-KAN يشبه الفلتر الذكي الذي يقلص قائمة تضم 10,000 مشتبه به إلى 3 مشتبه بهم محتملين فقط. يمكن للعلماء بعد ذلك استخدام هذه الأدلة الثلاثة لحل بقية اللغز بشكل أسرع بكثير.

أمثلة من الواقع في الورقة البحثية

اختبر المؤلفون هذا "الطاهي الذي يصحح لنفسه" على ثلاثة أنواع من المشكلات:

الرياضيات البسيطة: نظر إلى نقاط مبعثرة على رسم بياني وأدرك فوراً: "آه، هذا مجرد قطع مكافئ ( $x^2$ )". لقد تجاهل كل المكونات المعقدة الأخرى التي لم يكن بحاجة إليها.
الأنظمة المتذبذبة: راقب كرة ترتد (متذبذب فان دير بول) واستنتج المعادلة الدقيقة التي تحكم حركتها، حتى عندما أصبحت الرياضيات غريبة باستخدام قوى غير صحيحة.
القوانين الفيزيائية: تعلم كيفية انتشار الحرارة أو تدفق المياه من خلال النظر إلى البيانات وقواعد الفيزياء، منتجاً صيغاً بسيطة تطابق الواقع المعقد تماماً.

الخلاصة

Symbolic-KAN هو جسر. إنه يربط القوة الخام للتعلم العميق (المتميز في إيجاد الأنماط) مع وضوح المنطق البشري (المتميز في فهمها). إنه يأخذ "الصندوق الأسود" ويحوله إلى صندوق زجاجي شفاف، يوضح لنا ليس فقط ماذا سيحدث، بل لماذا يحدث، بلغة يمكننا قراءتها بالفعل.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "Symbolic–KAN: Kolmogorov-Arnold Networks with Discrete Symbolic Structure for Interpretable Learning" (شبكات كولموغوروف-أرنولد ذات البنية الرمزية المنفصلة للتعلم القابل للتفسير).

1. بيان المشكلة

تواجه التعلم الآلي العلمي (SciML) مقايضة جوهرية بين القابلية للتوسع والقابلية للتفسير.

الشبكات العصبية (مثل MLPs، وKANs القياسية): تتوسع بكفاءة مع البيانات والأبعاد، لكنها تنتج تمثيلات "غامضة" يصعب تفسيرها أو استخراج القوانين الحاكمة منها.
الانحدار الرمزي الكلاسيكي (مثل الخوارزميات الجينية، وSINDy): ينتج تعبيرات تحليلية صريحة، ولكنه غالباً ما يعاني من تكاليف حوسبة عالية، وقيود في البحث التوافقي، وعدم القدرة على اكتشاف تركيبات وظيفية جديدة غير موجودة صراحة في مكتبة محددة مسبقاً.
الفجوة: تعاني الطرق الموجودة من صعوبة في الجمع بين تعلم خرائط معقدة وعالية الأبعاد من البيانات، وبين الاكتشاف التلقائي للمعادلات الرمزية المدمجة والقابلة للقراءة البشرية دون الحاجة إلى ملاءمة لاحقة (post-hoc fitting) أو مكتبات مرشحة ضخمة.

2. المنهجية: Symbolic-KAN

يقترح المؤلفون Symbolic-KAN، وهو بنية عصبية تسد هذه الفجوة عبر دمج بنية رمزية منفصلة مباشرة داخل شبكة قابلة للتدريب. يعتمد الإطار على مبرهنة تمثيل كولموغوروف-أرنولد (KART)، ولكنه يقدم تفكيكاً مبتكراً وقابلاً للتعلم.

الابتكارات المعمارية الأساسية

الإسقاطات القياسية المتعلمة: على عكس شبكات KAN القياسية التي تستخدم خرائط أحادية المتغير ثابتة الإحداثيات، تتعلم Symbolic-KAN إسقاطات قياسية ( $s_k = w^T h + b$ ) للميزات السابقة. يتيح ذلك للشبكة اكتشاف تركيبات خطية ذات مغزى للمدخلات قبل تطبيق الدوال غير الخطية.
المكتبة الأولية الديناميكية: بدلاً من الدوال الأساسية الثابتة (مثل B-splines)، تختار كل حافة في الشبكة من مكتبة متنوعة من العناصر الأولية التحليلية ( $P = \{0, 1, x, x^2, \sin, \cos, \tanh, e^x, \dots\}$ ).
آلية البوابات الهرمية: تستخدم الشبكة ثلاثة مستويات من البوابات لتحويل نموذج مزيج مستمر إلى بنية رمزية منفصلة:
1. بوابات اختيار العناصر الأولية: تستخدم Gumbel-Softmax مع معامل حرارة ( $\tau$ ) يتناقص لاختيار عنصر تحليلي واحد لكل حافة. يعمل تنظيم الإنتروبيا (Entropy regularization) على تشجيع الاختيار بنمط "one-hot".
2. أقنعة اختيار الحواف: تختار إسقاطاً قياسياً واحداً (حافة واحدة) لكل وحدة، مما يضمن الندرة (sparsity) في الاتصالات المدخلة.
3. بوابة مستوى الوحدة: تقوم بتقليم الوحدات المخفية غير النشطة لضغط البنية أكثر.
مسار التدريب:
- المرحلة الأولى (التدريب المرخي): تحسين معاملات البوابات المستمرة والاختيارات الناعمة. يتم تبريد معامل الحرارة $\tau$ تدريجياً من مرتفع إلى منخفض لجعل التوزيعات أكثر حدة.
- المرحلة الثانية (التقسية/التصلب): تحويل البوابات الناعمة إلى اختيارات "one-hot" صلبة (بنية منفصلة). يتم تنقيح المعاملات المستمرة باستخدام محسّنات من الدرجة الثانية (مثل L-BFGS).
دالة الخسارة: تجمع بين دقة البيانات (أو بقايا المعادلات التفاضلية الجزئية PDE residuals) مع حدود التنظيم الرمزي:
- خسارة الإنتروبيا: تعاقب المزائج الأولية المنتشرة.
- كبح القيم غير القصوى (NMS): يمنع الحواف المختلفة لنفس الوحدة من اختيار عناصر أولية متطابقة.
- ندرة الوحدة: تشجع على كثافة مستهدفة للوحدات النشطة.

3. المساهمات الرئيسية

إطار عمل موحد: يقدم بنية واحدة تقوم بكل من تقريب الدوال القابل للتوسع والاكتشاف الرمزي التلقائي، مما يلغي الحاجة إلى خطوات انحدار رمزي لاحقة ومنفصلة.
اكتشاف العناصر الأولية القابل للتوسع: تعمل الطريقة كـ "محدد مكتبة مسبق"، حيث تحدد العناصر التحليلية الأكثر صلة من مكتبة واسعة. يمكن لهذه العناصر المكتشفة أن تمد طرق تعلم المعادلات النادرة (مثل SINDy) لاحقاً، مما يعالج قصور SINDy الذي يتطلب معرفة مسبقة بالشكل الوظيفي.
الانتقال من المستمر إلى المنفصل: يربط بنجاح بين التحسين القابل للاشتقاق والمنطق الرمزي المنفصل من خلال تليين قابل للاشتقاق (Gumbel-Softmax) يتقارب نحو بنية رمزية صلبة.
التعلم المستنير بالفيزياء: يوسع الإطار لحل المسائل الأمامية والعكسية للمعادلات التفاضلية الجزئية (PDEs)، مما ينتج حلولاً ليست دقيقة فحسب، بل تمتلك أيضاً تمثيلات رمزية تعكس البنية التحليلية الحقيقية للمعادلات الحاكمة.

4. النتائج التجريبية

قيم المؤلفون Symbolic-KAN عبر ثلاثة نماذج:

أ. الانحدار القائم على البيانات

المهمة: استعادة الدوال متعددة المتغيرات من بيانات مبعثرة.
النتائج: نجحت في استعادة العناصر الأولية الصحيحة (مثل $x^2$ ، $\sin$ ، $\cos$ ) وتعبيرات مغلقة ومدمجة للدوال أحادية المتغير. أظهر النموذج قدرات قوية على الاستقراء (extrapolation)، محافظاً على دقته خارج نطاق التدريب.

ب. الأنظمة الديناميكية العكسية (متذبذب فان دير بول - Van der Pol Oscillator)

المهمة: تحديد المعادلات الحاكمة والمعاملات المجهولة (بما في ذلك الأسس غير الصحيحة مثل $x^{2.15}$ ) من بيانات السلاسل الزمنية.
النتائج:
- استعادة البنية الديناميكية والمعاملات ( $a, \mu, c$ ) بدقة تزيد عن 99% (خطأ أقل من 1%).
- أظهرت متانة عبر آفاق زمنية طويلة ( $T=50$ ) وكثافات بيانات متفاوتة.
- العناصر الأولية المختارة ( $\sin, \cos, x$ ) تماشت تماماً مع الطبيعة التذبذبية للنظام.

ج. التعلم المستنير بالفيزياء (PDEs)

المهام: معادلة الانتشار-التفاعل (مسألة عكسية) ومعادلة لابلاس (مسألة أمامية).
النتائج:
- الدقة: تفوق على النماذج المرجعية (cPIKAN و PINN القياسي) بشكل كبير. بالنسبة لمسألة الانتشار-التفاعل في نطاق ممتد $[-4, 4]$ ، قللت Symbolic-KAN خطأ التحقق بنسبة ~95% مقارنة بـ cPIKAn وبنسبة ~99% مقارنة بـ PINN.
- استعادة المعاملات: قدرت المعاملات (مثل معدل التفاعل $\kappa$ ) بدقة أعلى بكثير من النماذج المرجعية.
- الاكتشاف الرمزي: اختارت الشبكات "المقسّاة" عناصر أولية ( $\sin, \cos, \sinh, \cosh$ ) تطابق العائلات الوظيفية للحلول التحليلية الحقيقية، حتى دون إخبارها صراحةً بشكل الحل.

5. الأهمية والأثر

الرؤية الآلية: تنتقل Symbolic-KAN من مجرد التنبؤ "الصندوق الأسود" إلى توفير رؤية آلية، كاشفةً عن العمليات الرياضية الفعلية التي تحكم النظام.
القابلية للتوسع: توفر مساراً للتعلم القابل للتفسير يتوسع مع البيانات والأبعاد، متجاوزةً الانفجار التوافري للارتباط التقليدي بالانحدار الرمزي.
أساس لمستقبل التعلم الآلي العلمي (SciML): من خلال العمل كآلية قابلة للتوسع لاكتشاف العناصر الأولية المعلوماتية، فإنها تضع الأساس لفئة جديدة من "المحللات العصبية" التي تتميز بالمتانة والقابلية للفحص الرمزي. هذا أمر بالغ الأهمية للتطبيقات في الهندسة والفيزياء والبيولوجيا حيث يكون فهم سبب عمل النموذج لا يقل أهمية عن دقته.

باخت تختصر، تمثل Symbolic-KAN خطوة هامة للأمام في التعلم الآلي العلمي عبر توحيد التعبيرية للتعلم العميق مع شفافية الرياضيات الرمزية، مما يتيح الاكتشاف المباشر للقوانين الحاكمة من البيانات.