💻 computer science

The Amazing Stability of Flow Matching

تُظهر هذه الورقة أن نماذج مطابقة التدفق (flow-matching) تُبدي استقراراً ملحوظاً في توليد عينات عالية الجودة ومتنوعة، مع الحفاظ على تمثيلات كامنة وأداء متسق حتى عند تعرضها لعمليات تقليم كبيرة للبيانات، أو تغييرات هيكلية، أو تباينات في تكوين التدريب.

المؤلفون الأصليون: Rania Briq, Michael Kamp, Ohad Fried, Sarel Cohen, Stefan Kesselheim

نُشر 2026-04-20

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Rania Briq, Michael Kamp, Ohad Fried, Sarel Cohen, Stefan Kesselheim

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 فنان كيف يرسم صوراً شخصية (بورتريه) مثالية لوجوه البشر. عادةً، ستعتقد أنك بحاجة لأن تري الروبوت كل صورة منفردة في العالم وأن تعطيه دماغاً ضخماً وفائق التعقيد ليتعلم المهمة. إذا قمت بسحب نصف الصور أو أعطيته دماغاً أصغر، ستتوقع أن يبدأ الروبوت في رسم وجوه غريبة، مشوهة، أو مختلفة تماماً، أليس كذلك؟

هذه الورقة البحثية تقول: "ليس بهذه السرعة."

اكتشف الباحثون أن نوعاً معيناً من الذكاء الاصطناعي يسمى "مطابقة التدفق" (Flow Matching) يتمتع باستقرار عنيد للغاية. إنه يشبه طباخاً ماهراً يمكنه طهي نفس الوجبة اللذيذة تماماً حتى لو نزعت نصف المكونات من خزانة المؤن أو استبدلت سكاكينه الفاخرة بمجموعة أدوات أساسية.

إليك تفصيل لنتائجهم باستخدام تشبيهات من الحياة اليومية:

1. تشبيه "نظام الملاحة GPS" (كيف يعمل مطابقة التدفق)

فكر في "مطابقة التدفق" ليس كروبوت يحفظ الصور، بل كنظام ملاحة GPS.

الهدف: يحتاج الذكاء الاصطناعي لتوجيه "كتلة مشوشة وضبابية" (مثل التشويش على شاشة تلفاز قديم) لتصبح "وجهاً واضحاً وجميلاً".
الخريطة: يتعلم الذكاء الاصطناعي مجموعة من الاتجاهات (مجال تدفق) تخبر الضجيج بالضبط إلى أين يتجه في كل خطوة للوصول إلى وجه واضح.
الاكتشاف: وجد الباحثون أنه حتى لو غيرت الخريطة بشكل كبير (عن طريق إزالة نصف البيانات أو تغيير دماغ الذكاء الاصطناعي)، فإن مسارات الـ GPS لنفس نقطة البداية تظل متطابقة تقريباً. إذا أخبرت نظامي GPS مختلفين أن يبدآ من نفس النقطة ويتجها إلى "مدينة الوجوه"، فسيسلكان تقريباً نفس المسار ويصلان إلى نفس الوجهة، حتى لو تم تدريب أحد النظامين على خريطة أصغر.

2. تجربة "التقليم" (قطع البيانات)

حاول الباحثون "تقليم" (قص) بيانات التدريب. تخيل أن لديك مكتبة تحتوي على 10,000 صورة وجه.

القطع العشوائي: قاموا برمي 5,000 صورة بشكل عشوائي.
القطع الذكي: استخدموا الرياضيات لرمي الصور "المملة" أو "الصعبة".
النتيجة: لا يزال الذكاء الاصطناعي الذي تدرب على الـ 5,000 صورة المتبقية ينتج وجوهاً تبدو متطابقة بصرياً مع الذكاء الاصطناعي الذي تدرب على الـ 10,000 صورة كاملة.
المفاجأة: حتى عندما أزالوا "نوعاً" كاملاً من الوجوه (مثل جميع الرجال، تاركين النساء فقط)، لم يجن جنون الذكاء الاصطناعي. لقد توقف فقط عن صنع الرجال، لكن النساء اللواتي صنعهن بدوا بجودة عالية كما في السابق. الأمر يشبه خبازاً توقف عن صنع كعك الشوكولاتة، لكنه لا يزال يخبز كعك الفانيليا المثالي باستخدام نفس الوصفة.

3. "تبديل الدماغ" (تغيير البنية)

اختبروا أيضاً ما إذا كان "دماغ" الذكاء الاصطناعي (بنيته الداخلية) يهم.

قاموا باستبدال دماغ ضخم وفائق التعقيد (DiT-XL) بآخر صغير وبسيط (DiT-S).
حتى أنهم استبدلوا نوع الدماغ بالكامل بتصميم مختلف تماماً (U-Net).
النتيجة: كانت الوجوه المنتجة لا تزال متشابهة بشكل ملحوظ. الأمر كما لو أنك استبدلت محرك سيارة فيراري بمحرك سيارة هوندا سيفيك، ومع ذلك لا تزال السيارة تسير في نفس الطريق السريع وبنفس السرعة تماماً. الميزات "عالية المستوى" (مثل "هذا وجه به عينان وأنف") تم الحفاظ عليها، حتى لو تغير المحرك.

4. "المدينة المستبدلة" (مجموعات بيانات مختلفة)

في التجربة الأكثر جرأة، قاموا بتدريب الذكاء الاصطناعي على مجموعة بيانات لوجوه من مدينة واحدة (CelebA-HQ) لكنهم اختبروه بمجموعة بيانات مختلفة لوجوه من مدينة مجاورة (FFHQ).

النتيجة: لا يزال الذكوا الاصطناعي ينتج وجوهاً تبدو متشابهة جداً. هذا يشير إلى أن كل مجموعات بيانات الوجوه هذه هي مجرد أحياء مختلفة على نفس "قارة الوجوه" العملاقة. لقد تعلم الذكاء الاصطناعي الجغرافيا العامة للقارة، لذا لم يهم أي حي محدد تعلم منه في البداية.

لماذا يهم هذا؟

هذا أمر بالغ الأهمية لسببين:

توفير المال والطاقة: تدريب الذكاء الاصطناعي مكلف ويستهلك الكثير من الكهرباء. إذا علمنا أنه يمكننا رمي 50% من البيانات (أو حتى أكثر) دون إفساد الجودة، فيمكننا تدريب هذه النماذج بشكل أسرع وأرخص بكثير.
الموثوقية: يثبت هذا أن نماذج الذكاء الاصطنا هذه ليست مجرد "تحفظ" البيانات مثل الببغاء. إنها تتعلم القواعد الأساسية لكيفية إنشاء الوجوه. وهذا يجعلها أكثر قوة وموثوقية للاستخدام في العالم الحقيقي.

باختة القول: نماذج "مطابقة التدفق" تشبه الملاح الماهر. هي لا تحتاج إلى كل لافتة شارع في العالم لتصل بك إلى وجهتك. إنها تفهم التدفق العام لحركة المرور جيداً لدرجة أنه حتى لو أغلقت نصف الطرق أو غيرت السيارة، فستصل بك إلى نفس الوجه الجميل.

إليك ملخص تقني مفصل لورقة البحث "الاستقرار المذهل لمطابقة التدفق" (The Amazing Stability of Flow Matching) من إعداد Briq وآخرون.

1. بيان المشكلة

حققت النماذج التوليدية العميقة، ولا سيما نماذج مطابقة التدفق (Flow Matching - FM)، نتائج رائدة في توليد عينات عالية الجودة وتنوع كبير. ومع ذلك، فإن تدريب هذه النماذج مكلف حاسوبياً ويتطلب مجموعات بيانات ضخمة. وبينما أظهرت نماذج الانتشار (Diffusion Models) بعض الاستقرار النظري والتجريبي تحت تأثير اضطرابات البيانات (مثل التدريب على مجموعات فرعية منفصلة)، فإن استقرار نماذج مطابقة التدفق تحت ظروف مماثلة لا يزال غير مستكشف إلى حد كبير.

تتمثل الأسئلة البحثية الجوهرية في:

ما مدى قوة نماذج FM تجاه الاضطرابات الكبيرة في بيانات التدريب (مثل حذف 50% من مجموعة البيانات) وبنية النموذج؟
هل تتقارب النماذج المدربة على مجموعات فرعية مختلفة أو ببنى معمارية مختلفة نحو تمثيلات كامنة متشابهة وتولد مخرجات متشابهة بصرياً عند بدء التشغيل بنفس الضجيج العشوائي؟
هل يمكن لاستراتيجيات حذف البيانات المدروسة تحسين الأداء أو الحفاظ عليه مع تقليل التكاليف الحسابية؟

2. المنهجية

الإعداد التجريبي

بنية النموذج: يستخدم المؤلفون بنية تعتمد على المحولات (DiT) مكيفة لمطابقة التدفق (FM-DiT)، حيث يتم تدريب حقل السرعة $u_\theta(x, t)$ على طول مسارات استكمال خطية بين الضجيج الغاوسي والبيانات. كما قاموا بتجربة بنية U-Net للمقارنة المعمارية.
مجموعة البيانات: تُجرى التجارب بشكل أساسي على CelebA-HQ (4096 عينة مولدة لكل تشغيل). وتُستخدم مجموعة بيانات ثانوية، FFHQ، لاختبارات استقرار عبر مجموعات البيانات.
مقاييس التقييم:
- مسافة فريدت (FID): تقيس جودة وتنوع الصور المولدة.
- تشابه ArcFace الجيبي: يقيس التشابه الإدراكي بين الصور المولدة بواسطة نماذج مختلفة عند البدء بنفس البذرة العشوائية ( $x_0$ ). وهذا هو المقياس الأساسي لـ "الاستقرار".

استراتيجيات الاضطراب

قدم المؤلفون ثلاث فئات من الاضطرابات:

حذف البيانات (المجموعات الفرعية): تقليل مجموعة التدريب بنسبة 50% ( $p_r = 0.5$ $p_{r} = 0.5$ ) باستخدام ثلاث طرق تسجيل متميزة:
- القائم على التدرج (Grad): تدريب نموذج بديل صغير لتقدير معايير التدرج لكل عينة. يتم الاحتفاظ بالعينات ذات التدرج العالي (أو إزالتها في الحالة العكسية).
- القائم على الخسارة (Loss): يستخدم مقدار خسارة التدريب كمقياس للتسجيل.
- القائم على التجميع (Clust): يستخدم تضمينات CLIP وتجميع k-means ( $k=24$ $k = 24$ ). يتم اختيار العينات بناءً على:
  - التناسب (p): الاحتفاظ بعدم التوازن الأصلي في التوزيع.
  - التوازن (b): اختيار عدد متساوٍ من العينات من كل مجموعة (cluster).
  - المسافة: اختيار العينات الأقرب إلى مركز المجموعة (الممثلة) أو الأبعد عنها (القيم المتطرفة/الصعبة).
تبديل البيانات: التدريب على مجموعة بيانات مختلفة تماماً ولكن ضمن نفس المجال (FFHQ) مع استخدام نفس الفضاء الكامن (CelebA-HQ VAE).
التغييرات المعمارية:
- تقلص السعة: تقليل بارامترات DiT من XL (675 مليون) إلى Small (33 مليون).
- تبديل البنية: تغيير النوع من DiT إلى U-Net.

بروتوكول اختبار الاستقرار

يتم تدريب النماذج على مجموعات بيانات/بنى معمارية مضطربة. ثم يتم بدء تشغيلها باستخدام نفس البذرة العشوائية ( $x_0$ ) لتوليد الصور. وتتم مقارنة الصور الناتجة بالصور التي ولدها نموذج تم تدريبه على مجموعة البيانات الكاملة غير المحذوفة.

3. المساهمات الرئيسية

اكتشاف الاستقرار الفائق لنماذج FM: تثبت الورقة أن نماذج FM مستقرة بشكل ملحوظ. فحتى عند التدريب على مجموعات فرعية منفصلة بنسبة 50% من البيانات، تولد النما⁠ـات صوراً متطابقة بصرياً تقرياً لنفس البذرة.
إطار عمل لحذف البيانات المدروس: قام المؤلفون بتكييف واختبار ثلاث استراتيجيات حذف مدروسة (التدرج، الخسارة، التجميع) لنماذج FM، وتحليل تأثيرها على كل من جودة التوليد (FID) والاستقرار الكامن (ArcFace).
تحسين إعادة أخذ العينات القائمة على التجميع: كشفت الدراسة أن إعادة أخذ العينات المتوازنة القائمة على التجميع ( $Clust_b$ ) يمكن أن تحسن درجات FID مقارنة بمجموعة البيانات الكاملة، مما يشير إلى أن توازن البيانات أكثر أهمية من الحجم الهائل لأداء FM.
الثبات المانيفولدي (Manifold Invariance): تظهر النتائج أن مجموعات البيانات المختلفة (CelebA-HQ مقابل FFHQ) والبنى المعمارية المختلفة (DiT مقابل U-Net) تقع على نفس "المانيفولد" الأساسي عند استخدام فضاء كامن ثابت، مما يسمح لنماذج FM بتعلم مسارات متشابهة رغم التغييرات الهيكلية.

4. النتائج

الاستقرار تحت الاضطراب

المجموعات الفرعية المنفصلة: أنتجت النماذج المدربة على نصفين عشوائيين ومنفصلين من البيانات صوراً بـ تشابه ArcFace بلغ $0.69 \pm 0.12$ . بينما سجلت الأزواج غير المرتبطة $0.34$ فقط.
حذف التجميع: أدى حذف تجميع دلالي كامل (مثل جميع الوجوه "الذكورية") إلى تشابه عالٍ ($0.76$) للفئات المتبقية، مع ظهور تباعد كبير فقط في الفئة المحذوفة.
تبديل البيانات: أدى التدريب على FFHQ بدلاً من CelebA-HQ إلى تشابه ArcFace قدره $0.58 \pm 0.15$ ، مما يشير إلى أن مسارات التدفق قوية تجاه التحولات في المجال ضمن نفس النمط.
التغييرات المعمارية:
- السعة: حافظ تقليص حجم DiT على تشابه عالٍ ($0.81$).
- النوع: أدى الانتقال إلى U-Net إلى خفض التشابه إلى $0.55$، ولكن السمات العامة ظلت محفوظة، مما يشير إلى استقرار عالمي.

تأثير استراتيجيات الحذف (عند حذف 50%)

أداء FID:
- العشوائي (Random): تدهور طفيف ($25.25 $مقابل$ 24.24$).
- التدرج العالي (Grad): تغيير طفيف ($24.62$).
- التدرج المنخفض (Grad $^{-1}$ ): تدهور كبير ($29.75$)، مما يؤكد أن العينات ذات التدرج العالي ضرورية لحقل السرعة.
- الخسارة العالية (Loss): تدهور شديد ($33.92$). في FM، غالباً ما تمثل العينات ذات الخسارة العالية مناطق ذات كثافة منخفضة؛ وإجبار النموذج على ملاءمتها يربك عملية التدفق.
- الخسارة المنخفضة (Loss $^{-1}$ ): حسنت FID ($23.49$).
- التجميع المتوازن ( $Clust_b$ ): أفضل أداء ($22.80$)، متفوقة على مجموعة البيانات الكاملة.
الاستقرار (ArcFace):
- حافظت جميع طرق الحذف على تشابه عالٍ ( $>0.79$ ) مع النموذج غير المحذوف عند استخدام نفس البذرة.
- حتى الطرق التي أدت إلى تدهور FID (مثل Loss و Grad $^{-1}$ ) أنتجت صوراً متشابهة إدراكياً مع الخط المرجعي غير المحذوف، حيث اختلفَت في الجودة لا في المحتوى أو الهوية.

5. الأهمية والخاتمة

الرؤية النظرية: يشير الاستقرار إلى أن نماذج FM تتعلم حقل سرعة عالمي يتم تعديله محلياً فقط عند حذف البيانات. المسارات من نفس ضجيج البداية تتقارب نحو نهايات قريبة بغض النظر عن مجموعة التدريب، مما يعني أن "هندسة" مانيفولد البيانات يتم التقاطها بقوة حتى مع وجود بيانات شحيحة.
الآثار العملية:
- تقليل التكلفة: يمكن تدريب نماذج FM على مجموعات بيانات أصغر بكثير ومنسقة دون التضحية بالهوية الدلالية للعينات المولدة.
- كفاءة البيانات: تشير نتيجة أن إعادة أخذ العينات المتوازنة القائمة على التجميع تحسن FID إلى أن مجموعات البيانات الضخمة الحالية قد تحتوي على بيانات زائدة أو غير متوازنة تعيق تعلم التدفق الأمثل.
- الموثوقية: نماذج FM موثوقة للغاية تحت الاضطرابات، مما يجعلها مناسبة للسيناريوهات التي تكون فيها توافر البيانات محدوداً أو ديناميكياً.

باختصار، تثبت الورقة أن مطابقة التدفق تمتلك مستوى "مذهلاً" من الاستقرار، حيث تكون مسارات التدفق المتعلمة ثابتة تجاه التغييرات الهائلة في البيانات والبنية المعمارية، طالما تم تثبيت بذرة التهيئة. وهذا يتحدى الافتراض بأن مجموعات البيانات الضخمة وغير المنظمة ضرورية تماماً لنمذجة توليدية عالية الدقة.