🧬 biology

Online Generalised Predictive Coding

تقدم هذه الورقة الترميز التنبؤي العام عبر الإنترنت (ODEM)، وهو امتداد لتعظيم التوقع الديناميكي يتيح الاستدلال المتزامن عبر الإنترنت للحالات الكامنة، وتعلم معلمات النموذج، وتقدير عدم اليقين في البيئات الديناميكية من خلال الفصل بين المقاييس الزمنية، مما يثبت متانته حتى مع النماذج التوليدية غير المتطابقة أو الفوضوية.

المؤلفون الأصليون: Mehran H. Z. Bazargani, Szymon Urbas, Adeel Razi, Thomas Brendan Murphy, Karl Friston

نُشر 2026-05-05

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Mehran H. Z. Bazargani, Szymon Urbas, Adeel Razi, Thomas Brendan Murphy, Karl Friston

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أن دماغك يعمل كمحقق يحاول حل لغز في الوقت الفعلي. في كل ثانية، تصل أدلة جديدة (بيانات حسية)، ويجب على المحقق تحديث نظريته فوراً حول ما يحدث، وتعلم قواعد اللعبة، ومعرفة مدى قدرته على الثقة في حواسه الخاصة.

تقدم هذه الورقة البحثية أداة رياضية جديدة تسمى ODEM (تعظيم التوقع الديناميكي عبر الإنترنت - Online Dynamic Expectation Maximisation) تساعد الكمبيوتر على القيام بما يفعله هذا المحقق تماماً. إنها طريقة تمكن الآلة من "تخمين" الأسباب الخفية للعالم من حولها، والتعلم من أخطائها، وتعديل مستوى ثقتها، كل ذلك بينما يستمر العالم في الحركة.

إليك تفصيل لكيفية عملها، باستخدام تشبيهات بسيطة:

1. الوظائف الثلاث للمحقق (التقدير الثلاثي)

تحاول معظم برامج الكمبيوتر القيام بشيء واحد في كل مرة. أما ODEM، فيحاول القيام بثلاثة أشياء في آن واحد، وهو ما يسميه المؤلفون "التقدير الثلاثي عبر الإنترنت":

تتبع الحالة الخفية: معرفة أين توجد الأشياء الآن (مثلاً: "هل يطير ذلك الطائر جهة اليسار أم اليمين؟").
تعلم القواعد: فهم كيفية عمل العالم (مثلاً: "الطيور تطير عادة في مسار منحني، وليس في خط مستقيم").
تقدير عدم اليقين: اتخاذ قرار بشأن مدى الثقة في البيانات (مثلاً: "الجو ضبابي، لذا فإن بصري غير موثوق؛ يجب أن أعتمد أكثر على ذاكرتي حول أنماط طيران الطيور").

تجادل الورقة بأن النظام لكي يكون "عبر الإنترنت" (online) حقاً، لا يمكنه الانتظار لرؤية جميع البيانات قبل اتخاذ القرار. بل يجب عليه تقديم تخمين، وتحديثه فوراً، والمضي قدماً إلى الثانية التالية من البيانات دون النظر إلى الوراء.

2. خدعة "النعومة" (الإحداثيات المعممة)

تخيل أنك تحاول التنبؤ بمكان سيارة بعد ثانية واحدة.

الطريقة القديمة: تنظر فقط إلى مكان السيارة الآن. إذا انعطفت السيارة فجأة، فقد تتأخر في التنبؤ.
طريقة ODEM: تنظر إلى موقع السيارة، وسرعتها، وتسارعها، وحتى مدى تغير التسارع (الارتجاج/Jerk).

تسمي الورقة هذا استخدام "الإحداثيات المعممة للحركة". فكر في الأمر ككاميرا سينمائية لا تكتفي بالتقاط صورة لموقع السيارة فحسب، بل تسجل أيضاً سرعتها ومدى قوة ضغط السائق على دواسة الوقود. من خلال معرفة "نعومة" الحركة، يمكن للنظام التنبؤ بالمستقبل بشكل أفضل بكثير، حتى لو كانت السيارة تتحرك بطريقة فوضوية وغير متوقعة.

3. فخ السرعة (فصل المقاييس الزمنية)

أحد أكبر التحديات في هذا "العمل التحقيقي" هو أن بعض الأشياء تتغير بسرعة، وبعضها يتغير ببطء.

سريع: موقع جسم متحرك (يتغير كل ميلي ثانية).
بطيء: قواعد اللعبة أو مقدار الضجيج في الهواء (يتغير على مدار دقائق أو ساعات).

يستخدم ODEM خدعة ذكية تسمى فصل المقاييس الزمنية. فهو يعامل التحديثات "السريعة" (تتبع الجسم) والتحديثات "البطيئة" (تعلم القواعد) كمهمتين مختلفتين تحدثان بسرعات مختلفة.

المهمة السريعة: تُحدث باستمرار، مثل رد الفعل المنعكس.
المهمة البطيئة: تُحدث بشكل متقطع فقط، مثل تعلم عادة جديدة.

هذا يمنع النظام من الارتباك؛ فهو لا يحاول إعادة كتابة قوانين الفيزياء في كل مرة يرفرف فيها طائر بجناحيه؛ بل يقوم بتحديث القوانين فقط إذا استمر النمط لفترة طويلة.

4. الاختبار: الخريطة "الخاطئة"

لإثبات فعالية نظامهم، وضع الباحثون اختباراً صعباً.

الواقع: أنشأوا عالماً معقداً وفوضوياً باستخدام نموذج رياضي يسمى لوتكا-فولتيرا العام (تخيل أنه محاكاة لثلاثة أنواع من الحيوانات تتفاعل وتتصارع على الغذاء).
المحقق: أعطوا نظام ODEM "خريطة" مبنية على نموذج رياضي مختلف تماماً يسمى نظام لورينز (يُستخدم غالباً لمحاكاة أنماط الطقس).

عادةً، إذا حاولت التنقل في غابة باستخدام خريطة لمدينة، فستضيع. ومع ذلك، ولأن ODEM استخدم خدعة "الحركة الناعمة" (الإحداثيات المعممة) وخدعة "فخ السرعة" (فصل المقاييس الزمنية)، فقد تمكن من تتبع تحركات الحيوانات بدقة مذهلة، رغم أن خريطته الداخلية كانت خاطئة جوهرياً بشأن نوع العالم الذي يتواجد فيه.

5. النتيجة: محقق أفضل

تظهر الورقة أن ODEM يمكنه:

تتبع الحالات الخفية بدقة حتى عندما يكون العالم فوضوياً.
تعلم "القواعد" الصحيحة (المعلمات/parameters) بمرور الوقت، حتى لو بدأ بمعلومات خاطئة.
تعديل مستوى ثقته (عدم اليقين) بناءً على مدى ضجيج البيانات.

يخلص المؤلفون إلى أن هذه الطريقة تقدم وسيلة مستوحاة بيولوجياً للآلات للتعلم والتكيف في الوقت الفعلي، تماماً كما يفعل الدماغ البشري، دون الحاجة إلى التوقف وإعادة تحليل التاريخ الكامل للأحداث في كل مرة تصل فيها قطعة جديدة من البيانات.

باخت-القول: ODEM هو نظام ذكي سريع التعلم، يخمن المستقبل من خلال مراقبة كيفية تحرك الأشياء بسلاسة، ويتعلم القواعد ببطء، ويعرف متى يثق في عينيه مقابل ذاكرته — كل ذلك بينما يستمر العالم في الدوران.

ملخص تقني: الترميز التنبؤي العام عبر الإنترنت

بيان المشكلة

تتناول الورقة تحدي التقدير الثلاثي عبر الإنترنت في البيئات الديناميكية. وفي سياق الحوسبة المستوحاة من الدماغ، يتضمن ذلك القيام بثلاث مهام في وقت واحد في الوقت الفعلي مع وصول البيانات الحسية:

الاستدلال عبر الإنترنت للحالة الخفية: تقدير الحالات الديناميكية الكامنة للعالم.
تعلم المعلمات عبر الإنترنت: استنتاج المعلمات غير المعروفة للنموذج التوليدي (GM).
تقدير عدم اليقين عبر الإنترنت: تقدير دقة (مقلوب التباين) ضجيج الحالة والتحيز (الرصد).

تكمن الصعوبة الأساسية في الطبيعة الآنية (عبر الإنترنت) للمشكلة: فخلافاً للمخططات غير المتصلة (offline) التي يمكنها مراجعة السلسلة الزمنية بأكملة للوصول إلى حل، يجب على النظام الذي يعمل عبر الإنترنت معالجة كل بيان مرة واحدة فقط. لا يمكنه تحسين الحالات الداخلية أو المعلمات بشكل تكراري قبل وصول الملاحظة التالية. وهذا يستلزم مخططات حوسبية قادرة على التحديث السريع والدقيق تحت قيود زمنية صارمة، لا سيما عندما يختلف الشكل الوظيفي للعملية التوليدية (GP) الحقيقية عن النموذج المستخدم في الاستدلال.

المنهجية

الإطار النظري

يعتمد المنهج المقترح، تعظيم التوقع الديناميكي عبر الإنترنت (ODEM)، على مبدأ الطاقة الحرة (FEP) والاستدلال التبايني (VI). وهو يصيغ الإدراك كعملية تقليل لـ الطاقة الحرة التباينية (VFE)، والتي تعمل كحد أعلى لـ "سالب لوغاريتم دليل النموذج". يتم تفكيك الـ VFE إلى مصطلح دقة (ملاءمة البيانات) ومصطلح تعقيد (الحد من الانحراف عن المعتقدات السابقة)، التزاماً بمبدأ "نصل أوكام".

ولجعل الـ VFE قابلة للحساب في الديناميكيات المستمرة، يستخدم المؤلفون تقريب لابلاس (Laplace approximation)، حيث يتم تقريب التوزيع البعدي باستخدام التوزيع الطبيعي (Gaussian). يؤدي هذا إلى اختزال الـ VFE إلى مجموع أخطاء التنبؤ الموزونة بدقة.

الإحداثيات العامة للحركة (GCM)

المكون الأساسي لـ ODEM هو استخدام الإحداثيات العامة للحركة (GCM). فبدلاً من نمذجة موقع الحالات الخفية ( $x_t$ ) فقط، يستنتج النموذج متجهًا من المشتقات الزمنية من الرتب العليا (السرعة، التسارع، الارتجاج/Jerk، إلخ): $\tilde{x}_t = \{x_t, x'_t, x''_t, \dots\}$ .

يسمح هذا للنموذج بالتقاط الديناميكيات السلسة للنظام دون الحاجة إلى كثافات انتقال ذات صيغة مغلقة أو محاكاة مونت كارلو (على عكس مرشحات كالمان أو الجسيمات).
يفترض النموذج أن التقلبات العشوائية في العملية التوليدية (GP) تمتلك درجة من السلاسة، مما يخفف من فرضية عملية "وينر" القياسية.
يتم بناء الملاحظات المعممة ( $\tilde{y}_t$ ) عن طريق تقريب المشتقات من الرتب العليا للمدخلات الحسية عبر الفروق المحدودة.

فصل المقاييس الزمنية

ينفذ ODEM فصلاً حاسماً للمقاييس الزمنية، مستلهماً من نظرية "هاكن للسينيرجيتكس" (Haken's Synergetics)، لإدارة مهام التقدير الثلاث:

خطوة D السريعة (استدلال الحالة): تحدث عند كل ملاحظة. تقوم بتحديث الحالات الخفية باستمرار باستخدام التخفيض القائم على التدرج لتقليل الـ VFE، مع تنظيم بواسطة انحناء سطح الـ VFE (مخطط أوزاكي - Ozaki scheme). وهي تتبع الحالات الخارجية سريعة الحركة.
خطوة E البطيئة (تعلم المعلمات): تحدث بشكل أقل تكراراً (كل interEM ملاحظة). تقوم بتحديث معلمات النموذج ( $\theta$ ) باستخدام التدرجات المتراكمة عبر نافذة من البيانات. وهذا يعكس المقياس الزمني الأبطأ لللدونة المشبكية أو السياقات المتغيرة.
خطوة M البطيئة (تقدير عدم اليقين/الدقة): تحدث في نفس المقياس الزمني البطيء لخطوة E. تقوم بتحديث المعلمات الفائقة للدقة ( $\lambda$ ) لضجيج الحالة والتحيز. ويُفسر هذا كآلية انتباه، تعدل وزن أخطاء التنبؤ.

الخوارزمية

تكرر خوارزمية ODEM عبر الملاحظات $y_t$ :

تعميم الملاحظة إلى $\tilde{y}_t$ .
تنفيذ خطوة D: تحديث متوسط التوزيع البعدي للحالة ( $\tilde{\mu}_x$ ) باستخدام قاعدة تحديث قائمة على "الجاكوبي" (Jacobian).
تراكم التدرجات للمعلمات والدقة.
عند الفترات المحددة بـ interEM، يتم تنفيذ الخطوة E والخطوة M: تحديث المتوسطات والتباينات لتوزيعات المعلمات ( $\theta$ ) والدقة ( $\lambda$ ) باستخدام معدلات تعلم "روبنز-مونرو" (Robbins-Monro)، ثم إعادة ضبط مجمعات التدرج.

المساهمات الرئيسية

خوارزمية ODEM: تقديم نسخة عبر الإنترنت من خوارزمية تعظيم التوقع الديناميكي (DEM)، مصممة خصيصاً للتقدير الثلاثي في الأنظمة غير الخطية، والتي قد تكون فوضوية (chaotic).
تنفيذ الترميز التنبؤي العام: تطبيق برمجي بلغة بايثون ومكتبة PyTorch لـ ODEM يستخدم GCM لنمذجة الديناميكيات دون الحاجة إلى كثافات انتقال ذات صيغة مغلقة.
المتانة تجاه عدم تطابق النموذج: إثبات قدرة ODEM على تتبع الحالات الكامنة بنجاح حتى عندما يختلف الشكل الوظيفي للنموذج التوليدي (GM) جوهرياً عن العملية التوليدية (GP) (على سبيل المثال، استخدام نموذج لورينز لاستنتاج عملية "لوتكا-فولتيرا" المعممة).

النتائج التجريبية

تحقق المؤلفون من صحة ODEM باستخدام عملية توليدية (GP) من نوع "لوتكا-فولتيرا المعممة" (GLV) مع ضجيج مترابط وسلس. واختبروا نموذجين توليديين (GMs):

سيناريو التطابق (Scenario-Same): نموذج GLV (مطابق للعملية التوليدية).
سيناريو الاختلاف (Scenario-Different): نموذج لورينز (اختلاف في الشكل الوماثلي).

النتائج الرئيسية:

تأثير رتبة GCM: أدى رفع رتبة الحركة ( $k_x$ ) من 2 إلى 3 إلى تحسين أداء التتبع بشكل كبير، لا سيما في سيناريو الاختلاف. مع $k_x=2$ ، عانى نموذج لورينز من صعوبة في تتبع عملية GLV؛ ومع $k_x=3$ ، تحسن التتبع بشكل ملحوظ. في سيناريو التطابق، أدى نموذج GLV إلى أداء جيد مع كلتا الرتبتين، مما يشير إلى أن GCM أكثر أهمية عندما تختلف الافتراضات الهيكلية.
التقارب: استقرت التقديرات البعدية للمعلمات ( $\mu_\theta$ ) والدقة ( $\mu_\lambda$ ) بمرور الوقت. كما تقلصت مستويات عدم اليقين (الفترات الموثوقة) حول تقديرات المعلمات بشكل أسرع مع الرتب الأعلى للحركة.
الفعل الحر (Free Action - FA): كانت قيم FA (وهي مقياس لـ "دليل النموذج") أقل في سيناريو التطابق مقارنة بسيناريو الاختلاف. وبينما أدت الرتب الأعلى للحركة إلى تحسين الدقة، إلا أنها زادت أيضاً من التعقيد، مما أدى إلى قيم FA إجمالية متشابهة عبر الرتب المختلفة.
الحساسية لنسبة الدقة: كان الأداء حساساً للغاية لنسبة الدقة الأولية $C$ (نسبة دقة ضجيج الملاحظة المتوقعة إلى دقة ضجيج الحالة)، مما يسلط الضوء على أهمية ضبط الثقة النسبية في البيانات الحسية مقابل الديناميكيات الداخلية.

الأهمية والادعاءات

تزعم الورقة أن ODEM يقدم حلاً مستوحى بيولوجياً للاستدلال، والتعلم، وتقدير عدم اليقين عبر الإنترنت. ومن خلال فصل المقاييس الزمنية، يحاكي القدرة الدماغية على إجراء استدلال سريع للحالة (الديناميكيات العصبية السريعة) مع التكيف في الوقت نفسه مع المعلمات الأبطأ (اللدونة المشبكية) والانتباه (التعديل العصبي).

يؤكد المؤلفون أن ODEM يوفر إطاراً قابلاً للتوسع لدراسة الاستدلال التكيفي في كل من الوكلاء البيولوجيين والاصطناعيين. والأهم من ذلك، أنهم يثبتون أن الاستدلال في الإحداثيات العامة للحركة (GCM) يسمح للنموذج بتتبع الديناميكيات المعقدة وغير الخطية حتى عندما تختلف الافتراضات الهيكلية للنموذج عن العملية التوليدية الحقيقية، بشرط أن يتمكن النموذج من التقاط سلاسة الديناميكيات من خلال المشتقات من الرتب العليا. يربط هذا العمل بين الترميز التنبؤي، والاستدلال التبايني، ونمذجة الأنظمة الديناميكية عبر الإنترنت، مقدماً طريقة لا تتطلب تحسيناً دفعياً (batch optimization) أو تنعيماً استرجاعياً (retrospective smoothing).