ملخص تقني: النقل الأمثل لنيورال ريمان (Entropic Riemannian Neural Optimal Transport)

1. بيان المشكلة

تتضمن العديد من تطبيقات تعلم الآلة بيانات مدعومة على فضاءات منحنية (متعددات طيات ريمان - Riemannian manifolds) مثل الكرات ($S^2$)، مجموعات الدوران ($SO(3)$)، الوضعيات الصلبة ($SE(3)$)، والمصفوفات المتماثلة الموجبة المحددة ($SPD$). في هذه الإعدادات، تؤدي التقريبات الإقليدية القياسية إلى تشويه المسافات، والمتوسطات، ومشكلات النقل الأمثل (Optimal Transport) الناتجة عنها.

تواجه الأساليب الحالية مقايضة:

• طرق نقل متعدد الطيات (Manifold OT): تسعى غالباً لتحقيق نماذج نقل مستمرة (amortized) خارج العينة، لكنها تعاني من اختناقات حوسبية، حيث تتطلب تكرارات تحسين داخلية لكل حالة جديدة.
• التنظيم الإنتروبي (Entropic Regularization): (مثل تكرارات Sinkhorn) يجعل النقل الأمثل المنفصل قابلاً للتوسع ومستقراً عددياً، ولكنه لا يوفر بطبيعته نموذجاً مستمراً (amortized)؛ فكل زوج جديد من التوزيعات يتطلب عادةً حل مشكلة تحسين جديدة.

يعالج هذا البحث الفجوة بين النقل الأمثل الهندسي الجوهري والتقييم المستمر خارج العينة (amortized out-of-sample evaluation) والتنظيم الإنتروبي على متعددات طيات ريمان التي قد تكون غير متراصة.

2. المنهجية: Entropic RNOT

يقترح المؤلفون النقل الأمثل لنيورال ريمان الإنتروبي (Entropic RNOT)، وهو إطار عمل موحد لتعلم نموذج نقل مدرك للمتعددات ويعرف القابلية لإعادة الاستخدام.

الصيغة الجوهرية

تعتمد الطريقة على صيغة نصف الثنائية (semidual formulation) للنقل الأمثل الإنتروبي. بدلاً من تعلم خريطة نقل مباشرة، يتعلم النموذج جهد شرويدر للجانب المستهدف $g_\theta$.

• التمثيل البارامتري: يتم تمثيل الجهد عبر سحب نيورالي (neural pullback). تقوم دالة ميزة مستمرة $\phi: K_\nu \to \mathbb{R}^n$ (حيث $K_\nu$ هو دعم التوزيع المستهدف) بنقل نقاط المتعدد إلى الفضاء الإقليدي. ويتم تركيب شبكة عصبية إقليدية $a_\theta$ مع $\phi$ لتشكيل فئة الفرضيات.
• التمركز (Centering): بما أن جهود شرويدر قابلة للتمييز فقط حتى ثابت مضاف، يستخدم النموذج فئة سحب ممركزة $C_\nu(\phi^* \mathcal{F})$ لضمان الوحدانية.
• التحسين: يتم تدريب النموذج عن طريق تعظيم هدف نصف الثنائية $J_\varepsilon(g_\theta)$ باستخدام صعود التدرج العشوائي على دفعات صغيرة (minibatches). ويتم استرداد جهد جانب المصدر $f^\varepsilon_\theta$ عبر تحويل $c$-الناعم (عملية log-sum-exp) لجهد الهدف المتعلم.

بدائل النقل الجوهرية

بمجرد استخراج الاقتران جيبس (Gibbs coupling) $\pi^\varepsilon_\theta$ بواسطة الجهود المتعلمة، يستخرج البحث بدائل نقل حتمية مناسبة لمختلف هندسات المتعددات:

1. الإسقاطات البارسينترية (Barycentric Projections): في متعددات كارتان-هادامارد (Cartan–Hadamard manifolds) (المكتملة، البسيطة الاتصال، وذات الانحناء غير الموجب)، تحدد القوانين الشرطية خريطة نقل حتمية عبر المركز البارسينتري ريمان (المتوسط الفريشيه).
2. البدائل الممهدة بالحرارة (Heat-Smoothed Surrogates): في المتعددات المكتملة استاتيكياً (stochastically complete manifolds) (وهي فئة أوسع تشمل المتعددات المتراصة، الفضاءات الإقليدية، وحواصل الضرب مثل $SE(3)$)، تطبق الطريقة تنعيماً حرارياً للقوانين الشرطية للهدف. يحول هذا الإجراء التوزيعات الشرطية التي قد تكون ذرية (من العينات المحدودة) إلى توزيعات مطلقة الاستمرار. ومن ثم يتم اشتقاق التنبؤ بالنقطة (النمط/mode) من هذا الكثافة الممهدة.

3. المساهمات الرئيسية

يقدم البحث ثلاث مساهمات رئيسية:

1. تقديم إطار العمل: يعد Entropic RNOT أول إطار عمل عصبي جوهري للنقل الأمثل الإنتروبي الساكن على متعددات ريمان يجمع بين صيغة نصف الثنائية والتقييم المستمر خارج العينة.
2. الضمانات النظرية: بالنسبة لمعلمة تنظيم ثابتة $\varepsilon > 0$، يثبت المؤلفون أن فئة الفرضيات المقترحة يمكنها استعادة الاقتران الأمثل الإنتروبي في المقاييس الاحتمالية القوية (تباعد KL، التباين الكلي، والتقارب الضعيف). وبناءً على ذلك:
   • تستقر البدائل البارسينترية في $L^2(\mu)$ على متعددات كارتان-هادامارد.
   • البدائل الممهدة بالحرارة تكون مستقرة عند أي زمن حرارة ثابت $t > 0$ وتكون غير منحازة تقاربياً عندما $t \to 0$.
   • هذه الضمانات تسري على البيانات ذات الدعم المتراص على متعددات قد تكون غير متراصة.
3. التحقق التجريبي: أظهرت الطريقة جودة نقل قوية عبر هندسات متنوعة ($S^2, SO(3), SPD(3), SE(3), H^2$)، متفوقة على جميع النماذج المرجعية في الفضاء الإقليدي المحيط، وفضاء المماس، ونموذج لوغاريتمي-إقليدي (log-Euclidean). كما أنها تتوسع بشكل جيد من حيث الذاكرة والوقت مقارنة بـ Sinkhorn المنفصل للمتعددات وتحقق تحسينات كبيرة في تطبيق واقعي لربط البروتين واللجين (protein–ligand docking).

4. النتائج التجريبية

الاختبارات القياسية الاصطناعية

تم التقييم على $S^2, SO(3), SPD(3), SE(3),$ و $H^2$ باستخدام توزيعات طبيعية ملفوفة (wrapped normal distributions).

• الدقة: يستعيد Entropic RNOT خطة مرجع Sinkhorn للمتعدد المنفصل بدقة أكبر باستمرار من جميع النماذج المرجعية، مع ملاحظة أكبر المكاسب في $SPD(3)$ و $SE(3)$ و $H^2$ حيث تكون الهندسة الجوهرية بالغة الأهمية.
• المقاييس: يحقق تباعد KL للمخطط (Plan KL divergence) وأخطاء المسافة الجيوديسية عند النهايات أقل بكثير مقارنة بالطرق الإقليدية المحيطة وطرق الخطية في فضاء المماس.

القابلية للتوسع

• التعقيد: يتطلب Sinkhorn المنفصل للمتعدد بصمة ذاكرة قدرها $O(N^2)$ لمصفوفة التكلفة، مما يجعله غير عملي لأحجام دعم كبيرة (مثلاً $N=32,768$).
• الأداء: يظل وقت تدريب Entropic RNOT واستخدام الذاكرة ثابتاً بالنسبة لحجم الدعم $N$ (يعتمد فقط على حجم الدفعة/batch size). كما يتوسع إنتاجية الاستدلال خطياً مع $N$، مما يسمح بمعالجة ملايين العينات في الثانية.

تطبيق واقعي: ربط البروتين واللجين (Protein–Ligand Docking)

طُبقت الطريقة لتحسين الوضعيات الصلبة على $SE(3)$ لربط البروتين واللجين باستخدام مجموعة بيانات CrossDocked2020.

• الإعداد: تم تدريب نموذج واحد على مركبات مجمعة لتحسين وضعيات الربط المحتجزة نحو حوض الارتباط الأعلى تصنيفاً لمحرك الربط. لم تُستخدم أي هياكل بلورية أثناء التدريب أو الاستدلال.
• النتائج:
  • تقليل جذر متوسط مربع الخطأ (RMSD) من القمة الأولى من 11.24 Å (بدون تحسين) إلى 3.47 Å.
  • تحسين معدل النجاح ضمن نطاق 2 Å من 10.3% إلى 75.9%.
  • تفوق على كل من التخفيض القائم على الفيزياء (GNINA) وSinkhorn المنفصل لكل حالة (الذي فشل بسبب مجموعات الأهداف الصغيرة لكل مركب).

5. الأهمية والقيود

الأهمية:
يدعي البحث أنه يقدم أول إطار عمل عصبي جوهري يوحد قابلية التوسع للتنظيم الإنتروبي مع قدرات التعميم للنقل العصبي المستمر (amortized) على المتعددات. إنه يقدم حلاً عملياً لمهام النقل عالية الأبعاد وغير الإقليدية حيث تكون الطرق المنفصلة مكلفة حوسبياً للغاية.

القيود (كما ذكرها المؤلفون):

• النطاق النظري: تم وضع الضمانات النظرية لـ $\varepsilon > 0$ ثابت ودعم متراص؛ ولم يتم تناول نظام تلاشي التنظيم ($\varepsilon \to 0$).
• القيود الهندسية: تتطلب استعادة الخريطة البارسينترية إعدادات كارتان-هادامارد؛ وخارج هذا الإعداد، قد تكون المراكز البارسينترية غير فريدة أو غير مستقرة.
• خصوصية التطبيق: في تجربة الربط، تعمل الطريقة كإجراء تحسين/إزالة ضجيج للوضعيات الموجودة بدلاً من كونها نموذجاً توليدياً من الصفر. وهي حالياً تتجاهل سياق جيب المستقبل وتتعامل مع اللجينات كأجسام صلبة، متجاهلة المرونة الالتوائية.
• الاعتماديات الحوسبية: يعتمد الأداء على التقييم الفعال للمسافة الجيوديسية وحسابات log-sum-exp المستقرة.