Learning Ergodic Dynamical Systems from a Finite Trajectory

تخيل أنك تحاول التنبؤ بمستقبل نظام فوضوي، مثل الطقس، أو سوق الأسهم، أو حتى الكلمة التالية في رسالة نصية. في عالم العلوم، يُسمى هذا تعلم "نظام ديناميكي". عادةً، عندما يحاول العلماء تعلم هذه الأنماط، فإنهم يعتمدون على قاعدة ذهبية في الإحصاء: يجب أن تكون نقاط البيانات مستقلة. فكر في الأمر كرمي قطعة نقدية؛ إذا ظهر الوجه المكتوب عليها "صورة"، فإن ذلك لا يغير احتمالية ظهور "كتابة" في الرمية التالية. كل رمية هي بداية جديدة. لكن العالم الحقيقي نادراً ما يعمل بهذه الطريقة. في النظام الديناميكي، تعتمد الحالة التالية بالكامل على الحالة الحالية. إذا كانت تمطر اليوم، فمن المرجح أن تمطر غداً. البيانات هي سلسلة من الأحداث، خيط واحد مستمر لا ينقطع، حيث كل عقدة مرتبطة بالعقدة التي سبقتها.

هذا هو اللغز المعقد الذي تعالجه هذه الورقة البحثية: كيف تتعلم قواعد نظام ما عندما لا تملك سوى قصة واحدة طويلة ومستمرة، وكل جملة فيها تعتمد على التي سبقتها؟ يركز المؤلفون على الأنظمة "الإرغودية" (ergodic). وباللغة البسيطة، النظام الإرغودي هو نظام إذا راقبته لفترة كافية، فسوف يزور في النهاية كل حالة ممكنة يمكن أن يكون فيها، والوقت الذي يقضيه في كل حالة يتوافق مع الاحتمالية طويلة المدى للتواجد هناك. إنه يشبه شخصاً مخموراً يتجول في حديقة؛ إذا راقبته لفترة كافية، فسوف يطأ في النهاية كل بقعة عشب، وستخبرك المدة التي يمكث فيها في أي بقعة معينة بمدى حبه لذلك المكان. تسأل الورقة: هل يمكننا بناء بلورة سحرية موثوقة لمثل هذا النظام باستخدام مجرد واحدة من هذه المسيرات الطويلة والمتعرجة؟

تتعمق الورقة التي تحمل عنوان "تعلم الأنظمة الديناميكية الإرغودية من مسار محدود" في هذه المشكلة من خلال التعامل مع النظام كـ "عملية ماركوف" (Markov process). فكر في عملية ماركوف كأنها لعبة "اتبع القائد"، حيث تعتمد الحركة التالية للقائد فقط على مكان وقوفه الآن، وليس على أين كان قبل خمس دقائق. يقترح المؤلفون طريقة تسمى "المربعات الصغرى غير الخطية" لتخمين قواعد هذه اللعبة. تخيل أنك تحاول تخمين الحركة التالية لراقص؛ تشاهده لفترة، تسجل حركاته، ثم تحاول رسم خط (أو منحنى) يتنبأ بأفضل طريقة لمكانه في الخطوة التالية. يوضح المؤلفون أنه على الرغم من أن البيانات "لزجة" (أي تعتمد على الماضي) وأنك تملك تسجيلاً واحداً طويلاً فقط، إلا أنه لا يزال بإمكانك تقديم تنبؤات جيدة جداً. إنهم يثبتون رياضياً أن طريقتهم تعمل، بشرط أن يكون النظام "إرغودياً" ويختلط جيداً (بمعنى أنه لا يعلق في زاوية ما إلى الأبد). كما يوضحون كيف يمكن ترقية هذه الطريقة للتعامل مع مواقف أكثر تعقيداً، مثل التنبؤ بعدة أرقام في وقت واحد، أو الأنظمة التي تتذكر الخطوات القليلة الماضية، وحتى "عامل كوبمان" (Koopman operator)، وهو أداة رياضية متطورة تصف كيفية تطور النظام بأكره عبر الزمن. والنتيجة هي مجموعة من الضمانات التي تخبرنا بمدى دقة تنبؤاتنا، اعتماداً على طول التسجيل الواحد ومدى "فوضوية" أو "لزوجة" سلوك النظام.

قصة المسار الواحد

يبدأ المؤلفون بوضع المشهد بفكرة بسيطة ولكنها قوية: بدلاً من محاولة جمع آلاف اللقطات المنفصلة والمستقلة لنظام ما (وهو أمر مستحيل غالباً)، فإنهم يركزون على التعلم من فيلم واحد مستمر لحياة النظام. يسمون هذا "مساراً محدوداً" (finite trajectory). في العالم الحقيقي، غالباً ما يكون لدينا تاريخ واحد فقط لدراسته — مثل انهيار واحد لسوق الأسهم أو موسم واحد لفريق رياضي. تجادل الورقة بأننا نستطيع تعلم قواعد اللعبة من هذا التاريخ الواحد، ولكن علينا توخي الحذر لأن البيانات ليست مستقلة.

لإنجاح ذلك، يعتمد المؤلفون على مفهوم يسمى "الإرغودية الهندسية المنتظمة" (uniform geometric ergodicity). هذا مصطلح معقد، ولكن فكر فيه كمقياس لمدى سرعة نسيان النظام لماضيه. إذا كان النظام "إرغودياً هندسياً منتظماً"، فهذا يعني أنه بغض النظر عن المكان الذي تبدأ منه النظام، فإنه سيستقر بسرعة في نمط مستقر من السلوك. إنه يشبه "البلبل" (spinning top)؛ مهما قمت بلفه، فإنه يستقر في النهاية في تمايل ثابت. يثبت المؤلفون أنه إذا تصرف النظام بهذا الشكل، فإن "ذاكرة" نقطة البداية تتلاشى بسرعة كافية بحيث يمكننا معاملة المتوسط طويل المدى للبيانات كدليل موثوق على الطبيعة الحقيقية للنظام.

جوهر عملهم هو طريقة تسمى "المربعات الصغرى غير الخطية". تخيل أنك تحاول تعليم روبوت التنبؤ بالخطوة التالية لرقصة ما. تعرض على الروبوت فيديو للرقصة (المسار). يحاول الروبوت تخمين الحركة التالية بناءً على الوضعية الحالية. جزء "المربعات الصغرى" يعني أن الروبوت يحاول تقليل إجمالي الخطأ بين تخميناته والحركات الفعلية التي يراها. يوضح المؤلفون أنه على الرغم من أن الروبوت يتعلم من فيديو واحد متصل حيث ترتبط كل إطار بالذي يليه، إلا أنه لا يزال بإمكانه تعلم الرقصة بشكل ممتاز إذا كان الفيديو طويلاً وكان النظام إرغودياً.

لقد استنتجوا "ضمانات عالية الاحتمالية". وهذا يعني أنهم لا يكتفون بالقول "إنها تعمل"؛ بل يحسبون بالضبط مدى احتمالية نجاحها ومدى قرب التنبؤ من الحقيقة. وجدوا أن الدقة تعتمد على شيئين رئيسيين: طول المسار (المزيد من البيانات أفضل) ومدى "لزوجة" النظام (مدى سرعة نسيانه لماضيه). إذا كان النظام ينسى ماضيه بسرعة (إرغودية عالية)، فإن التعلم يكون سريعاً. وإذا كان يتمسك بماضيه لفترة طويلة (إرغودية منخفضة)، فستحتاج إلى فيديو أطول بكثير للحصول على نفس المستوى من الدقة.

ما وراء الأساسيات

لا تتوقف الورقة عند التنبؤات البسيطة ذات الرقم الواحد. يوضح المؤلفون أن طريقتهم مرنة بما يكفي للتعامل مع سيناريوهات أكثر تعقيداً:

• الحالات ذات القيم المتجهة (Vector-Valued States): بدلاً من التنبؤ برقم واحد فقط (مثل درجة الحرارة)، قد يحتاج النظام إلى التنبؤ بمتجه كامل من الأرقام (مثل درجة الحرارة، والرطوبة، وسرعة الرياح جميعاً في وقت واحد). يوضح المؤلفون أن رياضياتهم تعمل بنفس الكفاءة لهذه التنبؤات متعددة الأبعاد، حيث تعامل المتجه بأكمله ككائن واحد في فضاء عالي الأبعاد.
• الأنظمة من الرتب العليا (Higher-Order Systems): أحياناً، لا تعتمد الخطوة التالية فقط على الخطوة الحالية، بل على الخطوات القليلة الماضية أيضاً. فكر في السيارة: موقعها التالي يعتمد على مكانها الحالي وعلى سرعتها في اللحظة الماضية. يوضح المؤلفون كيفية "رفع" هذه الأنظمة من الرتب العليا إلى تنسيق جديد حيث تبدو كأنها أنظمة بسيطة من الرتبة الأولى، مما يسمح لطريقتهم بالعمل عليها أيضاً.
• فضاءات الحالة المحدودة (Finite-State Spaces): ماذا لو كان النظام يمكن أن يكون في حالات محددة فقط، مثل لعبة لوحية حيث يمكنك التواجد فقط في المربعات من 1 إلى 100؟ قام المؤلفون بتكييف طريقتهم لهذا الإعداد، موضحين أنها ترتبط بشكل جيد بمسائل مثل التنبؤ بالكلمة التالية في جملة (حيث "الحالات" هي الكلمات). لقد استخدموا حيلة ذكية تسمى "نهج المربعات الصغرى البديلة"، والتي تحول مشكلة التنبؤ بحالة معينة إلى مشكلة التنبؤ بمتجه من الاحتمالات، مما يجعل حلها أسهل.
• عوامل كوبمان (Koopman Operators): أخيراً، يتناول المؤلفون "عامل كوبمان". إذا كانت الطرق السابقة تتعلق بالتنبؤ بالخطوة التالية، فإن عامل كوبمان يتعلق بالتنبؤ بالتطور المستقبلي الكامل لأي خاصية ملحوظة في النظام. إنه يشبه امتلاك مفتاح رئيسي يمكنه فتح المستقبل السلوكي لأي جانب من جوانب النظام، وليس فقط الموقع. يوضحون أن طريقة المربعات الصغرى الخاصة بهم هي في الواقع وسيلة لتعلم هذا المفتاح الرئيسي، مع تقديم ضمانات حول مدى ملاءمة المفتاح للقفل.

الخلاصة

تخلص الورقة إلى أن التعلم من مسار واحد محدود ليس ممكناً فحسب، بل يمكن القيام به بضمانات رياضية صارمة، بشرط أن يكون النظام إرغودياً. يقدم المؤلفون مجموعة أدوات للقيام بذلك، كاملة بالصيغ التي تخبرك بمقدار البيانات التي تحتاجها ومدى دقة تنبؤاتك. ويؤكدون أنه بينما تكون البيانات معتمدة (غير مستقلة)، فإن طبيعة "النسيان" في الأنظمة الإرغودية تسمح لنا بالتغلب على هذا التحدي. لقد تم إثبات النتائج رياضياً، وليس مجرد تخمين أو محاكاة، مما يمنحنا أساساً متيناً لفهم وتوقع الأنظمة المعقدة في العالم الحقيقي من تاريخ واحد. تترك الورقة الباب مفتوحاً للعمل المستقبلي، مشيرة إلى أنه بينما ركزوا على معايير وإعدادات محددة، يمكن توسيع الأفكار الجوهرية لتشمل سيناريوهات أكثر تعقيداً، ولكن في الوقت الحالي، فقد أرسوا بقوة فكرة أن قصة واحدة تكفي لتعلم قواعد اللعبة.