🤖 machine learning

Quotient Tree Arithmetic: Deferred-Division Computation with Bounded Symbolic Depth and Cross-Subtree Cancellation

تقدم هذه الورقة "حساب شجرة خارج القسمة" (Quotient Tree Arithmetic - QTA)، وهو إطار حوسبي يمثل القيم كأزواج خارج قسمة مؤجلة لتحقيق حسابات نسبية دقيقة، وعمق رمزي محدود، وإلغاء متبادل عبر الأشجار الفرعية، مما يقلل بشكل كبير من الأخطاء العددية والأعباء الإضافية على الذاكرة أثناء تدريب تعلم الآلة مع ربط نظرية التوطين الجبري بالحسابات الأصلية لمعيار IEEE.

المؤلفون الأصليون: Gregory Magarshak

نُشر 2026-07-28

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Gregory Magarshak

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 قياس العالم بمسطرة بها عيب صغير غير مرئي. لعقود من الزمن، استخدم العلماء ومبرمجو الكمبيوتر أداة قياس قياسية تسمى "الحساب بنقطة عائمة" (floating-point arithmetic) لإجراء العمليات الحسابية على الحواسيب. إنها سريعة للغاية وتعمل في كل شيء تقريبًا، من حساب مسارات الصواريخ إلى تدريب الذكاء الاصطناعي الذي يرشح لك أغنيتك المفضلة التالية. لكن بها خللاً شهيرًا ومزعجًا: فهي لا تستطيع التعامل مع أرقام معينة بسيطة بشكل مثالي. إذا طلبت من الكمبيوتر جمع 0.1 و 0.2، فلن يعطيك 0.3 بالضبط؛ بل سيعطيك 0.30000000000000004. الأمر يشبه محاولة تقطيع بيتزا إلى شرائح مثالية باستخدام سكين ثلم؛ في النهاية، تتراكم الفتات وتصبح شرائحك غير متساوية. هذا الخطأ الضئيل يمكن أن يسبب مشا كبيرة، مثل جعل الذكاء الاصطناعي يرتبك لأن حساباته الداخلية تبتعد عن المسار الصحيح، أو جعل نظام مالي يفقد تتبع قرش واحد.

لإصلاح ذلك، يستخدم الناس عادةً أدوات "عشرية" خاصة تكون أبطأ، أو يستخدمون رياضيات "رمزية" دقيقة للغاية ولكنها ثقيلة وبطيئة جدًا، مثل محاولة حمل مكتبة في حقيبة ظهرك فقط لشراء قهوة. السؤال الكبير كان دائمًا: هل يمكننا الحصول على سرعة المسطرة السريعة والمعيبة ودقة المسطرة الثقيلة والبطيئة في آن واحد؟ هذا هو اللغز الذي يحاول بحث جديد لـ غريغوري ماغارش (Gregory Magarshak) حله. هو يقترح خدعة ذكية تحول رياضيات الكمبيوتر القياسية إلى نظام من الكسور المثالية، مما يحافظ على سرعة الأجهزة مع القضاء على الأخطاء الصغيرة التي تتسلل عادةً.

يقدم البحث نظامًا يسمى "حساب الزوج النسبي" (Rational Pair Arithmetic - RPA). بدلاً من تخزين رقم مثل 0.3 ككسر عشري واحد غير دقيق، يقوم الكمبيوتر بتخزينه كزوج من الأعداد الصحيحة: بسط (3) ومقام (10). فكر في الأمر كأنك تحتفظ بوصفة كـ "3 أكواب من الدقيق مقسومة على 10" بدلاً من كتابة "0.3 أكواب". السحر يحدث لأن الحواسيب الحديثة جيدة جدًا في التعامل مع الأعداد الصحيحة بشكل مثالي، طالما أنها ليست ضخمة جدًا. يشير البحث إلى أن الحواسيب يمكنها التعامل مع أي عدد صحيح يصل إلى حوالي 9 كوادريليون ( $9 \times 10^{15}$ ) دون ارتكاب خطأ واحد. وبما أن معظم القياسات في العالم الحقيقي (مثل المال، إحداثيات GPS، أو البيانات العلمية) تتسع بوضوح داخل هذا النطاق الضخم، يمكن للكمبيوتر إجراء كل حساباته باستخدام أزواج الأعداد الصحيحة المثالية هذه.

يعمل النظام عن طريق تأجيل القسمة النهائية. عندما تجمع أو تضرب هذه الأزواج، يقوم الكمبيوتر بإجراء العمليات الحسابية على الأرقام العلوية والسفلية بشكل منفصل، محتفظًا بالكسر "غير مبسط" حتى يحتاج تمامًا لإظهار النتيجة العشرية. وللحفاظ على الأرقام من أن تصبح كبيرة وفوضوية، يتضمن النظام خطوة "تنظيف". تخيل أن لديك كسرًا مثل 6/10؛ خطوة التنظيف تقوم فورًا بتبسيط 6/10 إلى 3/5 عن طريق قسمة كليهما على العامل المشترك الأكبر. يقترح البحث أن تحتوي رقائق الكمبيوتر على زر خاص فائق السرعة للقيام بعملية التنظيف هذه فورًا، مما يجعل العملية بأكملها سريعة تقريبًا مثل الرياضيات القياسية المعيبة.

الأمر الأكثر روعة هو أن البحث يظهر أن هذه الأزواج يمكن تكديسها داخل بعضها البعض، مثل دمى الماتريوشكا الروسية. يمكنك الحصول على كسر يكون فيه البسط أو المقام هو نفسه كسر آخر. هذا يخلق "شجرة" من الرياضيات يمكن للكمبيوتر الاحتفاظ بها في ذاكرته دون حساب النتيجة النهائية على الفور. هذا يغير قواعد اللعبة في التعلم العميق (نوع الذكاء الاصطناعي الذي يشغل السيارات ذاتية القيادة وروبوتات الدردشة). في أنظمة الذكاء الاصطناعي هذه، هناك مشكلة شائعة وهي "تلاشي التدرج" (vanishing gradient)، حيث تصبح الرياضيات صغيرة جدًا بعد طبقات عديدة من الحسابات لدرجة أنها تختفي فعليًا، مما يؤدي لتوقف الذكاء الاصطناعي عن التعلم. يثبت البحث أنه نظرًا لأن هذا النظام يستخدم أعدادًا صحيحة دقيقة، فإن الرياضيات لا يمكن أن تتقلص بالخطأ إلى الصفر إلا إذا كانت صفرًا حقًا. إنه يشبه امتلاك سلم لا يفقد درجاته أبدًا، مهما ارتفعت عليه.

يوضح المؤلفون أيضًا أن هذه الطريقة تجعل نتائج الكمبيوتر قابلة للتنبؤ تمامًا. حاليًا، إذا قمت بتشغيل نفس تدريب الذكاء الاصطناعي على نوعين مختلفين من بطاقات الرسوميات، فقد تحصل على نتائج مختلفة قليلاً بسبب كيفية تعاملها مع أخطاء التقريب. مع هذا النظام الجديد، إذا اتبعت نفس الخطوات، ستحصل على نفس الإجابة تمامًا، على أي جهاز. لا يدعي البحث أنه حل سحري لكل شيء؛ فهو يعترف بأنه بالنسبة لسلاسل طويلة جدًا من الضرب دون خطوة "التنظيف"، يمكن أن تصبح الأرقام كبيرة جدًا بحيث لا يستطيع الكمبيوتر التعامل معها. ولكن لمعظم الاستخدامات العملية، يقترح طريقة لجعل الحوسبة العلمية وتدريب الذكاء الاصطناعي دقيقًا، مستقرًا، وقابلاً للتكرار دون التضحية بالكثير من السرعة. إنه اقتراح لترقية الأساس الذي تقوم عليه رياضيات الكمبيوتر، وتحويل نظام يعتمد على التخمين إلى نظام يعرف اليقين.

ملخص تقني: حساب أشجار النسب (QTA)

بيان المشكلة

تعاني الحسابات بنظام الفاصلة العائمة (IEEE 754)، وهي المعيار المستخدم في الحوسبة العلمية والتعلم الآلي لعقود، من قيود جوهرية:

التمثيل غير الدقيق: القيم العشرية الشائعة (مثل 0.1) لا يمكن تمثيلها بدقة، مما يؤدي إلى أخطاء مثل $0.1 + 0.2 \neq 0.3$ .
التلاشي والانهيار (Underflow and Vanishing Gradients): القيم الضئيلة جداً تؤول إلى الصفر، مما يسبب مشكلة تلاشي التدرج في الشبكات العصبية العميقة حيث تنهار نواتج التدرجات إلى الصفر.
عدم الحتمية: تختلف النتائج باختلاف الأجهزة، وإصدارات المترجمات (Compilers)، وترتيب المعاملات بسبب أوضاع التقريب وتوفر خاصية الضرب والجمع المدمج (FMA).
استدلالات المقارنة: تتطلب عمليات التحقق من التساوي استخدام هوامش سماحية ( $\epsilon$ ) تعسفية، وهي غير موثوقة.

تفرض الحلول الحالية، مثل مكتبات الدقة العالية (GMP, Decimal)، تكاليف أداء باهظة، بينما تضحي تقنيات التكميم (Quantization مثل INT8 وFP8) بالدقة وتدخل أخطاءً منهجية.

المنهجية

تقترح الورقة حساب الأزواج النسبية (RPA) وامتداده، حساب أشجار النسب (QTA)، كإطار عمل موحد للحوسبة الدقيقة وشبه الدقيقة.

1. حساب الأزواج النسبية (RPA)

تعتمد الرؤية الجوهرية على نافذة الدقة الصحيحة لـ IEEE 754: تمثل الأعداد العائمة ذات الدقة المزدوجة (double-precision) جميع الأعداد الصحيحة في النطاق $(-2^{53}, 2^{53})$ بدقة تامة.

التمثيل: تُخزن الكميات ذات القيم الحقيقية كأزواج مرتبة $(n, d)$ من أعداد IEEE المزدوجة، والتي تُعامل حصرياً كأعداد صحيحة. القيمة هي $n/d$ ، ويتم تقييمها بشكل كسول (lazily).
الحساب: تُجرى العمليات على المكونات الصحيحة:
- $(a, b) + (c, d) = (ad + bc, bd)$
- $(a, b) \times (c, d) = (ac, bd)$
- تتم المقارنة عبر الضرب التبادلي ($ad < bc$).
الدقة: طالما أن $|n|, |d| < 2^{53}$ ، فإن جميع الحسابات تكون دقيقة دون الحاجة لمكتبات متعددة الدقة. وهذا يغطي المجالات العملية مثل العملات (حتى $\approx \$ 90$ مليار بالسنت) والقياسات العلمية.

2. عملية التنظيف (Cleanup Operation)

لمنع نمو قيم البسط والمقام بشكل غير محدود (مما قد يتجاوز نافذة الـ $2^{53}$ )، يستخدم النظام عملية التنظيف:

الآلية: قسمة كل من $n$ و $d$ على القاسم المشترك الأكبر $\gcd(|n|, |d|)$ .
مقترح الأجهزة: تقترح الورقة تعليمات SIMD جديدة، وهي RatCleanup، للقيام باختزال القاسم المشترك الأكبر المتجه (vectorized GCD reduction)، مما يجعل RPA منافساً في معدل الإنتاجية (throughput) لأرقام الفاصلة العائمة أحادية الدقة.
الإلغاء المتتبع: بالنسبة للحسابات المهيكلة (مثل المقام الثابت في العملات)، يمكن للمترجم إلغاء العوامل دون الحاجة لخوارزمية GCD كاملة، مما يقلل التكلفة إلى $O(1)$ .

3. حساب أشجار النسب (RPA المتداخل)

يمتد الإطار ليشمل الأزواج النسبية المتداخلة، حيث يمكن أن تكون البسوط أو المقامات نفسها أزواجاً نسبية، مما يشكل شجرة تعبير رمزية.

التقييم المؤجل: يتم الحفاظ على التعبيرات كأشجار. ويؤجل التقييم (التحويل إلى زوج واحد) حتى يُطلب صراحةً الحصول على نتيجة فاصلة عائمة ملموسة.
العمق المحدود: يثبت المبرهنة 4.2 أن عمق الشجرة ينمو بمقدار 1 كحد أقصى لكل عملية حسابية ( $O(m)$ إجمالي الحجم لـ $m$ من العمليات)، مما يتجنب الانفجار التجميعي ( $O(2^m)$ ) الذي تشهده أنظمة الجبر الرمزي العامة.
الإلغاء المتبادل: تثبت المبرهنة 4.3 أن العوامل المشتركة التي تظهر في كل من أشجار البسط والمقام الفرعية يمكن إلغاؤها رمزياً قبل إجراء أي عملية قسمة. وينطبق هذا حتى على القيم المتسامية (مثل $e^x$ ) إذا كانت متساوية مرجعياً.

المساهمات الرئيسية

التعريف الرسمي لـ RPA: استغلال نافذة الدقة الصحيحة لـ IEEE لإنشاء نوع نسبي ثابت العرض ومعزز عتادياً.
بدائية التنظيف: تعليمات مقترحة للأجهزة (RatCleanup) وإثبات نظري بأنها تحافظ على القيم ضمن نافذة الدقة، مما يضمن الدقة باستمرار.
جبر الأزواج النسبية المتداخلة: معالجة رسمية للتداخل الرمزي مع براهين على نمو العمق المحدود، والتبسيط في $O(k)$ خطوة، ومبرهنات الإلغاء المتبادل.
مبرهنات الاستقرار:
- الاستقرار المؤجل: يقلل التقييم المؤجل خطأ التقريب من $O(m)$ ULPs (التقييم الفوري) إلى $O(1)$ ULPs.
- استحالة تلاشي التدرج (المبرهنة 8.1): في ظل وجود RPA مع عملية التنظيف، يستحيل هيكلياً أن يكون حاصل ضرب أزواج نسبية غير صفرية مساوياً للصفر. وهذا يلغي تلاشي التدرج في الحسابات.
الحتمية عبر الأجهزة: بالنظر إلى ترتيب حسابي ثابت، تكون نتائج RPA مستقلة عن أوضاع التقريب في الأجهزة، أو توفر FMA، أو إصدارات التعريفات (drivers).

النتائج والادعاءات

تقدم الورقة براهين نظرية وتقديرات تحليلية بدلاً من الاختبارات التجريبية:

الإنتاجية (Throughput): تشير التقديرات التحليلية إلى أن RPA المسطحة أبطأ بنحو $5\text{--}18\times$ من FP32 (اعتماداً على العملية وتكلفة التنظيف) ولكنها قابلة للمقارنة بـ FP64. ومع تعليمات RatCleanup المقترحة، تصبح التكلفة الإضافية مقبولة للتطبيقات عالية الدقة.
استقرار التدرج: تسمح استحالة تلاشي التدرج الهيكلية بالإمكانية النظرية لشبكات "عادية" عميقة جداً (مئات الطبقات) دون الحاجة لروابط تخطي (skip connections) أو آليات بوابة، بشرط بقاء الحسابات ضمن نافذة الدقة.
التقارب الدقيق: يمكن تعريف معايير التقارب كتساوي دقيق ( $L_t = L_{t-1}$ ) بدلاً من عتبات استدلالية ( $|L_t - L_{t-1}| < \epsilon$ ).
كفاءة عرض النطاق الترددي (Bandwidth Efficiency): من خلال معاملة الحساب كمرحلة رمزية (بناء الشجرة والإلغاء) تليها مرحلة عددية (التجسيد)، يقلل QTA من حركة البيانات في الذاكرة. يتم تحميل الأشجار الفرعية المشتركة (مثل الأوزان) مرة واحدة، وتقوم الإلغاءات الرمزية بإلغاء عمليات الكتابة الوسيطة في الذاكرة.

الأهمية

تضع الورقة QTA ليس مجرد تنسيق رقمي، بل ركيزة حوسبية تفصل بين المعالجة الرمزية والتقييم العددي.

الذكاء الهيكلي: تجادل الورقة بأن أنظمة الذكاء الاصطناعي الحديثة تدفع "تكلفة الحالة الأسوأ" لكل استعلام. يقدم QTA طبقة من الذكاء الهيكلي تستغل الخصائص الجبرية (الإلغاء، القسمة المؤجلة) لتقليل الحساب الفعلي المطلوب، بشكل مشابه لكيفية عمل التخزين المؤقت (Caching) أو الانتباه المتناثر (Sparse Attention) ولكن مع ضمانات دقيقة.
السلامة والاعتماد: بالنسبة للمجالات الحرجة للسلامة (المركبات ذاتية القيادة، الذكاء الاصطناعي الطبي)، فإن القدرة على تقديم مشتقات معتمدة (براهين دقيقة على السكون) وحوسبة قابلة لإعادة الإنتاج تمثل تحولاً جذرياً من الاستدلالات الاحتمالية.
الاستقلال عن الأجهزة: يوفر مساراً للحوسبة العلمية الحتمية، مما يلغي "تآكل البتات" (bit-rot) في النتائج عبر أجيال مختلفة من وحدات معالجة الرسومات (GPU) أو إصدارات CUDA المختلفة.

تخلص المؤلفة إلى أنه بينما تضحي RPA بالإنتاجية الخام مقابل الدقة، إلا أن هذه المقايضة ضرورية للحوسبة العلمية والتعلم الآلي الحرج للسلامة، حيث تكون تكلفة الخطأ أعلى من تكلفة الحوسبة. وتُحدد تعليمات RatCleanup المقترحة كالممكن الرئيسي لجعل هذا الإطار عملياً على بنيات الأجهزة الحالية.