From Classification to Regression: Using a Fruitfly to Solve Equations

تخيل أنك تحاول تعليم حاسوب كيف يتنبأ بالمستقبل. عادةً، نطلب من الحواسيب تعلم كتاب قواعد ضخم وشامل — صيغة واحدة هائلة تشرح كيف يعمل العالم من البداية إلى النهاية. الأمر يشبه محاولة حفظ كل حركة ممكنة في لعبة الشطرنج قبل أن يُسمح لك بالقيام بأول حركة. هذا الأسلوب ينجح، لكنه يتطلب عقل سوبر كمبيوتر ويستغرق وقتاً طويلاً جداً للتشغيل. ومع ذلك، فإن الطبيعة لديها طريقة أذكى للقيام بالأشياء. فكر في ذبابة فاكهة تحوم حول مطبخك؛ هي لا تملك خريطة ضخمة للمنزل بأكمله في رأسها الصغير، بل تستشعر محيطها المباشر، وتتعرف على "رائحة" أو نمط مألوف (مثل رائحة الفاكهة المتعفنة)، وتتفاعل بناءً على ما تعلمته عن ذلك المكان تحديداً. هي لا تحتاج لمعرفة فيزياء المنزل بأكمله؛ هي فقط تحتاج لمعرفة ما يجب فعله الآن بناءً على ما تراه.

هذه الورقة البحثية، التي تحمل عنوان "من التصنيف إلى الانحدار: استخدام ذبابة الفاكهة لحل المعادلات"، تستكشف طريقة جديدة لتعليم الحواسيب حل المسائل الرياضية المعقدة عبر تقليد استراتيجية ذبابة الفاكهة هذه. في عالم العلوم، "الانحدار" (Regression) هو مجرد مصطلح معقد لوصف إيجاد علاقة بين المدخلات والمخرجات — مثل التنبؤ بمدى سخونة قضيب معدني بناءً على مدة تسخينه. عادةً، يحاول العلماء بناء نموذج واحد ضخم ومعقد للقيام بذلك. لكن هذه الورقة تقترح أنه بدلاً من امتلاك عقل واحد ضخم، يجب أن نستخدم مكتبة صغيرة من "الأنماط". فكر في الأمر ككتاب "اختر مغامرتك الخاصة"؛ بدلاً من كتابة قصة جديدة لكل موقف محتمل، لديك بعض المشاهد الرئيسية (الأنماط) ومجموعة من القواعد لكيفية مزجها معاً لسرد قصة اللحظة الراهنة. توضح الورقة أنه من خلال معاملة المشكلة كأنها لعبة "أي نمط يشبه هذا أكثر؟" (التصنيف) ثم مزج الإجابات، يمكن للحواسيب حل معادلات صعبة بسرعة أكبر وبذاكرة أقل، مع الحفاظ على دقة مذهلة.

سر ذبابة الفاكهة: حل المعادلات عبر شم الهواء

يقترح المؤلفان، شادي إي. أحمد وبانوس ستينيس من المختبر الوطني لجنوب غرب المحيط الهادئ، خدعة ذكية: توقف عن محاولة تعلم الخريطة بأكملها وابدأ في تعلم المعالم.

في التعلم الآلي التقليدي، إذا كنت تريد من الحاسوب التنبؤ بكيفية تغير نظام ما بمرور الوقت (مثل الطقس أو حركة الكواكب)، فإنك عادةً ما تقوم بتدريب شبكة عصبية ضخمة لتعمل كـ "بديل عالمي" (Global Surrogate). هذا عبالنموذج هو نموذج واحد معقد يحاول فهم كامل مساحة المدخلات دفعة واحدة. المشكلة هي أن هذه النماذج تصبح ضخمة، مكلفة، وبطيئة. إنها تشبه محاولة حمل مكتبة الكونجرس بأكملها في حقيبة ظهرك لمجرد العثور على كتاب واحد.

يجادل المؤلفان بأن معظم البيانات العلمية لا تملأ المساحة بأكملها في الواقع. فالكوكب لا يطير عشوائياً في الكون؛ بل يتبع مداراً محدداً. وذبابة الفاكهة لا تطير في خط مستقيم عبر جدار؛ بل تتبع رائحة الطعام. هذه الأنظمة تعود لزيارة نفس "الأنظمة" أو السلوكيات مراراً وتكراراً. وتقترح الورقة أنه بدلاً من تعلم قاعدة عالمية، يجب علينا بناء مكتبة محدودة من الأنماط المحلية التمثيلية.

إليك كيف يعمل "منحدّر ذبابة الفاكهة" (Fruitfly Regressor)، باستخدام تشبيه الرائحة:

1. مكتبة الروائح (الأنماط): تخيل أن لديك مكتبة من "الروائح" (الأنماط). كل رائحة تمثل سلوكاً معيناً ومتكرراً للنظام. بالنسبة لبندول متأرجح، قد يكون أحد الأنماط هو "التأرجح بسرعة نحو اليسار"، والآخر هو "التوقف ببطء عند القمة".
2. اختبار الشم (التشابه): عندما يكون لديك موقف جديد (استعلام)، لا يحاول الحاسوب حل المعادلة بأكملها من الصفر. بدلاً من ذلك، يقوم بـ "شم" الموقف. يقارن الحالة الحالية بكل الروائح الموجودة في مكتبته.
3. المزيج الموزون (إعادة البناء): لا يكتفي الحاسوب باختيار الرائحة الأفضل فقط. بل يحسب مدى تشابه الوضع الحالي مع كل رائحة. إذا كانت الرائحة تشبه "التأرجح السريع لليسار" بنسبة 60% و"التوقف البطيء في الأعلى" بنسبة 40%، فإنه يمزج الإجابات المعروفة لتلك الأنماط معاً (60% من الإجابة أ + 40% من الإجابة ب) للحصول على التنبؤ النهائي.

هذا النهج يحول مشكلة انحدار صعبة (التنبؤ برقم مستمر) إلى مشكلة تصنيف (تحديد الأنماط الموجودة) ثم مسألة رياضية بسيطة (مزج الإجابات).

ما وجدته الورقة بالفعل

اختبر المؤلفان هذه الفكرة على نوعين مختلفين تماماً من المشكلات: الأنظمة الديناميكية (الأشياء التي تتغير بمرور الوقت، مثل الكواكب أو السوائل) و الانحدار العام (إيجاد العلاقات في البيانات).

1. ذبابة الفاكهة في الحركة (الأنظمة الديناميكية)
طبقوا طريقتهم على نظام لوتكا-فولتيرا (نموذج لكيفية تفاعل مجموعات المفترس والفريسة) وعلى نظام لورنز (نموذج شهير لأنماط الطقس الفوضوية).

• النتيجة: حتى مع مكتبة صغيرة جداً من الأنماط (ما بين 4 إلى 32 نمطاً)، استطاع النموذج التنبؤ بالسلوك المستقبلي لهذه الأنظمة بدقة عالية.
• المفاجأة: وجدوا أن "الحدود" بين هذه الأنماط تشكلت طبيعياً حول النقاط المستقرة للنظام (مثل مركز العاصفة). وحتى لو لم يكن النمط هو "الفائز" في منطقة معينة، فقد ساهم في الإجابة النهائية، مما جعل التنبؤ سلساً ومستقراً.
• "المعادلات المجهولة": في إحدى التجارب، لم يكونوا يعرفون حتى المعادلات التي تحكم النظام. استخدموا نموذجاً "مساعداً" مؤقتاً لتعلم الأنماط، ولكن بمجرد العثور على الأنماط، تخلصوا من المساعد. احتاج النموذج النهائي فقط لتخزين الأنماط واستجاباتها. وهذا يمثل فوزاً كبيراً للذاكرة، حيث أن النموذج النهائي صغير جداً مقارنة بالشبكات العصبية الضخمة المطلوبة عادةً.
• التعلم المستمر: أظهروا أنه إذا تغير النظام (مثل تحول الطقس إلى نمط جديد)، يمكنك ببساطة إضافة بعض أنماط "الرائحة" الجديدة إلى المكتبة دون نسيان الأنماط القديمة. وهذا يتجنب مشكلة "النسيان الكارثي" حيث ينسى الذكاء الاصطناعي عادةً الدروس القديمة عند تعلم دروس جديدة.

2. ذبابة الفاكهة في المختبر (الانحدار العام)
اختبروا ذلك أيضاً على مسائل رياضية قياسية، مثل ملاءمة منحنى لقطع مكافئ أو حل معادلة بواسون أحادية البعد (معادلة فيزيائية تصف كيفية انتشار الحرارة أو الكهرباء).

• الإعداد: عاملوا متغير المدخل (مثل الموقع على خط) كـ "رائحة"، والأنماط كنقاط ثابتة لها "سحب رائحة" خاصة بها.
• النتائج:
  • بالنسبة لقطع مكافئ بسيط، استخدموا 10 أنماط وحصلوا على خطأ اختبار قدره 0.1%.
  • بالنسبة لموجة معقدة مكونة من 10 موجات جيبية مختلفة، استخدموا 30 نمطاً وكان الخطأ حوالي 1%.
  • بالنسبة لمسألة فيزيائية صعبة ذات زاوية حادة (قطع مكافئ يكون صفراً في جانب ومنحنياً في الجانب الآخر)، استخدموا 100 نمط وكان الخطأ حوالي 10%. تشير الورقة إلى أن هذا الخطأ المرتفع متوقع لأن الدالة لها حافة حادة غير سلسة، وأن توزيع "الرائحة" لم يكن مضبوطاً بدقة لهذا الشكل المحدد.
• السرعة: تسلط الورقة الضوء على أن حل قيم الأنماط استغرق 0.01 ثانية فقط على جهاز ماك بوك قياسي للمسائل الأبسط، وحتى المسألة الأكثر تعقيداً استغرقت 3.5 ثانية فقط.

ماذا يعني هذا (وما لا يعنيه)

تقترح الورقة أننا لسنا بحاجة دائماً لبناء عقل ضخم وعليم لحل المشكلات المعقدة. من خلال تقسيم المشكلة إلى مكتبة من "الأنماط" الصغيرة القابلة للتمييز ومزجها بناءً على التشابه، يمكننا إنشاء نماذج تكون:

• أصغر حجماً: تتطلب معاملات أقل بكثير للتخزين.
• أسرع: خطوة التنبيد عبر الإنترنت هي مجرد فحص للتشابه ومجموع موزون، وليست عملية حسابية ضخمة.
• مرنة: يمكن تحديثها بسهولة مع وصول بيانات جديدة.

ومع ذلك، فإن الورقة حريصة على عدم الادعاء بأن هذا الحل السحري لكل شيء. يوضح المؤلفون صراحة أن طريقتهم تعتمد على وجود "سلوكيات متكررة" أو هياكل محلية في البيانات. إذا كان النظام عشوائياً تماماً ولا يكرر أي نمط أبداً، فقد تواجه هذه الطريقة المعتمدة على المكتبة صعوبة. كما أن النتائج، رغم كونها واعدة، مبنية على عمليات محاكاة وأمثلة رياضية محددة؛ ولا تدعي الورقة أنها حلت نماذج المناخ في العالم الحقيقي أو الأنظمة البيولوجية بعد، وإن كانت تقترح مساراً نحو ذلك.

يشير المؤلفون أيضاً إلى بعض الأمور التي لم يتمكنوا من حلها تماماً بعد. على سبيل المثال، هم ليسوا متأكدين تماماً من كيفية اختيار "التباين" (انتشار الرائحة) للأنماط. وجدوا أن ضبط التباين ليكون حجم النطاق مقسوماً على عدد الأنماط كان يعمل بشكل أفضل، وهو أمر يبدو غير منطقي (مثل توقع أن يسير شخص يتحرك عشوائياً في خط مستقيم)، لكنه نجح في اختباراتهم. كما يقترحون أنه يمكن جعل عدد الأنماط تكيفياً، بحيث ينمو فقط عندما يصبح النظام أكثر تعقيداً من المكتبة الحالية.

في النهاية، تقدم هذه الورقة منظوراً مرحاً ولكنه قوي: بدلاً من محاولة حفظ المحيط بأكمله، تعلم فقط التيارات. ومن خلال تقليد قدرة ذبابة الفاكهة على التنقل عبر التعرف على الروائح المحلية، قد نتمكن من حل أصعب المعادلات في العالم بلمسة أخف بكثير.