From Eigenvalues/Eigenvectors of Hypermatrices to Canonical Form of Tensors

شكل البيانات: من الصفائح المسطحة إلى الكتل ثلاثية الأبعاد

تخيل أنك تحاول فهم نظام معقد، مثل الطقس أو الطريقة التي يتعلم بها الدماغ. في عالم الرياضيات والعلوم، غالبًا ما نقوم بتفكيك هذه الأنظمة إلى شبكات من الأرقام تسمى المصفوفات (matrices). فكر في المصفوفة كأنها جدول بيانات مسطح أو رقعة شطرنج حيث يحتوي كل مربع على رقم. لعقود من الزمن، امتلك الرياضيون مجموعة أدوات رائعة لهذه الشبكات المسطحة؛ حيث يمكنهم إيجاد "اتجاهات خاصة" (تسمى المتجهات الذاتية - eigenvectors) و"أرقام خاصة" (تسمى القيم الذاتية - eigenvalues) تخبرهم كيف تتمدد الشبكة، أو تنكمش، أو تدور. الأمر يشبه معرفة كيف ستعود ورقة مطاطية إلى شكلها الأصلي إذا سحبتها بطريقة معينة.

لكن العالم الحقيقي ليس مسطحًا دائمًا. فالبيانات اليوم تأتي في شكل كتل سميكة متعددة الطبقات. فكر في الفيديو: هو ليس مجرد صورة (ثنائية الأبعاد)؛ بل هو صورة تتغير بمرور الوقت (ثلاثية الأبعاد). أو صورة ملونة، لها طول وعرض وقنوات لونية. في الرياضيات، تسمى هذه الكتل ثلاثية الأبعاد التنسورات (tensors) (أو المصفوفات الفائقة). لفترة طويلة، كان محاولة إيجاد تلك "الاتجاهات الخاصة" في هذه الكتل ثلاثية الأبعاد بمثابة كابوس. الأدوات القديمة المخصصة للصفائح المسطحة لم تكن تناسب الكتل ثلاثية الأبعاد، ومحاولة حل المعادلات مباشرة كانت تشبه محاولة فك عقدة مصنوعة من المعكرونة وأنت معصوب العينين. هذا البحث يخطو داخل تلك العقدة الفوضوية ليرى ما إذا كان بإمكاننا أخيرًا إيجاد طريقة نظيفة ومنظمة لفهم هياكل البيانات هذه.

الفكرة الكبرى للبحث: فك لغز الأبعاد الثلاثة

هذا البحث، الذي كتبه دايزان تشنغ (Daizhan Cheng)، يتناول مشكلة إيجاد "الأرقام الخاصة" و"الاتجاهات الخاصة" لهذه الكتل من البيانات. يقترح المؤلف طريقة جديدة وذكية للنظر إليها، عبر تحويل مشكلة متعددة الأبعاد صعبة إلى سلسلة من المشكلات ثنائية الأبعاد الأسهل.

أولاً، يقدم البحث أربع طرق مختلفة لتعريف معنى "القيمة الذاتية" (eigenvalue) لكتلة من البيانات. تخيل أن لديك مكعب روبيك عملاق؛ يمكنك النظر إليه ككتلة واحدة، أو يمكنك تقطيعه إلى صفائح مسطحة. يقول البحث: "دعونا ننظر إليه من خلال أربع عدسات مختلفة":

1. القيم الذاتية العادية (Ordinary Eigenvalues): وهي القيم القياسية، التي يتم إيجادها عن طريق تقطيع كتلة البيانات إلى ورقة مسطحة (مصفوفة) وحلها كأحجية عادية.
2. القيم الذاتية الشاملة (Universal Eigenvalues): وهي مميزة لأن الحل يمكن تفكيكه إلى قطع أصغر وأبسط تتناسب مع بعضها البعض بشكل مثالي.
3. القيم الذاتية القطرية (Diagonal Eigenvalues): وهي نسخة أكثر صرامة حيث يجب أن تكون القطع متطابقة بطريقة محددة.
4. القيم الذاتية القطرية الأفقية (Horizontal Diagonal Eigenvalues): وهي النوع الأكثر تحديدًا، وهو ما كان يبحث عنه معظم الباحثين السابقين.

يجادل البحث بأن النوع "العادي" هو الأكثر قوة لأنه يتضمن جميع الأنواع الأخرى. فإذا وجدت القيم "العادية"، يمكنك بسهء استخراج القيم "الشاملة" و"القطرية" و"الأفقية" من تلك القائمة.

الخدعة السحرية: مفتاح "كرونيكر" (Kronecker)

إذًا، كيف تجد هذه القيم الذاتية "العادية" لكتلة من البيانات؟ يستخدم البحث أداة رياضية تسمى الصيغة الكانونية لكرونيكر (Kronecker Canonical Form - KCF).

فكر في الـ KCF كأنها مترجم عالمي أو مفتاح رئيسي. في عالم المصفوفات المسطحة، هناك "صيغة جوردان" (Jordan Form) الشهيرة التي تنظم الأرقام في كتل مرتبة. ولكن بالنسبة لكتل البيانات (التي غالبًا ما تكون غير مربعة، أي أن عدد صفوفها يختلف عن عدد أعمدتها)، فإن صيغة جوردان لا تعمل. الـ KCF هي الأداة من المستوى التالي التي تتعامل مع هذه الأشكال غير المربعة والفوضوية.

يوضح البحث أنه إذا أخذت كتلة البيانات الخاصة بك، وقطعتها إلى ورقة مسطحة، ثم طبقت هذه الـ KCF "المترجمة"، فستحصل على نتيجة محددة للغاية ومنظمة. هذه النتيجة تخبرك بكل شيء عن القيم الذاتية والمتجهات الذاتية دون أن تضطر لحل معادلة ضخمة ومخيفة. الأمر يشبه امتلاك خريطة توضح لك بالضبط أين دفنت الكنز، بدلاً من الاضطرار إلى حفر الجزيرة بأكملها.

ومع ذلك، هناك تفصيل حاسم: بينما تعمل هذه الطريقة للكتل العامة من البيانات لإيجاد الحلول "العادية"، فإن "Tensor KCF" الخاص بالبحث (الصيغة المنظمة القصوى التي تكشف الهيكل الكامل) مصمم خصيصًا للكتل المكعبة (cubical). وهذا يعني أنه ينطبق على البيانات التي تتساوى فيها جميع الأبعاد (مثل مكعب مثالي)، وليس على كل الأشكال المستطيلة ثلاثية الأبعاد الممكنة.

النتائج: طريقة جديدة لرؤية البيانات

لا يكتفي المؤلف بالتحدث عن النظرية فحسب؛ بل يوضح بالضبط كيفية إجراء العمليات الحسابية. لقد طور وصفة خطوة بخوة (خوارزمية) يمكن لأي شخص اتباعها:

1. قطع كتلة البيانات الخاصة بك إلى مصفوفة مسطحة.
2. استخدام عمليات بسيطة على الصفوف والأعمدة (مثل إعادة ترتيب الأوراق في يدك) لتبسيطها.
3. إيجاد الكتل "الشبيهة بجوردان" (Jordan-like) بداخلها.

يوضح البحث ذلك من خلال بعض الأمثلة. في إحدى الحالات، أخذوا كتلة بيانات محددة ووجدوا أنها تمتلك حلولًا "عادية" يمكن تفكيكها إلى حلول "شاملة". حتى أنهم وجدوا أن بعض الحلول كانت "حرة"، مما يعني أن الرقم يمكن أن يكون أي شيء، بينما كانت أخرى "ثابتة" بقيم محددة مثل 2 أو 3.

والأهم من ذلك، يشير البحث إلى أنه بينما كان إيجاد هذه الحلول لكتل البيانات أمرًا صعبًا للغاية في السابق — وغالبًا ما يتطلب تخمينات حاسوبية قد تكون خاطئة — فإن هذه الطريقة الجديدة مباشرة وبسيطة. فهي تعتمد على عمليات رياضية أساسية يمكن للحواسيب القيام بها فورًا.

لماذا يهم هذا الأمر؟

يخلص البحث إلى أن هذه الطريقة تعد نقطة تحول لكل من يعمل مع البيانات الضخمة والمعقدة. في عصر الذكاء الاصطناعي، حيث يتم تدريب الحواسيب على مجموعات بيانات هائلة (مثل مقاطع الفيديو، أو الصور الطبية، أو نماذج اللغة)، فإن القدرة على فهم "شكل" تلك البيانات بسرعة ودقة أمر حيوي. يشير المؤلف إلى أن طريقتهم تكشف الهيكل الخفي لكتل البيانات هذه بطريقة مشابهة لكيفية كشف "صيغة جوردان" لهيكل المصفوفات المسطحة.

من خلال توفير طريقة واضحة وقابلة للحوسبة لإيجاد هذه الأرقام الخاصة، يقدم البحث أداة جديدة لـ "حوسبة التنسور" (tensor computation) التي تدعم الذكاء الاصطناعي الحديث. إنها تحول الفوضى متعددة الأبعاد المتشابكة إلى قائمة مرتبة ومنظمة من الإجابات، مما يثبت أنه حتى أكثر كتل البيانات تعقيدًا يمكن فهمها إذا عرفت الطريقة الصحيحة لتقطيعها.