تخيل أنك محقق يحاول حل لغز من خلال مقارنة مجموعة من الخرائط القديمة والممزقة قليلاً. تُظهر كل خريطة نفس المنطقة العامة، لكن بعضها يحتوي على طرق مفقودة، والبعض الآخر به تحويلات إضافية، كما أن الحبر ملطخ في أماكن مختلفة. مهمتك هي العثور على أطول مسار موجود في كل خريطة، حتى لو اضطررت لتجاوز الأجزاء المفقودة أو الملطخة. هذا هو جوهر لغز شهير في علوم الحاسوب يُعرف باسم مشكلة "أطول سلسلة فرعية مشتركة" (Longest Common Subsequence). إنه المعادل الرقمي للعثور على الحمض النووي المشترك بين شخصين أو رصد نفس اللحن المختبئ داخل نسخ مختلفة من أغنية.

لكن الحياة الواقعية فوضوية. أحياناً لا تكون "الأجزاء المفقودة" في الخرائط عشوائية؛ بل تتبع قواعد معينة. ربما لا يمكن تخطي طريق إلا إذا كان عبارة عن تحويلة قصيرة، أو ربما يجب استبدال جسر مفقود بمسار لا يمتد لمسافة بعيدة جداً. هذا يضيف طبقة من التعقيد تسمى "قيود الفجوات" (gap constraints). عندما يكون لديك خريطتان فقط، تكون الحواسيب جيدة جداً في حل هذه المشكلة. ولكن ماذا لو كان لديك عشر، عشرون، أو حتى مائة خريطة، وكانت القواعد الخاصة بتخطي الأجزاء تتغير بناءً على موقعك في الخريطة؟ فجأة، يصبح اللغز كابوساً للحواسيب التقليدية؛ فهي تتعثر، وتصاب بالارتباك، وغالباً ما تستسلم دون العثور على أفضل إجابة ممكنة. هذا هو الركن المحدد من العلم الذي يستكشفه هذا البحث: كيف نساعد الحواسيب على التنقل في هذه الألغاز الفوضوية والمملوءة بالقواعد المعقدة دون أن تضل طريقها.

---

قصة الورقة البحثية: تعليم الحواسيب كيفية "الشعور" بالمسار الأفضل

تصدى مؤلفو هذا البحث، ماركو جوكانوفيتش وفريقه، لنسخة معقدة للغاية من هذا اللغز تسمى "مشكلة أطول سلسلة فرعية مشتركة ذات الفجوات المتغيرة" (Variable Gapped Longest Common Subsequence Problem - VGLCSP). بعبارات بسيطة، تخيل أنك تحاول العثور على أطول خيط مشترك في مجموعة من الخيوط المتشابكة. تنص القواعد على أنه يمكنك تخطي بعض العقد (الفجوات)، لكن حجم التخطي يعتمد على لون وملمس الخيط في تلك النقطة تحديداً. إذا كان الخيط سميكاً، يمكنك تخطي فجوة كبيرة؛ وإذا كان رفيعاً، فلا يمكنك تخطي سوى جزء ضئيل جداً.

لسنوات طويلة، كانت الطريقة المثلى لحل ذلك هي استخدام أسلوب يسمى "البحث الشعاعي" (Beam Search). فكر في "البحث الشعاعي" كمجموعة من المتنزهين الذين يستكشفون غابة ضبابية شاسعة. بدلاً من إرسال متنزه واحد عبر كل مسار (وهو أمر سيستغرق وقتاً طويلاً جداً)، ينقسم الفريق إلى عدد ثابت من الفرق (الشعاع). وعند كل مفترق طرق، يستخدمون كتاب قواعد "مصنوع يدوياً" ليقرروا أي المسارات تبدو أكثر واعدة. كان كتاب القواعد القديم مكتوباً من قبل خبراء بشريين؛ كان جيداً، ولكن مع ازدياد حجم الغابة وتعقد القواعد، بدأ المتنزهون في اتخاذ قرارات سيئة، وغالباً ما كانوا يفتقدون الكنز في نهاية الطريق.

يجادل البحث بأن كتب القواعد التي يكتبها البشر شديدة الجمود، فهي تفتقر إلى "المتانة"، مما يعني أنها تنهار عندما يصبح اللغز صعباً حقاً. ولإصلاح ذلك، لم يكتفِ الفريق بتعديل كتاب القواعد فحسب، بل قرروا تعليم الحاسوب كيفية كتابة قواعده الخاصة.

المدرب "المتطور عصبياً"

بدلاً من كتابة القواعد بواسطة إنسان، استخدم المؤلفون "شبكة عصبية" (نوع من أدمغة الحاسوب المستوحاة من الدماغ البشري) لتعمل كمدرب للمتنزهين. لكن المفاجأة هنا هي أنهم لم يعلموا هذا المدرب من خلال إظهار الإجابات له (لأنه لا أحد يعرف الإجابات لهذه المشكلات الصعبة بعد)، بل استخدموا "خوارزمية جينية"، وهي نسخة رقمية من عملية التطور.

تخيل مجتمعاً من 20 مدرباً مختلفاً، لكل منهم "دماغ" مختلف قليلاً (مجموعة مختلفة من الأوزان في الشبكة العصبية).

1. الاختبار: يرسل كل مدرب المتنزهين إلى الغابة (يقوم الحاسوب بتشغيل "البحث الشعاعي" باستخدام نصيحة ذلك المدرب).
2. التقييم: المدرب الذي يجد متنزهوه أطول خيط مشترك يحصل على درجة عالية.
3. التطور: يتم دمج أفضل المدربين معاً لـ "توليد" مدربين جدد، عبر خلط أدمغتهم. ويتم استبعاد أسوأ المدربين. كما يتم إدخاء بعض "الطفرات" العشوائية لإبقاء الأمور مثيرة للاهتمام.
4. الدورة: يتكرر هذا الأمر مراراً وتكراراً. يصبح المدربون أفضل وأفضل في توجيه المتنزهين، ليس لأنهم حفظوا الغابة، بل لأنهم تعلموا أي المسارات "تبدو" واعدة بناءً على شكل الغابة المحيطة بهم.

النتيجة هي "مُوجّه متطور عصبياً" (neuro-evolved heuristic). إنه دليل لا يكتفي باتباع قاعدة ثابتة مثل "تخطَّ دائماً الفجوات الصغيرة"، بل ينظر إلى الصورة الكاملة: كم قطعنا من الطريق، كم عدد الخرائط المتبقية، ومدى مرونة القواعد في الوقت الحالي، ثم يتخذ تخميناً ذكياً وبديهياً حول المسار الذي يجب اتخاذه تالياً.

قوة العمل الجماعي

وجد الباحثون أنه بينما كان المدرب الاصطناعي رائعاً، إلا أنه لم يكن مثالياً. فأحياناً، كان كتاب القواعد البشري القديم أفضل بالفعل، خاصة في الألغاز البسيطة. لذا، أنشأوا "فريقاً هجيناً". لقد جمعوا بين حدس المدرب الاصطناعي ومنطق كتاب القواعد البشري. لم يكتفوا بمجرد إضافة درجاتهما معاً، بل قاموا بترتيب المسارات بناءً على رأي كل منهما، وسمحوا للمسارات الأعلى تصنيفاً بالفوز. هذا النهج "التجميعي" (ensemble) عمل كشبكة أمان، لضمان أنه إذا أخطأ أحد المرشدين، يمكن للآخر تدارك الأمر.

ما وجدوه

اختبر الفريق طريقتهم الجديدة على نوعين من التحديات:

1. الغابات الاصطناعية: ألغاز تم إنشاؤها حاسوبياً مع أعداد متفاوتة من الخرائط (من 2 إلى 10) ومستويات مختلفة من تعقيد القواعد.
2. الغابات الواقعية: ألغاز تعتمد على بيانات بيولوجية فعلية (تسلسلات الحمض النووي DNA) مع قواعد مستمدة من سلوك الجزيئات الحقيقية.

كانت النتائج واضحة. في الألغاز الاصطناعية، وجدت طريقة (Limsbs-ensemble) الجديدة (الفريق الهجين) حلولاً أفضل من الطريقة القديمة في 20 حالة من أصل 32، وتعادلت في 8 حالات أخرى. ولم تخسر إلا في 4 حالات فقط. أجرى المؤلفون اختبارات إحصائية تشير إلى أن هذا التحسن كان "جوهرياً"، مما يعني أنه لم يكن مجرد ضربة حظ.

أما في الألغاز البيولوجية الواقعية، فقد كان أداء الطريقة الجديدة أكثر إبهاراً. فقد هزمت الطريقة القديمة في 12 حالة من أصل 20، وتعادلت في 7، وخسرت في حالة واحدة فقط. ويشير البحث إلى أن التحسينات كانت أكثر وضوحاً في الألغاز الأكثر صعوبة وتعقيداً، حيث كانت الطريقة القديمة تعاني بشدة.

الخلاصة

لا يدعي البحث أنه قد "حل" المشكلة إلى الأبد؛ فالألغاز لا تزال صعبة، والحلول لا تزال تقريبية (أفضل التخمينات). ومع ذلك، تشير الدراسة إلى أن "التوجيه القائم على التعلم" هو أداة قوية. فمن خلال ترك الحاسوب يطور طريقته الخاصة في التفكير في المشكلة، بدلاً من إجباره على اتباع قواعد بشرية جامدة، يمكننا العث فإن حلول أفضل في وقت أقل.

يخلص المؤلفون إلى أن هذا النهج مفيد بشكل خاص عندما تصبح المشكلة فوضوية ومعقدة. كما قدموا مجموعة جديدة من حالات الاختبار "الواقعية" القائمة على علم الأحياء، والتي يأملون أن تساعد الباحثين الآخرين في اختبار أفكارهم الخاصة. وبينما يُقاس النجاح الحالي بالمحاكاة ومجموعات بيانات محددة، يشير البحث إلى أن استراتيجية "التطور العصبي" هذه قد تكون نقطة تحول في تحليل الحمض النووي، والبروتينات، والبيانات الزمنية حيث تتغير قواعد اللعبة من لحظة إلى أخرى. ويلمحون في النهاية إلى أن المستقبل قد يتضمن تعليم هؤلاء المدربين الاصطناعيين كيفية التعامل مع غابات أكبر وألغاز بيولوجية أكثر تعقيداً.