تخيل أنك تحاول تعليم كمبيوتر التعرف على وجه صديق، لكن صديقك يستمر في تغيير ملابسه، أو الدوران حول نفسه، أو الوقوف بعيداً عن الكاميرا. بالنسبة للإنسان، هذا الشخص هو نفسه بوضوح. أما بالنسبة للكمبيوتر، فإن قائمة البكسلات تتغير تماماً في كل مرة. هذا هو الصداع الأساسي لـ "تحليل الشكل" (shape analysis)، وهو مجال يحاول فيه العلماء تعليم الآلات فهم هندسة الأشياء — من انحناء ورقة شجر إلى التواء بروتين. التحدي الكبير يكمثل في كيفية مقارنة شكلين بحيث يعرف الكمبيوتر أنهما نفس الشيء، حتى لو كان أحدهما مائلًا، أو مقلوبًا، أو ممدودًا، مع الاستمرار في ملاحظة ما إذا كان هناك تفصيل صغير ومهم قد تغير بالفعل. الأمر يشبه محاولة مقارنة أغنيتين: تريد معرفة ما إذا كانت النغمة هي نفسها حتى لو عُزفت بشكل أسرع أو بنغمة مختلفة، ولكنك تحتاج أيضاً إلى سماع ما إذا كانت هناك نوتة خاطئة قد أضيفت.

لفترة طويلة، حاول العلماء حل هذه المشكلة عن طريق اختيار "معالم" (landmarks) محددة على الأشكال (مثل طرف الأنف أو زاوية الورقة) لمطابقتها، أو باستخدام نماذج ذكاء اصطناعي معقدة تتعلم التعرف على الأنماط من كميات هائلة من البيانات. لكن هذه الأساليب بها عيق؛ فالمعالم قد يصعب العثور عليها تلقائياً، ونماذج الذكاء الاصطناعي غالباً ما تكون "صناديق سوداء" يصعب تفسيرها أو إعادة إنتاجها. في هذه الورقة البحثية، يقدم المؤلفون أداة رياضية جديدة تسمى التحويل الأمامي المندفع (Push-Forward Transform - PF-T). فكر في هذا التحويل كأنه مترجم عالمي سحري للأشكال. فبدلاً من محاولة مطابقة شكلين مختلفين مباشرة، يأخذ هذا التحويل أي شكل ويمطه أو يضغطه بسلاسة فوق "شكل مرجعي" قياسي (مثل دائرة مثالية أو كرة مثالية). وبمجرد رسم كل الأشكال على هذا القالب القياسي نفسه، تصبح مقارنتها سهلة مثل مقارنة قائمتين من الأرقام. يوضح المؤلفون أن هذه الطريقة قوية للغاية، وتعمل مع الرسومات ثنائية الأبعاد والأجسام ثلاثية الأبعاد، بل وتسمح للعلماء بتتبع كيفية تغير الأشكال بمرور الوقت، وكل ذلك دون الحاجة إلى تدريب نموذج ذكاء اصطناعي ضخم أولاً.

سحر القالب العالمي

الفكرة الجوهرية وراء التحويل الأمامي المندفع بسيطة لكنها قوية: إذا كنت تريد مقارنة شيئين يبدوان مختلفين، ضعهما في نفس الغرفة. وفي عالم الرياضيات، تلك "الغرفة" هي نطاق مرجعي مشترك، مثل دائرة وحدة مثالية للأشكال ثنائية الأبعاد أو كرة مثالية للأشكال ثلاثية الأبعاد.

تخيل أن لديك قطعة ورق مجعدة (وهي الشكل الخاص بك) وتريد مقارنتها بقطعة ورق مجعدة أخرى. الأمر فوضوي. ولكن ماذا لو كان لديك آلة سحرية يمكنها مد وتنعيم كلتا القطعتين بلطف حتى تتناسب كلتاهما تماماً مع طاولة مربعة مسطحة ومعيارية؟ بمجرد أن تستقر كلتاهما بشكل مسطح على نفس الطاولة، يمكنك مقارنتهما نقطة بنقطة. إذا تطابقتا، فهما نفس الشكل. وإذا لم يتطابقا، فستعرف بالضبط أين يختلفان.

يستخدم المؤلفون هذه "الآلة السحرية" (PF-T) لرسم أي شكل على مرجع قياسي. والخدعة تكمكمن في أن هذا الرسم يكون سلسلاً ويحافظ على البنية. فهو لا يمد الشكل عشوائياً؛ بل يحترم الهندسة. إذا كان جزء من الشكل عبارة عن زاوية حادة، فإن الخريطة تبقيها زاوية حادة. وإذا كانت منحنى ناعماً، فإنه يظل ناعماً. هذا يضمن أننا عندما نقارن الأشكال، فإننا نقارن هندستها الحقيقية، وليس فقط كيفية مدها.

السر الكامن: دوال المسافة الموقعة (Signed Distance Functions)

لجعل هذا العمل ممكناً، احتاج المؤلفون إلى طريقة لوصف الشكل تتضمن كلاً من إطاره الخارجي وداخله. لقد استخدموا ما يسمى دالة المسافة الموقعة (SDF).

تخيل شكلاً مرسوماً على ورقة. الآن، تخيل أن كل نقطة على الورقة تحمل رقماً مكتوباً عليها:

• إذا كانت النقطة خارج الشكل، فالرقم سالب (مدى بعدها عن الحافة).
• إذا كانت النقطة داخل الشكل، فالرقم موجب (مدى قربها من الحافة).
• إذا كانت النقطة على الحافة، فالرقم صفر.

هذا يخلق "تضاريس" سلسة من الأرقام ترتفع من الخارج، وتنخفض إلى الصفر عند الحافة، ثم ترتفع مرة أخرى في الداخل. هذه التضاريس هي الـ SDF. إنها طريقة عبقرية لوصف الشكل لأنها مستمرة وسلسة، مما يجعلها مثالية لعملية "المد" الرياضي التي يحتاجها الـ PF-T.

لقد حل المؤلفون مشكلة معقدة: حساب هذه الـ SDF بدقة قد يكون صعباً عند الزوايا الحادة. ولحل ذلك، استخدموا تقنية تسمى معادلة إيكونال اللزجة (viscous Eikonal equation). فكر في هذا كإضافة القليل من "اللزوجة" أو العسل إلى الرياضيات. فهي تعمل على تنعيم الزوايا الحادة بما يكفي ليتمكن الكمبيوتر من التعامل معها بسهما، دون فقدان المعلومات الجوهرية للشكل. وهذا يسمح لهم بإنشاء خريطة سلسة وقابلة للاشتقاق للشكل يسهل تحليلها.

ما وجدوه: طريقة جديدة لرؤية الأشكال

اختبر المؤلفون طريقتهم الجديدة، التي أطلقوا عليها اسم PF-SDM (Morphometric Signed Distance Push-Forward)، على مجموعة متنوعة من التحديات. وإليكم ما اكتشفوه:

1. هي ثابتة بطبيعتها (Invariant by Design)
النتيجة الأكثر إثارة هي أن هذه الطريقة محصنة طبيعياً ضد الأشياء التي تربك الحواسيب عادةً. نظرًا لأن الـ PF-T يضع كل شيء على مرجع قياسي، فإن المقارنة الناتجة تكون تلقائياً ثابتة (invariant) تجاه:

• الإزاحة (Translation): تحريك الشكل يميناً أو يساراً.
• الدوران (Rotation): تدوير الشكل.
• الانعكاس (Reflection): قلب الشكل مثل صورة المرآة.
• التغيير في الحجم (Scaling): جعل الشكل أكبر أو أصغر.
• إعادة المعلمة (Re-parametrization): تغيير طريقة وصف الشكل رياضياً.

في تجاربهم على أشكال ثنائية الأبعاد اصطناعية (مثل المثلثات والمربعات والزهور)، قامت طريقة PF-SDM بتجميع جميع النسخ المدوّرة والمقلوبة من نفس الشكل في عنقود واحد متماسك ومثالي. بينما ارتبكت الطرق الأخرى، مثل التحليل التقليدي القائم على المعالم أو نماذج الذكاء الاصطناعي القياسية، بسبب الضجيج والدورانات، مما أدى إلى تشتيت الأشكال المتشابهة في أماكن مختلفة.

2. تكشف عن التناظر الخفي
هذه الطريقة لا تكتفي بالقول "هذه هي نفسها"؛ بل تخبرك لماذا. من خلال النظر إلى "طيف" الشكل المخطط (مثل تحليل النغمات في أغنية)، استطاع المؤلفون رصد التناظر الدوراني.

• إذا قاموا بإزالة المعلومات "العامة" (الحجم المستدير والتدوير العام) من البيانات، بدأت الطريقة في تجميع الأشكال بناءً على تناظرها.
• أصبحت الزهرة ذات الخمس بتلات تبدو مشابهة جداً للمخمس (pentagon) لأن كليهما يمتلك تناظراً خماسياً.
• تم تجميع المثلث والسداسي معاً (لأن كلاهما يحتوي على مكونات تناظر ثلاثية).
  هذا يعني أنه يمكن ضبط الأداة للتركيز على ميزات هندسية محددة، مثل "كم مرة يبدو هذا الشكل متشابهاً إذا قمت بتدويره؟".

3. تعمل في الأبعاد الثلاثية وعبر الزمن
لا تقتما الطريقة بالرسومات المسطحة فقط. نجح المؤلفون في تطبيقها على أجسام ثلاثية الأبعاد مثل الكرات والمكعبات والمخاريط. وأظهروا أنها تستطيع التمييز بين المخروط والهرم بناءً على بنيتهما الداخلية، وليس فقط سطحهما.
والأكثر إثارة للإعجاب، هو استخدامها لتتبع الأشكال الديناميكية. فقد حللوا "الجاسترولودس" لدى الفئران (وهي مجموعات صغيرة متنامية من الخلايا الجذعية تحاكي الأجنة المبكرة). هذه الأشكال تتغير بمرور الوقت، حيث تنمو وتتمدد. استطاعت طريقة PF-SDM تتبع هذه التغييرات، بل وتنبأت ما إذا كان الجاسترولود سيطور محور جسم واحداً أو بروزات متعددة، وذلك فقط من خلال النظر إلى الشكل والأنماط الداخلية قبل أن تصبح التغييرات مرئية للعين المجردة.

4. سريعة وشفافة
على عكس العديد من طرق الذكاء الاصطناعي الحديثة التي تتطلب التدريب على آلاف الصور وتعمل كصناديق سوداء، فإن طريقة PF-SDM هي عملية حتمية (deterministic) ولا تتطلب تدريباً.

• حتمية: إذا قمت بتشغيلها مرتين على نفس البيانات، ستحصل على نفس النتيجة تماماً.
• لا تتطلب تدريباً: لست بحاجة لتغذيتها ببيانات ضخمة لتعلم كيفية التعرف على الأشكال؛ فالرياضيات هي من يقوم بالعمل.
• سريعة: في اختباراتهم، كانت طريقة PF-SDM أسرع بعدة مراتب من نماذج التعلم العميق التي يجب تدريبها من الصفر. على سبيل المثال، في مجموعة بيانات تضم 1,400 شكل، استغرقت طريقة PF-SDM حوالي 6 دقائق لمعالجتها، بينما استغرق نموذج التعلم العميق أكثر من 10 ساعات.

لماذا هذا مهم؟

يجادل المؤلفون بأن هذا الإطار يقدم "صياغة رياضية موحدة" لمقارنة الأشكال والإشارات الموجودة داخلها. وسواء كنت تنظر إلى شكل خلية، أو شدة إشارة كيميائية داخلها، أو كيفية نمو بنية بيولوجية بمرور الوقت، فإن الـ PF-T يوفر طريقة واحدة متسقة لتحليل كل ذلك.

لقد أظهروا أنه من خلال الجمع بين الشكل، و"الهيكل العظمي" الداخلي (المحور المتوسط)، وإشارات الكثافة، يمكنهم التنبؤ بالنتائج البيولوجية بدقة عالية. وفي حالة الجاسترولودس لدى الفئران، أدى النهج المشترك إلى تحسين دقة التنبؤ مقارنة بالطرق السابقة.

تخلص الورقة إلى أنه بينما تعمل الطريقة حالياً بشكل أفضل مع الأشكال ذات الطوبولوجيا البسيطة (مثل الكرات أو الأقراص)، إلا أنها تفتح الباب لعصر جديد من تحليل الأشكال. إنها أداة قوية، قابلة للتفسير، وسريعة، وتقدم بديلاً واضحاً لنماذج الذكاء الاصطناعي "الصندوق الأسود" التي تهيمن على المجال اليوم. وهي تشير إلى أنه في بعض الأحيان، أفضل طريقة لفهم شكل معقد ليست عبر إلقاء المزيد من البيانات على شبكة عصبية، بل في إيجاد طريقة رياضية أفضل للنظر إليه.