تخيل أنك محقق يحاول حل لغز، لكن ليس لديك سوى بضع لقطات متفرقة للمشتبه بهم. لديك صورة لشخص في الساعة 9:00 صباحًا، وأخرى في الساعة 11:00 صباحًا، وثالثة في الساعة 1:00 ظهرًا، لكنك لم تره أبدًا في الفترات بينهما. هدفك هو رسم خط سلس ومتصل يربط بين هذه النقاط ليظهر بالضبط كيف تحركوا عبر المدينة. هذا هو جوهر مشكلة تسمى استدلال المسار (trajectory inference)، وهي مشكلة يواجهها العلماء في مجالات تتراوح من تتبع تيارات المحيطات إلى فهم كيفية تغير الخلايا الفردية في أجسامنا بمرور الوقت. الجزء الصعب هو أنه في كثير من هذه الحالات، لا يمكنك مراقبة نفس الشخص أو الخلية بشكل مستمر؛ فالبيانات تكون "غير مقترنة"، مما يعني أن لقطة الساعة 9:00 صباحًا قد تكون لشخص مختلف عن لقطة الساعة 11:00 صباحًا. وما يزيد الأمر سوءًا هو أن مجرد رسم خط مستقيم بين الصور غالبًا ما يبدو متقطعًا وغير واقعي، مثل رسوم متحركة توقفية (stop-motion) تقفز بشكل غريب. يحتاج العلماء إلى طريقة لملء الفجوات بحركة سلسة وطبيعية، لكن الأدوات الحالية للقيال بذلك غالبًا ما تكون بطيئة، أو مكلفة، أو تتطلب خطوات معالجة أولية فوضوية لإجبار الحركة على أن تبدو سلسة.

إليك الطريقة الجديدة التي تسمى مطابقة التسارع (Acceleration Matching - AM)، والتي اقترحها الباحثون بارتولو دازيني، وجوفاني كونفورتي، وآلان دورموس، وآرام-أليكسدير بولاديان. فكر في نهجهم كحيلة ذكية لوقف الحركة "المتقطعة" قبل أن تبدأ حتى. فبدلاً من مجرد التخمين أين سيكون الشخص تاليًا (الموقع)، هم يقررون تخمين مدى سرعة واتجاه تسارع أو تباطؤ الشخص. ومن خلال رفع المشكلة إلى "فضاء الطور" (phase space) — وهي طريقة فنية تعني تتبع الموقع والسرعة معًا في آن واحد — يمكنهم استخدام قاعدة رياضية لضمان أن تكون الحركة سلسة بشكل طبيعي، تمامًا مثل سيارة لا يمكنها الانتقال آنيًا أو تغيير سرعتها دون الضغط على دواسة الوقود أو الفرامل. وجد المؤلفون أنه من خلال تدريب الكمبيوتر على مطابقة أنماط التسارع هذه، يمكنهم إنشاء مسارات سلسة وواقعية تناسب البيانات تمامًا. طريقتهم أسرع من التقنيات السابقة لأنها لا تحتاج إلى محاكاة آلاف الرحلات الوهمية لتعلم القواعد، ولا تحتاج إلى خطوة مسبقة فوضوية لجعل الحركة تبدو سلسة. وفي الاختبارات على بيانات من العالم الحقيقي، مثل تيارات المحيطات وبيولوجيا الخلايا، أظهرت طريقتهم أنها قادرة على إنتاج مسارات أكثر سلاسة ودقة من الخواروات الموجودة، مما يقدم وسيلة جديدة وفعالة لحل لغز كيفية تحرك الأشياء عبر الزمن.

لغز المنتصف المفقود

دعونا نتعمق أكثر في القصة. تخيل أنك تحاول إعادة إنشاء رقصة، ولكن ليس لديك سوى صور للراقصين في البداية، والمنتصف، والنهاية من الأغنية. ليس لديك فيديو للرقصة نفسها. إذا قمت فقط بتوصيل النقاط بين الصور، فقد يبدو الراقصون وكأنهم ينتقلون آنيًا أو يحركون أطرافهم بطرق غير طبيعية. هذه هي المشكلة في العديد من الطرق الحاسوبية الحالية: فهي تحاول تعلم الرقصة خطوة بخ bước، وبدون مساعدة إضافية، تكون النتيجة غالبًا فوضى متعثرة ومتعرجة.

أدرك الباحثون وراء هذه الورقة البحثية أن سر الحركة السلسة لا يكمثل فقط في معرفة أين يوجد الشيء، بل في معرفة كيف يتحرك. في الفيزياء، نحن نعلم أن الأجسام لا تقفز فحسب؛ بل لديها سرعة (السرعة والاتجاه) وتسارع (كيف تتغير تلك السرعة). إذا كنت تعرف التسارع، يمكنك التنبؤ بمسار سلس. قرر المؤلفون التوقف عن محاولة تخمين الموقع مباشرة والبدء في محاولة تخمين التسارع.

حيلة "مطابقة التسارع"

الفكرة الجوريّة لخوارزميتهم الجديدة، مطابقة التسارع (AM)، هي التعامل مع المشكلة كلعبة "تخمين القوة". تخيل أنك مدرب يحاول تعليم روبوت كيفية الرقص بسلاسة. بدلاً من قول "حرك قدمك إلى هذا المكان"، تقول له "ادفع قدمك بهذه القوة الآن". إذا عرف الروبوت كيفية الدفع والسحب بشكل صحيح، فسينساب طبيعيًا عبر الهواء، مما يخلق منحنى سلسًا.

للقيام بذلك، رفع المؤلفون المشكلة إلى أبعاد أعلى. فبدلاً من مجرد النظر إلى خريطة لأماكن وجود الراقصين (الموقع)، نظروا إلى خريطة لأماكن وجودهم وكيفية تحركهم (السرعة). هذا ما يسمى فضاء الطور. في هذا الفضاء، حددوا قاعدة خاصة: يجب أن يتحرك الراقصون وفقًا لنوع معين من الحركة العشوائية التي تخلق مسارات سلسة بشكل طبيعي، تمامًا مثل قيادة سيارة على طريق وعر ولكن الركاب يشعرون برحلة سلسة بسبب نظام التعليق.

يحدث السحر عندما يدربون شبكة كمبيوتر لتعلم مجال التسارع. هذا المجال هو خريطة تخبر النظام: "إذا كنت في هذا الموقع بهذه السرعة، فيجب أن تتسارع في هذا الاتجاه المحدد". أظهر المؤلفون أنه إذا تعلمت خريطة التسارع هذه بشكل صحيح، فإن المسارات الناتجة ستكون سلسة تلقائيًا وتتطابق تمامًا مع اللقطات التي بدأت بها.

لماذا يعد هذا أمرًا بالغ الأهمية؟

قبل هذه الورقة، كان لدى العلماء طريقتان رئيسيتان لحل هذا اللغز، ولكل منهما عيوب:

1. طريقة "الخياطة" (Stitching): كانوا يتعلمون كيفية الانتقال من الصورة (أ) إلى الصورة (ب)، ثم من (ب) إلى (ج)، وهكذا، ويحاولون لصق القطع معًا. المشكلة؟ الغراء غالبًا لا يتماسك، ويبدو المسار متعرجًا عند التقاء القطع.
2. طريقة "المحاكاة" (Simulation): كانوا يجرون آلاف عمليات المحاكاة الوهمية لتحديد المسار الأفضل. كان الأمر يشبه محاولة تعلم ركوب الدراجة من خلال الاصطدام بالحائط مليون مرة. كان ذلك بطيئًا للغاية ومكلفًا حاسوبيًا.

تتجنب طريقة المؤلفين الجديدة، مطابقة التسارع، كلتا العقبتين.

• لا خياطة: نظرًا لأنهم يتعلمون التسارع للرحلة بأكمل Div واحدة، فإن المسار يكون سلسًا من البداية إلى النهاية. لا توجد فواصل غريبة.
• لا محاكاة: هذا هو الفوز الأكبر. طريقتهم "خالية من المحاكاة". هم لا يحتاجون إلى تشغيل آلاف الرحلات الوهمية لتعلم القواعد. يمكنهم تعلم خريطة التسارع مباشرة من البيانات، مما يجعلها أسرع وأرخص بكثير.

ماذا تقول الأرقام؟

اختبر المؤلفون فكرتهم على عدة مجموعات بيانات من العالم الحقيقي لمعرفة ما إذا كانت تعمل بالفعل.

• تيارات المحيطات: استخدموا بيانات من خليج المكسيك، لتتبع كيفية تحرك جزيئات الماء. أنتجت طريقتهم مسارات أكثر سلاسة ودقة من الطرق الشائعة الأخرى.
• نماذج المفترس والفريسة: اختبروا الطريقة على نموذج رياضي كلاسيكي لكيفية تفاعل الثعالب والأرانب. مرة أخرى، أنتجت طريقتهم حركات أكثر سلاسة وواقعية.
• بيولوجيا الخلية الواحدة: هذا مجال عالي المخاطر حيث يحاول العلماء فهم كيفية تطور الخلايا. اختبروا الطريقة على بيانات من الأجسام الجنينية (embryoid bodies) وبيانات CITE-seq (طريقة لقياس خصائص الخلايا). في هذه الاختبارات المعقدة وعالية الأبعاد، كانت طريقتهم منافسة لأفضل الأدوات الموجودة، وغالبًا ما أنتجت أخطاء أقل ونتائج أكثر استقرارًا بكثير من الطرق الأخرى التي عانت للحفاظ على سلاسة المسارات.

تشير النتائج إلى أن مطابقة التسارع هي أداة قوية جديدة. ورغم أنها لم تتفوق على كل منافس في كل اختبار (بعض الطرق كانت لا تزال أفضل قليًا في سيناريوهات معينة عالية الأبعاد)، إلا أنها أنتجت باستمرار مسارات أكثر سلاسة وفعلت ذلك دون التكلفة الحسابية الثقيلة لتشغيل آلاف الرحلات الوهمية.

الخلاصة

في النهاية، تقدم هذه الورقة منظورًا جديدًا لمشكلة قديمة. من خلال تحويل التركيز من "أين" إلى "ما مدى السرعة وفي أي اتجاه"، وجد المؤلفون طريقة لإنشاء حركات سلسة وواقعية من لقطات متفرقة. الأمر يشبه إدراك أنك لكي ترسم منحنى مثاليًا، لا تحتاج إلى تخمين كل نقطة؛ بل تحتاج فقط إلى معرفة كيف يجب دفع القلم. بالنسبة للعلماء الذين يدرسون كل شيء من تدفق المحيطات إلى تطور الحياة على المستوى الخلوي، توفر هذه الطة الجديدة وسيلة أسرع وأنظف وأكثر كفاءة لملء القطع المفقودة من اللغز. ويشير المؤلفون إلى أن هذا النهج يمكن أن يكون نقطة تحول في فهم البيانات المعقدة المرتبطة بالزمن في المستقبل.