تخيل أنك تحاول حل لغز صور مقطوعة (jigsaw puzzle) عملاق، لكن الصندوق يقول إن هناك قطعاً لا نهائية. في عالم علوم الحاسوب والإحصاء، هذه مشكلة شائعة تسمى النمذجة "غير المعلمية" (non-parametric). فبدلاً من التخمين بوجود عدد ثابت من المتغيرات (مثل "هناك بالضبط 5 مجموعات من البيانات")، يحاول الحاسوب معرفة عدد القطع التي يحتاجها فعلياً، وهو أمر قد يستمر إلى ما لا نهاية. ولحل هذه الألغاز، يستخدم العلماء حيلة ذكية تسمى "مونت كارلو بتناظر هاميلتون" (Hamiltonian Monte Carlo - HMC). فكر في HMC كمتنزه يحاول العثور على أعمق وادٍ في سلسلة جبال ضبابية. وبدلاً من اتخاذ خطوات صغيرة وعشوائية (وهو أمر بطيء وغير فعال)، يقوم المتنزه برمي كرة ذات زخم (momentum). تتدحرج الكرة أسفل المنحدرات، وتكتسب السرعة، مما يسمح للمتنزه بالقفز عبر التلال الضبابية والعثور على أفضل مكان بسرعة أكبر بكثير. ومع ذلك، هناك عقبة: المتنزهون العاديون يحتاجون إلى خريطة ذات عدد ثابت من الإحداثيات. وإذا كانت الخريطة لانهائية، فسوف يعلق المتنزه لأنه لا يستطيع حساب ميل الجبل.

هنا يأتي دور ورقة بحثية جديدة تقدم حلاً للحواسيب التي تعمل بنظام "التأجيل" (deferred) بأفضل طريقة ممكنة. فقد أدرك الباحثون، أثناء عملهم باستخدام لغة برمجة تسمى "هاسكيل" (Haskell)، أنه بينما قد يكون الجبل لانهائياً، فإن المتنزه يحتاج فقط إلى النظر إلى عدد محدد من الصخور تحت قدميه ليعرف الاتجاه الذي يجب أن يتدحرج فيه. لقد طوروا طريقة جديدة تسمى DeferredHMC. وهي تشبه وجود متنزه ينظر فقط إلى الأرض مباشرة تحت قدميه والخطوات القليلة التي أمامه، متجاهلاً بقية الجبل اللانهائي حتى يحتاج فعلياً للخطو هناك. وهذا يسمح للحاسوب بحل ألغاز معقدة ولانهائية كانت في السابق صعبة للغاية بالنسبة للطرق القياسية، وذلك باستخدام سرعة الزخم دون أن يشعر بالارتباك من اللانهاية.

المشكلة: الجبال اللانهائية والمتنزهون العالقون

في عالم البرمجة الاحتمالية، يكتب الإحصائيون أكواداً لوصف كيفية توليد البيانات. وأحياناً، لا يعرفون عدد "المعلمات" (parameters) (أي مقابض الضبط والأدوات) التي يحتاجونها. ربما يقومون بتجميع نقاط البيانات ولا يعرفون ما إذا كانت هناك 3 مجموعات أم 300 مجموعة. أو ربما يقومون بنمذجة "سير عشوائي" (random walk) يستمر إلى الأبد. في هذه الحالات، تكون "مساحة المعلمات" لانهائية.

تعتبر خوارزمية HMC القياسية رائعة للمشكلات المحدودة؛ فهي تستخدم "التدرجات" (gradients) (أي المنحدرات) لتوجيه عملية البحث. تخيل "الاحتمالية" لنموذج ما كأنها تضاريس: التلال العالية تمثل ملاءمة سيئة، والأودية العميقة تمثل ملاءمة جيدة. تستخدم HMC ميل التل لتدحرج الكرة نحو الوادي. ولكن لحساب الميل، تحتاج إلى معرفة ارتفاع التل عند كل نقطة. وإذا كان للتلة أبعاد لانهائية، فإن حساب الميل يبدو مستحيلاً.

سابقاً، حاول الناس إصلاح ذلك بثلاث طرق، لكن جميعها كانت تشوبها العيوب:

1. القطع (Truncation): كانوا ببساطة يقطعون الجبل بعد ارتفاع معين. هذا يشبه قول: "سننظر فقط في أول 100 قطعة من اللغز". هذا يعمل، لكنه فوضوي لأنك تضطر لتخمين مكان القطع، وإذا قطعت مبكراً جداً، فستفقد الحل.
2. الأبعاد الديناميكية (Dynamic Dimensions): يقومون ببناء الجبل قطعة قطعة أثناء تقدمهم. هذا أفضل، لكنه يجعل الكود معقداً وأقل "تصريحية" (declarative) (أي أقل تركيزاً على ماهية المشكلة وأكثر تركيزاً على كيفية بنائها).
3. الطرق المؤجلة بدون تدرجات: استخدموا التقييم "المؤجل" (الذي يحسب فقط ما هو مطلوب) ولكنهم تخلوا عن "الزخم". وهذا يعني أن المتنزه اضطر لاتخاذ خطوات صغيرة وعشوائية مرة أخرى، وهو أمر بطيء جداً.

تتساءل الورقة البحثية: هل يمكننا الحصول على أفضل ما في العالمين؟ هل يمكننا استخدام قوة وسرعة الزخم لـ HMC على جبل لانهائي، ولكن مع النظر فقط إلى أجزاء الجبل التي نحتاجها فعلياً؟

الحل: المتنزه المؤجل

يقول المؤلفون، ماريا-نيكوليتا كراتشيون وفريقها، نعم. لقد طوروا DeferredHMC، وهي طريقة تجمع بين قوة التدرجات والطبيعة "المؤجلة" لبرمجة هاسكيل.

إليك الخدعة السحرية: رغم أن الجبل لانهائي، إلا أن المتنزه (برنامج الحاسوب) لا يلمس سوى عدد محدود من الصخور لمعرفة المنحدر.

1. رؤية "PACAP": أثبت الفريق رياضياً أنه بالنسبة لفئة واسعة من البرامج، يكون "الميل" (التدرج) غير صفري فقط في عدد محدود من الأماكن. حتى لو كان النموذج يحتوي على أبعاد محتملة لانهائية، فإن البيانات المحددة التي تنظر إليها فقط "تنشط" عدداً قليلاً منها. الأمر يشبه مكتبة ضخمة بها كتب لانهائية، ولكن لسؤال محدد، تحتاج فقط لقراءة ثلاث صفحات؛ بقية المكتبة لا علاقة لها بالأمر في تلك اللحظة.
2. التقييم المؤجل (Deferred Evaluation): في لغة هاسكيل، لا يتم حساب القيم إلا عند الحاجة إليها. الحاسوب لا يولد القائمة اللانهائية من الأرقام العشوائية؛ بل يولد الرقم الأول، ثم الثاني، فقط عندما تقتضي الرياضيات ذلك.
3. خدعة الإلغاء (Cancellation Trick): هذا هو الجزء الأكثر ذكاءً. في HMC، يتعين عليك حساب "نسبة القبول" لتقرير ما إذا كان الموقع الجديد جيداً أم لا. يتضمن هذا عادةً ضرب الأرقام لكل بُعد على حد والذي يتطلب ذلك. إذا كانت هناك أبعاد لانهائية، فإن هذا الضرب سيكون لانهائياً. ولكن أظهر المؤلفون أنه بالنسبة للأبعاد التي لم يزرها المتنزه، فإن الرياضيات تعمل بشكل مثالي بحيث تلغي تلك الحدود بعضها البعض (أي أن حاصل ضربها يساوي 1). وهكذا، ينهار المنتج اللانهائي ليصبح منتجاً محدوداً وصغيراً يتضمن فقط الأبعاد التي تمت زيارتها.

كيف يعمل الأمر في الممارسة العملية

تقدم الورقة البحثية عدة نسخ مختلفة من هذا المتنزه المؤجل، لكنها جميعاً تتبع نفس المنطق:

• الخطوة 1: يبدأ المتنزه من موقع ما ويحصل على "دفعة" عشوائية (زخم).
• الما خطوة 2: يتدحرج المتنزه أسفل المنحدر. وبينما يتدحرج، يقوم فقط بحساب الأجزاء التي يمر عليها من الجبل اللانهائي.
• الخطوة 3: إذا وطئت قدم المتنزه صخرة جديدة لم تكن موجودة من قبل (مما يؤدي لتنشيط بُعد جديد)، يقوم النظام بتوليد البيانات اللازمة لهذا الموقع بشكل مؤجل.
• الخطوة 4: يقرر المتنزه ما إذا كان سيبقى أو يعود. وبما أن الأجزاء غير المزورة من الجبل تلغي بعضها البعض في الرياضيات، فلا يحتاج المتنزه لمعرفة أي شيء عنها.

كما طور المؤلفون نسخة مؤجلة من NUTS (No-U-Turn Sampler). تتطلب خوارزمية HMC القياسية منك تخمين المسافة التي ستتدحرج إليها (عدد الخطوات). إذا تدحرجت قليلاً، فلن تستكشف بما يكفي؛ وإذا تدحرجت كثيراً، فستضيع الوقت. NUTS هي خوارزمية ذكية تتوقف تلقائياً عندما تبدأ في العودة على نفسها. وقد صنع المؤلفون نسخة مؤجلة منها أيضاً، بحيث يمكن للحاسوب تحديد مسافة التدحرج دون الحاجة أبداً لرؤية الجبل اللانهائي بالكامل.

التجارب: هل ينجح الأمر حقاً؟

لاختبار فكرتهم، أجرى الفريق عمليات محاكاة على عدة مشكلات معقدة:

• التوزيع الهندسي (Geometric Distribution): نموذج حيث يكون عدد الخطوات غير محدود. كانت طرق Deferred HMC أسرع بعشر مرات على الأقل من أفضل طريقة سابقة (NP-HMC) وحققت نتائج دقيقة.
• السير العشوائي (Random Walks): نموذج حيث يتحرك السائر إلى الأبد. نجحت الطرق المؤجلة في العثور على نقطة البداية للسائر، رغم أن السير لانهائي. كانت طريقة Deferred NUTS أبطأ في الوقت الفعلي، لكنها وجدت حلولاً أفضل بكثير (حجم عينة فعال أعلى) من الطرق الأخرى.
• التجميع (Gaussian Mixture): نموذج حيث يكون عدد المجموعات غير معروف. حددت الطرق المؤجلة بشكل صحيح عدد المجموعات ومواقع مراكزها، وأدت أداءً يضاهي أو يتفوق على الطرق الموجودة.
  ══════════════════════════════════════════════════════════════════════════
• الانحدار متعدد الحدود (Polynomial Regression): نموذج حيث تكون درجة التعقيد للمنحنى غير معروفة. وجدت الطرق المؤجلة الدرجة الصحيحة (5) وطابقت البيانات جيداً، بينما تعثرت الطرق القديمة عند درجة تعقيد خاطئة.

ماذا يعني هذا؟

لا تدعي الورقة البحثية أنها حلت كل المشكلات في علم الإحصاء، ولا تقول إن هذا هو الكلمة الأخيرة في جميع النماذج اللانهائية. ومع ذلك، فهي تثبت أن HMC القائم على التدرج يمكن أن يعمل مباشرة على الفضاءات ذات الأبعاد اللانهائية دون الحاجة لقصها أو تتبع الأبعاد يدوياً.

الخلاصة الرئيسية هي أن التقييم المؤجل هو قوة خارقة. فمن خلال الانتظار حتى اللحظة الأخيرة لحساب قيمة ما، يتجنب الحاسوب المهمة المستحيلة المتمثلة في التعامل مع اللانهاية. بدلاً من ذلك، يتعامل مع جزء محدود وقابل للإدارة من المشكلة، وتضمن الرياضيات أن بقية العالم اللانهائي لن يهم.

يشير المؤلفون إلى أنه بينما يعمل هذا بشكل جيد في النماذج التي اختبروها، فإن الأنظمة الواقعية قد لا تزال بحاجة إلى توجيه بشري لضبط الإعدادات (مثل حجم الخطوات). ولكن في الوقت الحالي، لقد فتحوا الباب لطريقة جديدة للاستدلال البايزي (Bayesian inference): طريقة يمكن للحاسوب من خلالها استكشاف اللانهاية دون أن يضيع فيها.