Bayesian Symbolic Regression with Entropic Reinforcement Learning
تقدم هذه الورقة البحثية ERRLESS، وهي طريقة بايزية للتحليل الرمزي قابلة للتوسع تستخدم التعلم المعزز المنظم بالإنتروبيا لأخذ عينات من التوزيع البعدي للتعبيرات الجبرية، مما يتيح تقديراً فعالاً لعدم اليقين ويحقق نتائج تنافسية وقابلة للتفسير في اختبارات معيارية مثل Feynman.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك محقق يحاول حل لغز، ولكن بدلاً من البحث عن شخص مفقود، أنت تحاول العثور على القاعدة الرياضية الخفية التي تشرح كيف يعمل العالم. هذه هي وظيفة الانحدار الرمزي (Symbolic Regression). وبينما تشبه أدوات الرياضيات القياسية الخياط الذي لا يمكنه سوى تعديل الأزرار في بدلة موجودة بالفعل (تعديل الأرقام في صيغة ثابتة)، فإن الانحدار الرمزي يشبه الخياط الماهر الذي يمكنه ابتكار بدلات جديدة تماماً من الصفر، عبر حياكة أقمشة مختلفة (عمليات رياضية مثل الجمع، أو الجيب "sine"، أو الجذور التربيعية) لتناسب البيانات بشكل مثالي.
ومع ذلك، فإن بيانات العالم الحقيقي فوضوية؛ فهي مليئة بالضجيج، مثل إشارة راديو مليئة بالتشويش، ونادرة أيضاً، مثل محاولة تخمين لحن أغنية من ثلاث نوتات فقط. إذا وجدت صيغة واحدة "مثالية" فقط، فقد تخدعك الضوضاء. وهنا يأتي دور التفكير البايزي (Bayesian thinking). فبدلاً من المراهنة على إجابة واحدة، يحتفظ المحقق البايزي بمكتبة كاملة من النظريات المحتملة، مع تعيين احتمالية لكل منها بناءً على مدى ملاءمتها للأدلة. وهذا يسمح له بالقول: "أنا شبه متأكد من أن هذه هي الصيغة، ولكن هناك فرصة صغيرة لأن تكون تلك الصيغة الأخرى هي الصحيحة"، وهو أمر بالغ الأهمية عندما تكون البيانات شحيحة. التحدي الكبير كان دائماً: كيف يمكنك البحث بكفاءة عبر المكتبة اللانهائية من الصيغ الرياضية الممكنة للعثور على المزيج الصحيح من الاحتمالات دون أن تضيع؟
إليك ERRLESS، وهو نهج جديد قدمه أوساما بوسيف وزملاؤه، يعامل هذا البحث كأنه لعبة فيديو. تخيل روبوتاً يتعلم بناء هيكل "ليغو" معقد، ولكن بدلاً من مجرد محاولة بناء برج واحد مثالي، فإنه يتعلم بناء العديد من الأبراج المختلفة، وفهم أي منها هو الأكثر احتمالاً ليكون الهيكل "الحقيقي" بناءً على الأدلة. يطلق الباحثون على طريقتهم اسم ERRLESS (تعلم التعزيز لنمذجة بنية التعبير عبر تنظيم الإنتروبيا - Entropy-Regularized Reinforcement Learning for Expression Structure Sampling).
إليك كيف يعمل في عالم البيانات الحقيقي: علّم الفريق شبكة عصبية (نوع من أنواع الذكاء الاصطناعي) لتعمل كبناء. هذا الباني لا يخمن فحسب؛ بل يبني تعبيرات رياضية خطوة بخطوة، تماماً مثل تجميع جملة كلمة بكلمة. ولكن هناك شرط: يجب على الباني اتباع قواعد الفيزياء الصارمة. فكما لا يمكنك جمع "أمتار" مع "ثوانٍ" للحصول على نتيجة ذات معنى، فقد تمت برمجة الذكاء الاصطناعي لرفض أي مزيج رياضي يكسر قوانين الوحدات الفيزيائية. يتم ذلك باستخدام نهج "من الأسفل إلى الأعلى"، حيث يبني الذكاء الاصطناعي قطعاً صغيرة وصحيحة أولاً ثم يربطها معاً، مما يضمن أن كل خطوة منطقية قبل الانتقال إلى الخطوة التالية.
يتعلم الذكاء الاصطناعي من خلال عملية التعلم التعزيزي (Reinforcement Learning)، وهي تشبه تدريب كلب باستخدام المكافآت. في كل مرة يبني فيها الذكاء الاصطناعي صيغة تناسب البيانات جيداً، يحصل على "مكافأة" (جائزة). ولكن هنا تكمن اللمسة الذكية: لم يرد الباحثون من الذكاء الاصطناعي العثور على أفضل صيغة واحدة فحسب، بل أرادوا منه استكشاف "المكتبة" الكاملة من الاحتمالات. ولتحقيق ذلك، استخدموا تقنية تسمى التعلم التعزيزي بحد أقصى للإنتروبيا (Maximum-Entropy Reinforcement Learning). فكر في هذا الأمر كأنك تقول للذكاء الاصطناعي: "لا تجد المسار الأفضل فحسب؛ بل استكشف أكبر عدد ممكن من المسارات المختلفة، ولكن تأكد من زيارة المسارات الأكثر واعداً بشكل أكثر تكراراً". يضمن هذا عدم تعثر الذكاء الاصطناعي في فكرة واحدة، بل يتعلم بدلاً من ذلك "الخريطة" الكاملة للصيغ المحتملة.
النتائج واعدة للغاية. فعند اختبارها على قاعدة بيانات فاينمان للانحدار الرمزي — وهي مجموعة شهيرة تضم 100 صيغة فيزيائية من عالم الفيزياء الأسطوري ريتشارد فاينمان — أظهرت ERRLESS أداءً تنافسياً ضد أفضل الأساليب الموجودة. لقد تمكنت من إيجاد صيغ قصيرة وسهلة القراءة كانت بدقة الصيغ المعقدة التي تجدها الخوارزميات الأخرى. والأهم من ذلك، ولأنها تلتقط عدم اليقين (المنظور البايزي)، فقد تعاملت مع البيانات المشوشة بشكل أفضل. وفي الاختبارات التي كانت فيها البيانات شحيحة ومليئة بالضجيج، أنتجت ERRLESS "متوسط تنبؤي خلفي" (نوع من متوسط أفضل تخميناتها) كان أكثر دقة من المنافس الرائد المسمى PySIPS. وبينما كان PySS يفقد تركيزه أحياناً بسبب التخمينات الجامحة وغير المحتملة التي تشوه متوسطه، حافظت ERRLESS على تخميناتها واقعية، مما وفر تنبؤاً أكثر موثوقية.
كما تسلط الورقة البحثية الضوء على أن ERRLESS سريعة بشكل مذهل. فخلافاً للأسال_التي تضطر للتوقف لضبط الأرقام في الصيغة مراراً وتكراراً (وهي عملية بطيئة ومكلفة حاسوبياً)، تتعلم ERRLESS تخمين كل من بنية الصيغة والأرقام داخلها في آن واحد. وهذا يجعلها أسرع بمراحل من منافسيها.
ومع ذلك، فإن المؤلفين حذرون من الادعاء بأن هذا الحل هو "عصا سحرية" لكل مشكلة. فقد أشاروا إلى أنه بينما تعد ERRLESS ممتا-زة في نمذجة توزيع الإجابات الممكنة، إلا أنها قد لا تزال تواجه صعوبة مع التعبيرات المستهدفة شديدة التعقيد. كما أوضحوا أن طريقتهم تعتمد على مجموعة محددة من العمليات الرياضية، وأن العمل المستقبلي قد يتضمن تعليم الذكاء الاصطناعي ابتكار عملياته الخاصة أو تطبيق هذه الأفكار على المعادلات التفاضلية.
باختاً، تشير هذه الورقة البحثية إلى أنه من خلال الجمع بين قواعد الفيزياء وطريقة تدريب ذكاء اصطناعي ذكية واستكشافية، يمكننا بناء نظام لا يجد فقط صيغة واحدة، بل يفهم مشهد الصيغ الممكنة. إنها خطوة نحو آلات لا تكتفي بمعالجة الأرقام فحسب، بل تفهم حقاً عدم اليقين والجمال الكامن في القوانين التي تحكم كوننا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.