تخيل أنك تحاول حل لغز ضخم متعدد الأبعاد. في عالم العلوم والهندسة، غالبًا ما تأتي هذه الألغاز في شكل "تنسورات" (tensors) — فكر فيها كأنها مكعبات فائقة من البيانات تمتد عبر اتجاهات عديدة في آن واحد، بعيدًا جدًا عن الأوراق المسطحة للجداول الحسابية أو الأعمدة البسيطة لقواعد البيانات. هذه التنسورات هي اللغة السرية لكل شيء، بدءًا من محاكة رقص الجسيمات الكمومية وصولاً إلى إعادة بناء الصور الطبية الضبابية. ولكن إليك العقبة: كلما أضفت المزيد من الأبعاد إلى لغزك، انفجر عدد القطع. قد تكون الصورة ثلاثية الأبعاد قابلة للإدارة، لكن نسخة رباعية أو خماسية الأبعاد قد تحتوي على كمية هائلة من البيانات لدرجة أنها قد تملأ كل الأقراص الصلبة على وجه الأرض. هذه هي "لعنة الأبعاد".

لترويض هذه العمالقة، يستخدم العلماء حيلة تسمى "التقريب من الرتبة المنخفضة" (low-rank approximation). تخيل أنك تحاول وصف لوحة معقدة ليس عبر سرد لون كل بكسل، بل بوصف بعض ضربات الفرشاة وكيف تتحد معًا. هذا يضغط البيانات، مما يجعل من الممكن معالجة الأرقام. ومع ذلك، عندما تحاول حل هذه الألغاز باستخدام طريقة شائعة تسمى GMRES (وهي بمثابة محقق يعمل خطوة بخطوة ويبني قائمة من الأدلة)، يحدث شيء غريب. في كل مرة يضيف فيها المحقق دليلًا جديدًا إلى قائمته، تزداء "تعقيد" هذا الدليل. يبدأ دفتر ملاحظات المحقق بالامتلاء بأوصاف تزداد تعقيدًا باستمرار حتى، في النهاية، يصبح الدفتر ثقيلًا جدًا بحيث لا يمكن حمله، وتنفد ذاكرة الكمبيوتر. يعلق المحقق في مكانه، عاجزًا عن حل القضية لأنه يغرق في ملاحظاته الخاصة.

تقدم هذه الورقة البحثية طريقة جديدة وذكية لإبقاء دفتر ملاحظات المحقق خفيفًا وسهل الإدارة. يقترح المؤلفون، وهم فريق من علماء الرياضيات من المملكة المتحدة والولايات المتحدة، خوارزميتين جديدتين تعتمدان على "التخطيط" (sketched). بدلاً من كتابة الوصف الكامل والثقيل لكل دليل، تأخذ هذه الطرق الجديدة "لقطة" (snapshot) سريعة وعشوائية أو "مخططًا" (sketch) لكل دليل. الأمر يشبه التقاط صورة لمنحوتة معقدة بدلاً من قياس كل منحنى فيها باستخدام المسطرة. ومن خلال استخدام هذه اللقطات، يمكن للمحقق حل اللغز بشكل أسرç وأقل استهلاكًا للذاكرة. لقد اختبروا هذه الطرق على ثلاثة أنواع مختلفة من المشكلات: معادلة فيزيائية كلاسيكية (معادلة بواسون)، ومشكلة تدفق سوائل معقدة (الحمل والانتشار)، ومهمة واقعية لإزالة الضبابية من الصور. وفي كل حالة، نجح محققو "اللقطات" في حل المشكلات بكفاءة أكبر من الطرق القديمة الثقيلة، وفي حالة إزالة الضبابية من الصور، ساعدت عملية التقاط اللقطة نفسها في تنظيف الضجيج، حيث عملت كمرشح مدمج للكشف عن الصورة الحقيقية.

المشكلة: دفتر ملاحظات المحقق المثقل

تخيل أنك محقق تحاول حل لغز من خلال بناء "فضاء كريلوف" (Krylov subspace). باللغة البسيطة، هذا مجرد قائمة متنامية من الأدلة. تبدأ بدليل واحد، ثم تستخدم قاعدة (المؤثر الخطي) لتوليد دليل ثانٍ، ثم ثالث، وهكذا. ولإيجاد الحل، تحتاج إلى التأكد من أن كل هذه الأدلة مختلفة عن بعضها البعض — وهي عملية تسمى "التعامد" (orthogonalization).

في عالم التنسورات (البيانات متعددة الأبعاد)، يصطدم هذا المسار بحائط مسدود. فكلما أضفت المزيد من الأدلة إلى قائمتك، يميل "الرتبة الرياضية" (mathematical rank) لكل دليل (وهي مقياس لتعقيده) إلى النمو. الأمر يشبه محاولة وصف شكل بسيط، ولكن في كل مرة تضيف فيها تفصيلًا جديدًا، يتحول الشكل إلى "فركتل" (fractal) ذي طبقات لانهائية. سرعان ما تمتلئ ذاكرة جهاز الكمبيوتر الخاص بك بهذه الأوصاف التي تزداد تعقيدًا، وتتوقف العملية تمامًا. هذا هو العائق الأساسي الذي تعالجه الورقة: الطرق القياسية تصبح ثقيلة للغاية بحيث لا يمكن حملها.

الحل: أخذ اللقطات بدلاً من القياسات

يقترح المؤلفون استراتيجيتين جديدتين لحل هذه المشكلة، كلتاهما تعتمد على مفهوم "التخطيط" (sketching). بدلاً من الاحتفاظ بالوصف الكامل والثقيل لكل دليل، يتم أخذ "مخطط" سريع وعشوائي له. فكر في الأمر كالتالي: إذا كنت تريد مقارنة لوحتين ضخمتين، فلن تقيس كل بكسل فيهما. بدلاً من ذلك، قد تلتقط صورة سريعة لكل منهما بكاميرا ضبابية قليلاً وتقارن الصور. إذا كانت الصور متشابهة بما يكفي، ستعرف أن اللوحات متشابهة. هذا يوفر الكثير من الوقت والمساحة.

تقدم الورقة طريقتين محددتين للقيام بذلك في ألغاز التنسور:

1. "المقدر الذكي" (RHOSVD-Tucker sGMES)
تستخدم هذه الطريقة تقنية تسمى "تحليل القيم المفردة العالية الرتبة العشوائي" (RHOSVD). تخيل أن لديك كومة من الكتل ثلاثية الأبعاد المعقدة. بدلاً من محاولة عد كل كتلة، تقوم بهز الكومة وتنظر إلى كيفية مرور الضوء من خلالها لتخمين عدد الكتل الموجودة حق truly. هذه الطريقة "تكيفية"، مما يعني أنها تحدد تلقائيًا مقدار التفاصيل التي تحتاج إلى الاحتفاظ بها أثناء العمل. إنها قوية وتعمل جيدًا مع مجموعة واسعة من المشكلات، لكنها لا تزال تحتفظ بقائمة كاملة من الأدلة، ولكن بطريقة أكثر ذكاءً في ضغطها.

2. "البث المتدفق" (MLN-Tucker sGMES)
هذا هو النهج الأكثر راديكالية. يستخدم ما يسمى بـ "تقريب نايستروم متعدد الخطية" (Multilinear Nyström). تخيل حزامًا ناقلًا يأتي بالأدلة واحدًا تلو الآخر. بدلاً من تخزين كل دليل في مستودع ضخم، تأخذ هذه الطريقة لقطة سريعة للدليل، وتجري عملياتها الرياضية، ثم تتخلص من الأصل الثقيل، محتفظة فقط بالمخطط الصغير. إنها "قابلة للبث"، مما يعني أنها تستطيع التعامل مع تدفق مستمر من البيانات دون نفاد الذاكرة.

• الخدعة السحرية: وجد المؤلفون أن "اللقطة" اللازمة لحل المسألة الرياضية هي في الواقع مكافأة مجانية تأتي مع عملية الضغط. هم لا يحتاجون إلى التقاط صورة ثانية؛ فالصورة الأولى تقوم بالمهمتين معًا.
• توفير الذاكرة: لقد أضافوا أيضًا وضعًا "فعالًا للذاكرة". إذا كانت مساحة الكمبيوتر محدودة حقًا، يمكن للنظام التخلص من المزيد من تفاصيل اللقطة، والاحتفاظ فقط بالأجزاء الأكثر جوهرية، دون إفساد الإجابة النهائية.

النتائج: أسرع، أخف، وأنقى

اختبر الفريق هؤلاء المحققين الجدد في ثلاثة تحديات مختلفة:

• لغز الفيزياء (معادلة بواسون): قاموا بحل معادلة حرارية ثلاثية الأبعاد. كانت الطرق الجديدة أسرع وأكثر قوة من الطرق القياسية القديمة، خاصة عندما احتاجوا إلى دقة عالية جدًا.
• لغز تدفق السوائل (الحمل والانتشار): هذه مشكلة أكثر تعقيدًا وغير متماثلة حيث لا تتصرف الأدلة بشكل جيد. هنا، برزت طريقة "البث" (MLN). فقد تمكنت من حل المشكلة في نصف الوقت تقريبًا مقارنة بالطرق القديمة، وباستخدام ذاكرة أقل بكثير. وحتى عندما أجبروا الطرق القديمة على استخدام عدد أقل من "الأدلة" لتوفير الذاكرة، كان أداء الطرق الجديدة أفضل.
• لغز إزالة الضبابية من الصور: كان هذا الاختبار الأكثر إثارة. حاولوا أخذ صورة ثلاثية الأبعاد ضبابية ومليئة بالضجيج (مثل فيديو لنموذج تجريبي لجسم مجوف) وجعلها حادة.
  • المفاجأة: عملية ضغط الصورة الضبابية إلى تنسور من رتبة منخفضة (أخذ اللقطة) عملت في الواقع كـ "منظم" (regularizer). بعبارة أخرى، قامت عملية الضغط تلقائيًا بالتخلص من الضجيج عالي التردد (النمش أو التشويش) مع الحفاظ على التفاصيل المهمة. كان الأمر كما لو أن عدسة كاميرا المحقق تقوم بتصفية الضباب طبيعيًا.
  • النتيجة: من خلال الجمع بين هذا الترشيح الطبيعي وتعديل رياضي ذكي (Tikhonov regularization)، تمكنوا من إعادة بناء الصورة بوضوح دون الحاجة إلى معرفة مقدار الضجيج في الصورة مسبقًا. أنتجت الطرق الجديدة صورًا مستقرة وواضحة حيث كانت الطرق القديمة ستفشل أو تنتج نتائج غير منطقية.

لماذا يهم هذا الأمر؟

تظهر الورقة البحثية أنك لست بحاجة لحمل العالم كله في حقيبة ظهرك لحل مشكلة كبيرة. من خلال استخدام "اللقطات" العشوائية والضغط الذكي، يمكنك حل ألغاز ضخمة متعددة الأبعاد كانت مستحيلة سابقًا بسبب حدود الذاكرة. أثبت المؤلفون أن هذه الطرق ليست مجرد نظريات؛ بل تعمل في محاكاة حقيقية، حيث تحل مشكلات تستغرق دقائق أو ساعات بالطرق القديمة في ثوانٍ معدودة، وتفعل ذلك باستخدام جزء ضئيل من ذاكرة الكمبيوتر.

والأهم من ذلك، بالنسبة للمسائل العكسية مثل إزالة الضبابية من الصور، فقد أظهروا أن الضغط نفسه هو أداة قوية لتنظيف البيانات. وهذا يشير إلى طريقة جديدة للتعامل مع البيانات الحقيقية الفوضوية والمليئة بالضجيج: لا تحاول فقط قياس كل شيء بدقة؛ بل قم بضغطها بذكاء، وقد يختفي الضجيج من تلقاء نفسه.