Learning Deterministic and Stochastic Forced Hamiltonian Systems
تقدم هذه الورقة إطاراً هندسياً وفئة جديدة من الشبكات العصبية الحافظة للبنية، تُسمى الشبكات العصبية الهاميلتونية القسرية المعممة (GFHNNs)، لتعلم الأنظمة الهاميلتونية القسرية الحتمية والعشوائية، مما يظهر استقراراً ودقة وكفاءة في البيانات على المدى الطويل تتفوق بها على البدائل غير الهندسية.
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
في العالم المادي، تتبع العديد من الأنظمة إيقاعاً خفياً، وهي مجموعة من القواعد التي تحكم كيفية انتقال الطاقة وتغيرها. فكر في بندول يتأرجح أو كوكب يدور حول نجم؛ هذه أمثلة على ما يسميه العلماء "الأنظمة الهاميلتونية" (Hamiltonian systems). لقرون، عرف الرياضيون أن هذه الأنظمة تمتلك بنية هندسية خاصة، نوعاً من الهندسة الداخلية التي تحافظ على استقرارها لفترات طويلة. ومع ذلك، نادراً ما يكون العالم الحقيقي مثالياً؛ فالاِحتكاك يبطئ الحركة، والتدخلات الخارجية من دفع أو سحب تحدث باستمرار. وعندما تؤثر هذه القوى الخارجية على نظام ما، تنهار القواعد الأنيقة للعالم المثالي، ويتبادل النظام الطاقة مع محيطه. إن التنبؤ بكيفية سلوك مثل هذا النظام بمرور الوقت أمر صعب، لأن الأدوات الرياضية القياسية غالباً ما تبتعد عن الحقيقة، وتفقد دقتها كلما طالت مدة المحاكاة.
لعقود من الزمن، حاول العلماء استخدام الذكاء الاصطناعي لحل هذه المشكلات. لقد علموا البرامج الحاسوبية تعلم المعادلات التي تصف الحركة، آملين أن تتمكن الآلات من التنبؤ بالحالة المستقبلية للنظام. وبينما تعمل هذه الطرق بشكل جيد لفترات زمنية قصيرة، فإنها غالباً ما تفشل على المدى الطويل. يتعلم الحاسوب الخطوات الفورية، لكنه ينسى الهندسة الكامنة التي تحافظ على استقرار النظام. ونتيجة لذلك، قد يبدو المسار المتوقع صحيحاً للحظة، ولكن عبر ساعات أو أيام، ينحرف بشكل جامح عن مساره، منتهكاً القوانين الأساسية للفيزياء التي يُفترض أن يلتزم بها النظام. وهذا يمثل عقبة كبيرة في مجالات مثل الروبوتات، حيث يجب أن تتحرك ذراع الروبوت بدقة لسنوات، أو في فيزياء البلازما، حيث ينمذج العلماء سلوك الغاز شديد الحرارة في مفاعلات الاندماج.
قام فريق من الباحثين من ألمانيا وهولندا بتطوير طريقة جديدة لتعليم الحواسيب هذه الأنظمة المعقدة، طريقة تحترم الهندسة الخفية منذ البداية. فبدلاً من مطالبة الشبكة العصبية بتخمين قواعد الحركة، قاموا ببناء الشبكة من القواعد نفسها. لقد ابتكروا نوعاً جديداً من بنية الذكاء الاصطناعي يسمى "الشبكات العصبية الهاميلتونية العامة القسرية" (Generalized Forced Hamiltonian Neural Networks). هذه الشبكات ليست مجرد "صناديق سوداء" تتعلم عن طريق التجربة والخطأ؛ بل يتم بناؤها عبر ربط خطوات رياضية صغيرة ومثبتة تُعرف بقدرتها على الحفاظ على بنية النظام. وقد أثبت الباحثون رياضياً أن هذا النهج يمكنه تقريب سلوك أي نظام كهذا بدقة متناهية، بشرط أن تكون الشبكة كبيرة بما يكفي.
اختبر الفريق طريقتهم الجديدة مقابل الشبكات العصبية التقليدية غير الهندسية باستخدام عدة أمثلة صعبة. بدأوا بمذبذب توافقي مخمد بسيط، وهو نظام يحاكي نابضاً (زنبركاً) مع وجود احتكاك. وفي هذه الاختبارات، تعلمت الشبكات الهندسية الجديدة الحركة باستخدام نقاط بيانات أقل بكثير من الشبكات التقليدية. والأهم من ذلك، عندما طلب الباحثون من الشبكات التنبؤ بسلوك النظام في المستقبل البعيد، فشلت الشبكات التقليدية؛ إذ انحرفت توقعاتها بشكل لولبي خارج السيطرة، وفقدت توازن الطاقة الصحيح. أما الشبكات الهندسية الجديدة، فقد ظلت على المسار الصحيح، محافظةً على الخصائص الفيزيائية الصحيحة حتى بعد محاكاة آلاف الخطوات الزمنية. كان الفرق صارخاً: احتاجت الشبكات التقليدية إلى كميات هائلة من بيانات التدريب للوصول إلى مستوى الدقة الذي حققته الشبكات الجديدة بجزء ضئيل من المعلومات.
لم يتوقف الباحثون عند الأنظمة البسيطة والمتوقعة، بل وسعوا منهجهم للتعامل مع الأنظمة التي تتغير بمرور الوقت والأنظمة المتأثرة بالضوضاء العشوائية، مثل الاضطرابات غير المتوقعة الموجودة في الديناميكا الجزيئية. ومن خلال معاملة التقلبات العشوائية كمجموعة من المعلمات (parameters) التي يمكن للشبكة تعلمها، أظهروا أن إطارهم الهندسي يعمل بنفس الكفاءة في هذه السيناريوهات الفوضوية. وفي اختبار تضمن مذبذباً عشوائياً (stochastic oscillator)، حيث يتعرض النظام لضربات من قوى عشوائية، تفوقت الشبكة الجديدة مرة أخرى على النهج القياسي؛ حيث التقطت السلوك الدقيق طويل المدى للنظام بدقة أكبر بكثير، بينما كافحت الشبكة التقليدية لمواكبة الأمر، منتجةً أخطاءً نمت بسرعة بمرور الوقت.
يكمن جوهر هذا النجاح في كيفية بناء هذه الشبكات. فقد استخدم الباحثون مبدأً من مبادئ الفيزياء يُعرف بمبدأ "لاغرانج-دالمبير" (Lagrange-d'Alembert)، والذي يصف كيفية حركة الأنظمة عند تطبيق قوى خارجية. لقد ترجموا هذا المبدأ إلى نوع محدد من الخرائط الرياضية، وهي إجراء خطوة بخطوة ينقل النظام من لحظة إلى أخرى دون كسر بنيته الداخلية. ومن خلال ربط هذه الخرائط معاً، أنشأوا شبكة عصبية مستقرة بطبيعتها. وبخلاف الطرق الأخرى التي تحاول تعلم تدفق النظام بالكامل دفعة واحدة، فإن هذا النهج يبني التدفق من "لبنات" صغيرة وموثوقة. وهذا يضمن أن الحاسوب لن يفقد أبداً رؤية القواعد الأساسية، حتى أثناء تعلمه التفاصيل المحددة لمشكلة جديدة.
إن تداعيات هذا العمل كبيرة لكل من يعتمد على عمليات المحاكاة طويلة المدى. ففي الهندسة والعلوم، غالباً ما يكون القدرة على التنبؤ بكيفية سلوك نظام ما على مدار أشهر أو سنوات أكثر أهمية من معرفة حالته خلال الثواني القليلة القادمة. توفر الطريقة الجديدة وسيلة لتحقيق هذا الاستقرار طويل الأمد دون الحاجة إلى جمع كميات هائلة من البيانات، والتي قد تكون مكلفة أو مستحيلة الحصول عليها في بعض التجارب. لقد أثبت الباحثون أنه من خلال احترام هندسة المشكلة، تصبح الشبكة العصبية متعلمة أكثر كفاءة وموثوقية؛ فهي لا تحفظ البيانات فحسب، بل تفهم شكل الحركة.
يفتح هذا البحث الباب أمام نماذج أكثر قوة للأنظمة الفيزيائية المعقدة. ويشير المؤلفون إلى أن إطار عملهم يمكن تطبيقه في الروبوتات، حيث يكون التحكم الدقيق طويل الأمد ضرورياً، وفي فيزياء البلازما الحسابية، حيث تعد محاكاة سلوك الجسيمات المشحونة عملية مكلفة حاسوبياً. ومن خلال توفير طريقة لتعلم هذه الأنظمة بدقة عالية ومتطلبات بيانات منخفضة، يمكن لهذه البنية الجديدة أن تعمل كأداة قوية للعلماء والمهندسين. إنها تمثل تحولاً في كيفية تفكيرنا في الذكاء الاصطناعي في العلوم: الانتقال من مجرد ملاءمة البيانات (data fitting) إلى بناء آلات متجذرة في القوانين الأساسية للكون. ويثبت هذا العمل أنه عندما نعلم الحواسيب احترام هندسة الطبيعة، يمكنها أن تتعلم التنبؤ بالمستقبل بوضوح كان بعيد المنال في السابق.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.