Generate in the Chart, Not on the Boundary: Function-Symbol Grounding for Hard Constraints in LTN-GANs

في عالم الذكاء الاصطناعي، أصبحت الآلات بارعة بشكل ملحوظ في محاكاة أنماط العالم الحقيقي. فهي تستطيع توليد صور وجوه مزيفة ولكنها تبدو واقعية، أو اختلاق مقالات إخبارية تبدو منطقية، أو إنشاء سجلات اصطناعية لجداول الرحات الجوية أو التفاعلات الكيميائية. وتعد هذه الأدوات لا تقدر بثمن للعلماء والمهندسين الذين يحتاجون إلى مزيد من البيانات لاختبار النظريات أو تدريب أنظمة أخرى، خاصة عندما تكون البيانات الحقيقية نادرة أو حساسة للغاية بحيث يصعب مشاركتها. ومع ذلك، هناك عقبة؛ فمجرد كون الآلة تنشئ شيئًا يبدو مشابهًا إحصائيًا للشيء الحقيقي لا يعني أنه يتبع القواعد الأساسية التي تحكم الواقع. فقد يظهر سجل طيران اصطناعي وصول الطائرة قبل إقلاعها، أو قد تكون جزيئة كيميائية تم إنشاؤها بتوازن طاقة مستحيل. هذه الأخطاء تنتهك القوانين الصارمة للفيزياء والمنطق التي تلتزم بها البيانات الحقيقية. ويتمثل التحدي الذي يواجه الباحثين في بناء مولدات لا تبدو واقعية فحسب، بل تلتزم أيضًا بصرامة بهذه القواعد التي لا تقبل الجدل، لتنتج بيانات تكون مقنعة ومنطقية في آن واحد.

لسنوات، كان النهج القياسي لإصلاح هذه الأخطاء المنطقية هو التعامل معها كاقتراحات مرنة. في هذه الطريقة، يتم إعطاء الكمبيوتر عقوبة كلما كسر قاعدة ما، مما يشجعه على التحسن بمرور الوقت. ورغم أن هذا يساعد، إلا أنه لا يضمن الكمال أبدًا؛ إذ يمكن للآلة أن تقع في الخطأ أحيانًا، مضحيةً بقاعدة من أجل صورة تبدو أفضل قليلاً. أما الطريقة الأحدث والأكثر صرامة فتتضمن "طبقة قيود"، وهي بوابة ميكانيكية توضع في نهاية عملية التوليد. إذا أنتجت الآلة عينة تكسر قاعدة ما، فإن هذه البوابة تجبر الأرقام فيزيائيًا على التغير بقدر كافٍ لجعل العينة صالحة. إنها تعمل مثل شبكة أمان، مما يضمن أن كل مخرج صحيح تقنيًا. لكن الباحثين نيجيش أوبريتي وفايشاك بيل من جامعة إدنبرة اكتشفا خللًا خفيًا في شبكة الأمان هذه. فقد وجدا أنه بينما تضمن البوابة صلاحية العينة، فإنها غالبًا ما تدمر التباينات الدقيقة والطبيعية التي تجعل البيانات واقعية.

تكمن المشكلة في كيفية تطبيق هذه القواعد. فالعديد من القواعد العلمية هي عبارة عن متباينات، مثل "يجب أن تكون درجة الحرارة أكبر من الصفر" أو "يجب أن يكون وقت الهبوط بعد وقت الإقلاع". وفي العالم الحقيقي، لا تكون هذه الفجوات مجرد صفر أو واحد؛ بل لها انتشار طبيعي. فقد تتأخر رحلة جوية لبضع دقائق، أو قد يكون لتفاعل كيميائي هامش طاقة صغير. وعندما تقوم بوابة الأمان القياسية بإصلاح الانتهاك، فإنها تدفع العينة مباشرة نحو حافة المنطقة المسموح بها، مما يجعل الفجوة صفرًا تمامًا. وهي تفعل ذلك لكل عينة كانت خاطئة ولو قليلاً. والنتيجة هي مجموعة بيانات تكون فيها كل مدخلات صالحة، ولكن التوزيع الطبيعي لتلك الفجوات يختفي. تبدو البيانات مثالية وفقًا لقائمة مراجعة، لكنها تبدو مسطحة واصطناعية لأن التباينات الدقيقة التي تحدد العالم الحقيقي قد سُحقت في نقطة واحدة. ويسمي أوبريتي وبيل هذا بـ "انهيار توزيع الهامش"، وقد أظهرا أنه يحدث بهدوء شديد لدرجة أن الاختبارات القياسية غالبًا ما تخطئه، مما يترك الباحثين مع بيانات تبدو جيدة ولكنها مشوهة جوهريًا.

لحل هذه المشكلة، طور الباحثون طريقة جديدة للتفكير في كيفية بناء الآلة لعيناتها. فبدلاً من توليد عينة كاملة ثم التحقق مما إذا كانت تكسر القواعد، قاموا بتغيير المخطط نفسه. لقد قدموا طريقة تسمى "تأسيس الرمز الوظيفي" (function-symbol grounding)، والتي تعمل كنظام إحداثيات داخل المنطقة المسموح بها. تخيل أن الآلة لم تعد تحاول إصابة هدف ثم تصحيح تصويبها؛ بل أصبحت ترسم خريطة للمنطقة الآمنة بأكملها وتختار نقطة مباشرة من داخلها. تقوم الآلة بتوليد رقم حر غير مقيد، ثم تقوم دالة رياضية محددة بترجمة هذا الرقم إلى قيمة مضمونة الصلاحية. وتتم هذه الترجمة عن طريق إضافة مقدار صغير موجب إلى قيمة أساسية، مما يضمن استيفاء القاعدة من خلال البناء نفسه. ولأن الآلة تبني العينة من الداخل إلى الخارج، فهي لا تحتاج أبدًا إلى الإجبار أو الضبط. وبالتالي، تظل التباينات الطبيعية، أي "الهوامش" بين القيم، سليمة ويتم تعلمها تمامًا مثل أي ميزة أخرى من ميزات البيانات.

اختبر الفريق هذا النهج على أربع مجموعات بيانات معقدة وعالية الدقة تتعلق بالكيمياء، والخصائص الجزيئية، وسجلات رحلات سيارات الأجرة. وفي كل حالة، أدت الطريقة القديمة المتمثلة في "الضبط" (clamping) إلى إنتاج بيانات صالحة بنسبة 100 بالمائة ولكن بتوزيع مشوه للفجوات بين القيم. ومع ذلك، أنتجت الطريقة الجديدة أيضًا بيانات صالحة بنسبة 100 بالمائة ولكنها حافظت تمامًا على الانتشار الطبيعي لتلك الفجوات. كان الفرق صارخًا: قللت الطريقة الجديدة الخطأ في توزيع هذه الفجوات بما يصل إلى خمسة وعشرين ضعفًا مقارنة بالطريقة القديمة. ووجد الباحثون أيضًا أنه يمكنهم التنبؤ متى ستفشل الطريقة القديمة حتى قبل بدء التدريب. فقد حسبوا نسبة بسيطة بناءً على حجم البيانات مقابل حجم فجوة القاعدة. عندما كانت هذه النسبة كبيرة، أي أن الفجوة كانت ضئيلة مقارنة بالبيانات، كانت الطريقة القديمة دائمًا ما تؤدي إلى انهيار التوزيع. أما الطريقة الجديدة فعملت بغض النظر عن هذه النسبة، حيث عملت كحل شامل لهذه الأنواع من القيود.

كما تناولت الدراسة مصدر قلق عملي: ماذا عن القواعد التي تتضمن أعدادًا صحيحة أو فئات منفصلة، حيث لا تكون "الفجوة" منحنى سلسًا بل نقطة واحدة؟ وجد الباحثون أن طريقتهم الجديدة تعمل بشكل أفضل للقواعد المستمرة والسلسة، بينما تعتبر طريقة الضبط القديمة في الواقع أفضل لهذه الحالات المنفصلة. وللحصول على أفضل ما في العالمين، أنشأوا نظامًا هجينًا. فقبل بدء التدريب، يحلل النظام كل قاعدة ليرى ما إذا كانت سلسة أم منفصلة، ثم يختار تلقائيًا الأداة الأنسب للمهمة. فهو يستخدم الطريقة الجديدة (من الداخل إلى الخارج) للقواعد السلسة، وطريقة الضبط القديمة للقواعد المنفصلة. وعند اختبار هذا النظام الهجين مقابل أفضل المعايير الموجودة، فإنه يضاهي أو يتجاوز أداء طريقة الضبط القياسية في جميع مجموعات البيانات، بينما يتفوق عليها بشكل كبير في الحالات الصعبة وعالية الدقة حيث فشلت الطريقة القديمة.

يغير هذا العمل طريقة تفكيرنا في توليد البيانات المقيدة. فهو يوضح أن جعل البيانات صالحة ليس كافيًا فحسب؛ بل يجب أن تكون البيانات واقعية أيضًا في تبايناتها. ومن خلال الانتقال من نظام يقوم بإصلاح الأخطاء بعد حدوثها إلى نظام يدمج الصلاحية في بنية البيانات نفسها، نجح الباحثون في إنشاء طريقة لتوليد بيانات اصطناعية ليست آمنة فحسب، بل وأيضًا وفية للواقع المعقد والدقيق الذي من المفترض أن تمثله. وتشير النتائج إلى أنه لأي تطبيق تهم فيه الاختلافات الدقيقة بين القيم — من تصميم جزيئات جديدة إلى تخطيط الخدمات اللوجستية — فإن الطريقة التي نرسخ بها قواعدنا في بنية الآلة لا تقل أهمية عن القواعد نفسها.