Predictive Holonomy and Minimal Completion of Coarse Dynamics

في دراسة الأنظمة المعقدة، من الحركة الدوامية للسوائل إلى أنماط إطلاق الخلايا العصبية، غالبًا ما يواجه العلماء معضلة جوهرية: الصورة الكاملة أوسع من أن يمكن استيعابها. ولإدراك ماهية العالم، يتعين عليهم التبسيط، عبر تجميع تفاصيل لا حصر لها في عدد قليل من المتغيرات التي يمكن التحكم فيها. هذه العملية، المعروفة باسم "التنعيم الخشن" (coarse-graining)، هي فن النظر إلى الغابة بدلاً من كل شجرة على حدة. ومع ذلك، هناك مشكلة مستمرة في هذا النهج؛ فعندما يبسط العلماء نظامًا ما ثم يحاولون التنبؤ بمستقبله بناءً على تلك المتغيرات المبسطة فقط، فإن التنبؤات غالبًا ما تنحرف عن الواقع. يفشل النموذج المبسط في التطور من تلقاء نفسه، بل يتطلب تصحيحًا مستمرًا من الخارج. ولعقود من الزمن، عُومل هذا الانحراف على أنه خلل في النموذج، وعلامة على أن التقريب لم يكن جيدًا بما يكفي. وكان الرأي السائد هو أنه إذا انتظرت لفترة كافية أو قمت بالمتوسط الحسابي بعناية كافية، فإن الأخطاء ستتلاشى وتنتظم.

ولكن ماذا لو لم يكن هذا الانحراف خطأً؟ ماذا لو كان الخطأ نفسه رسالة؟ يشير خط بحثي جديد إلى أنه عندما يفشل نموذج مبسط في التنبؤ بالمستقبل بشكل صحيح، فإن الفشل ليس ضجيجًا عشوائيًا. بدلاً من ذلك، فإن الطريقة المحددة التي يسوء بها التنبؤ تحتوي على خريطة دقيقة لما هي المعلومات التي تُرِكت وراءها بالضبط. إن التباين ليس "خللاً برمجياً"، بل هو قياس حدود الحالة المفقودة. ومن خلال تحليل نمط هذا الفشل، يمكن للباحثين إعادة بناء المتغيرات الخفية التي تم التخلي عنها، محولين بذلك تقريبًا مكسورًا إلى وصف كامل وذاتي الاحتواء للنظام.

هذا هو جوهر الاكتشاف الذي توصل إليه العمل الأخير لماكسيم ف. تشوريلوف، وهو باحث مستقل مقيم في أورينبورغ، روسيا. يتناول البحث مسألة ما يجب إضافته إلى نظام مبسط لجعله يعمل بشكل مثالي مرة أخرى. تخيل أن لديك آلة معقدة بها آلاف الأجزك المتحركة، لكن يمكنك فقط مراقبة موقع ترسين كبيرين. إذا حاولت التنبؤ بسلوك الآلة باستخدام هذين الترسين فقط، فإن تنبؤك سينحرف في النهاية عن الواقع لأن الترسين يتأثران بآلاف المكونات الداخلية غير المرئية. توضح الورقة أن معدل ونمط هذا الانحراف ليسا عشوائيين، بل يتم تحديدهما بواسطة بنية داخلية خفية يمكن استردادها رياضيًا. ويظهر المؤلف أن "ذاكرة" النظام — التأثير المستمر للأجزاء غير المرئية — هي في الواقع كمية قابلة للقياس تكشف بالضبط عدد المتغيرات الخفية المطلوبة لإصلاح النموذج.

لقد طور الباحثون طريقة لاستخراج هذه المعلومات الخفية باستخدام البيانات المرصودة فقط. يبدأون بمراقبة كيفية سلوك النظام المبسط عبر فترات زمنية قصيرة جدًا. ومن خلال قياس كيفية تغير حالة النظام في هذه اللحظات الوجيزة، يمكنهم حساب سلسلة من "نفاثات الذاكرة" (memory jets). وهي ليست نفاثات مادية من الماء أو الهواء، بل هي لقطات رياضية لكيفية تأثير ماضي النظام على مستقبله المباشر. تخبر اللقطات القليلة الأولى من هذه السلسلة الباحثين بمدى عمق الأجزاء الخفية. فإذا تفاعل النظام فورًا مع تاريخه، تكون الأجزاء الخفية قريبة من السطح. وإذا استغرق النظام بعض الوقت لإظهار آثار ماضيه، تكون الأجزاء الخفية أكثر عمقًا. وتثبت الورقة أن اللحظة الأولى التي يظهر فيها التأثير الخفي تضع قاعدة محددة لكيف كيفية نمو الخطأ بمرور الوقت، مما يعمل كبصمة للمعلومات المفقودة.

بمجرد استرداد لقطات الذاكرة هذه، فإن الخطوة التالية هي تحديد عدد المتغيرات الخفية المطلوبة لجعل النظام كاملًا مرة أخرى. يستخدم الباحثون أداة تسمى "مؤثر هانكل" (Hankel operator)، والذي يمكن اعتباره شبكة ضخمة تنظم جميع لقطات الذاكرة في نمط مهيكل. ومن خلال عد الأنماط المستقلة في هذه الشبكة، يمكنهم تحديد الحد الأدنى الدقيق من الإحداثيات الخفية اللازمة لإغلاق النظام. هذا الرقم ليس تقديرًا، بل هو عد دقيق. فإذا أظهرت الشبكة ثلاثة أنماط مستقلة، فهذا يعني أن ثلاثة متغيرات خفية بالضبط ضرورية وكافية لتحويل النموذج المكسور والمنحرف إلى نموذج مثالي ومستدام ذاتيًا. توفر الورقة وصفة بنائية لبناء هذا النموذج الجديد والمتكامل، موضحًا كيفية ترتيب هذه المتغيرات الخفية بحيث يتطور النظام بشكل صحيح دون أي مساعدة خارجية.

ولإثبات نجاح هذه النظرية، قام المؤلف ببناء عدة أمثلة محددة باستخدام نماذج رياضية بسيطة للعمليات العشوائية. في إحدى الحالات، أظهر نظام بمتغير خفي واحد فشلًا بطريقة محددة، حيث نما الخطأ بمعدل يتناسب مع القوة الرابعة للزمن. وفي مثال آخر، فشل نظام يتطلب متغيرين خفيين بخطأ ينمو مع القوة السادسة للزمن، وأظهر مثال ثالث بـثلاثة متغيرات خفية خطأً ينمو مع القوة الثامنة. تم التحقق من هذه النتيات بدقة عالية، مما أكد أن نمط الفشل هو مؤشر مباشر وموثوق للبنية الخفية. كما أظهرت الدراسة أن هذه الطريقة تعمل حتى عندما تكون البيانات مشوبة بالضجيج، مما يوفر وسيلة للتمييز بين البنية الخفية الحقيقية وأخطاء القياس العشوائية.

تمتد تداعيات هذا العمل إلى ما هو أبعد من مجرد إصلاح النماذج المكسورة؛ فهي تغير طريقة تفكير العلماء في طبيعة "الحالة". في الفيزياء التقليدية، غالبًا ما تُعرف الحالة من خلال المتغيرات التي نختار قياسها. تجادل هذه الورقة بأن الحالة الحقيقية تُعرف بما هو ضروري للتنبؤ بالمستقبل. فإذا كانت مجموعة من المتغيرات لا تستطيع التنبؤ بالمستقبل دون مساعدة، فإن الحالة تكون غير مكتملة. القطع المفقودة ليست مجرد تفاصيل مجهولة، بل هي مجموعة محددة وقابلة للعد من الإحداثيات الخفية التي يمكن إعادة بنائها من فشل التنبؤ نفسه. وهذا يقلب مشكلة التبسيط رأسًا على عقب؛ فبدلاً من السؤال عن المتغيرات التي يجب الاحتفاظ بها، يصبح السؤال هو كيفية إكمال الوصف بحيث تكون المتغيرات المختارة كافية.

كما يرسم البحث خطًا واضحًا بين نوعين مختلفين من الإكمال. النوع الأول هو إصلاح رياضي يجعل المعادلات تعمل، وقد يتضمن متغيرات يمكن أن تأخذ قيمًا سالبة أو خصائص غير فيزيائية أخرى. أما النوع الآخر فهو إصلاح فيزيائي يتطلب أن تتصرف المتغيرات الخفية كاحتمالات حقيقية، بحيث تظل موجبة ومجموعها يساوي واحدًا. وتوضح الورقة أنه بينما يكون الإصلاح الرياضي ممكنًا وفريدًا دائمًا، فإن الإصلاح الفيزيائي قد يتطلب متغيرات خفية أكثر. هذا التمييز أمر بالغ الأهمية لفهم متى يمكن للنموذج المبسط أن يمثل واقعًا فيزيائيًا حقًا. يوفر العمل طريقة صارمة لاختبار ما إذا كان النموذج كاملًا، مما يقدم شهادة ثقة تخبر الباحثين بالضبط عدد الأبعاد الخفية المطلوبة لجعل وصفهم للعالم كاملًا.

في نهاية المطاف، تقدم هذه الدراسة طريقة جديدة للنظر إلى الفجوة بين العالم المعقد وفهمنا المبسط له. إنها تشير إلى أن الأخطاء التي نرتكبها في نماذجنا ليست مجرد إخفاقات في التقريب، بل هي مصادر غنية للمعلومات. إن الطريقة التي ينكسر بها النموذج تخبرنا بالضبط بما ينقصه. ومن خلال الاستماع إلى اللغة المحددة لهذا الفشل، يمكن للعلماء إعادة بناء الآلية الخفية للنظام، وتحويل صورة ناقصة وخشنة إلى صورة دقيقة ومستقلة. إن ذاكرة الماضي، التي كانت تُرى ذات يوم كإزعاج يجب استيعابه وتجاهله، تظهر الآن لتكون المفتاح لفتح الحالة الكاملة للحاضر.