⚛️ biophysics

torch-projectors: A High-Performance Differentiable Projection Library for PyTorch

تقدم هذه الورقة torch-projectors، وهي مكتبة عالية الأداء وقابلة للاشتقاق لعمليات الإسقاط في فضاء فورييه (Fourier-space) في PyTorch، والتي تسرع سير عمل المجهر الإلكتروني بشكل كبير من خلال التفوق على الحلول الحالية بمقدار 1 إلى 2 مرتين من حيث القوة (orders of magnitude) عبر أجهزة CPU وApple Silicon وCUDA.

المؤلفون الأصليون: Tegunov, D.

نُشر 2026-03-10

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Tegunov, D.

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل لغز أحجية (Jigsaw Puzzle) ثلاثي الأبعاد وضخم، لكنك لا تستطيع رؤية قطع الأحجية إلا كظلال ثنائية الأبعاد مسطحة تُلقى على جدار من زوايا مختلفة. هذا هو بالضبط ما يفعله العلماء في المجهر الإلكتروني المبرد (Cryo-Electron Microscopy - Cryo-EM) لفهم شكل البروتينات الدقيقة. إنهم يأخذون الآلاف من هذه "الظلال" ثنائية الأبعاد (الإسقاطات) ويستخدمون الرياضيات لإعادة بناء الشكل الأصلي ثلاثي الأبعاد.

لفترة طويلة، كان القيام بإعادة البناء هذه باستخدام الذكاء الاصطنيذ الحديث (تعلم الآلة) يشبه محاولة خوض سباق فورمولا 1 باستخدام دراجة هوائية. فالرياضيات المطلوبة لتحويل تلك الظلال ثنائية الأبعاد إلى أشكال ثلاثية الأبعاد كانت بطيئة للغاية وغير عملية بحيث يصعب على الحواسيب التعامل معها بكفاءة أثناء عملية التعلم.

إليك torch-projectors. فكر في هذه الورقة البحثية على أنها الكشف عن محرك جديد عالي السرعة لهذه الحواسيب.

إليك تفصيل ما تدور حوله هذه الورقة، باستخدام بعض التشبيهات من الحياة اليومية:

1. المشكلة: "الظل البطيء"

في عالم المجهر الإلكتروني، هناك قاعدة تسمى مبرهنة شريحة فوريه (Fourier Slice Theorem). بتبسيط شديد، تقول: إذا نظرت إلى جسم ثلاثي الأبعاد من زاوية معينة، فإن "الظل" الذي تراه هو في الواقع شريحة عبر خريطة تردداته غير المرئية.

لتدريب نماذج الذكاء الاصطناعي على حل هذه الألغاز، يحتاج الكمبيوتر إلى القيام بعملية "إسقاط الظل" و"قراءة الظل" هذه ملايين المرات، مع تعديل تخميناته بناءً على الأخطاء.

الطريقة القديمة: كانت الأدوات القياسية (مثل PyTorch) تشبه استخدام ملعقة لحفر نفق. كانت تعمل، لكنها كانت بطيئة بشكل مؤلم وتستهلك كل ذاكرة الوصول العشوائي (RAM) الخاصة بالكمبيوتر، مما يؤدي إلى توقفه عن العمل.
النتيجة: لم يتمكن العلماء من استخدام الذكاء الاصطناعي القوي لأن الرياضيات كانت ثقيلة جداً.

2. الحل: "العدسة السحرية" (torch-projectors)

قام المؤلف، ديميتري تيغونوف، ببناء مكتبة جديدة تسمى torch-projectors. فكر في هذا كاستبدال تلك الملعقة بمثقاب ليزر.

السرعة: إنها أسرع بـ 10 إلى 100 مرة من أفضل الأدوات السابقة. إنها سريعة جداً لدرجة أنها على بطاقات الرسوميات (GPUs) القوية، يمكنها معالجة آلاف من هذه "الظلال" في ثانية واحدة.
الذاكرة: إنها فعالة للغاية. فبدلاً من حفظ كل خطوة وسيطة (مما يملأ مكتب الكمبيوتر بالفوضى)، تقوم بالحساب في حركة واحدة سلسة، مما يحافظ على مساحة العمل نظيفة.
الرياضيات الذكية: تستخدم تقنية تسمى الاستيفاء التكعيبي (Cubic Interpolation). تخيل أنك تحاول تخمين لون بكسل يقع بين بكسلين معروفين.
- الاستيفاء الخطي (الطريقة القديمة): مجرد رسم خط مستقيم بينهما. إنه جيد، لكنه قد يبدو "مُكتلاً" أو غير منتظم.
- الاستيفاء التكعيبي (الطالطريقة الجديدة): رسم خط منحني سلس يتناسب تماماً. هذا يعطي صورة أكثر حدة ودقة دون الحاجة إلى تكبير المقياس (Oversampling) وهدر الذاكرة.

3. كيف يعمل: تشبيه "خيال الظل"

تتعامل المكتبة مع مهمتين رئيسيتين، تسميهما الورقة "الإسقاط الأمامي" و"الإسقاط الخلفي".

الإسقاط الأمامي (خيال الظل): لديك دمية ثلاثية الأبعاد (نموذج البروتين). تسلط ضوءاً من زاوية معينة، وتقوم المكتبة فوراً بحساب كيف سيبدو الظل ثنائي الأبعاد على الجدار.
الإسقاط الخلفي (الظل العكسي): لديك ظل ثنائي الأبعاد على الجدار. تقوم المكتبة بتحديد كيفية "توزيع" هذا الظل مرة أخرى في الفضاء ثلاثي الأبعاد لتحديث شكل الدمية.

سحر torch-projectors هو أنه يمكنه القيام بكلتا العمليتين فوراً، وإذا أخطأ الذكاء الاصطناعي، يمكنه حساب بالضبط كيفية إصلاح شكل الدمية (وهذا ما يسمى "التفاضل" أو "الانتشار العكسي - Backpropagation").

4. خدعة "تماثل فريدل" (Friedel Symmetry)

أحد الأجزاء المعقدة في هذه الرياضيات هو أن البيانات "متماثلة" (مثل الصورة المرآتية). إذا قمت بعد كلا جانبي المرآة، فستقوم بـ "عدّ" المعلومات مرتين.

حل الورقة البحثية: تحتوي المكتبة على "شرطي مرور" مدمج يعرف تماماً كيفية التعامل مع هذه الصور المرآتية حتى لا يرتبك الكمبيوتر أو يكرر عد البيانات. هذا يضمن بقاء الرياضيات مثالية حتى عندما تصبح الأمور معقدة.

5. لماذا يجب أن تهتم؟

قبل هذه المكتبة، كان تدريب الذكاء الاصطناعي لفهم هياكل البروتينات يشبه محاولة قيادة سيارة بينما مكبح اليد (الفرامل) مشدود. كان الأمر ممكناً، لكنك لا تستطيع التحرك إلا ببطء شديد.

torch-projectors يرفع مكبح اليد.

بالنسبة للعلماء: يعني هذا أنه يمكنهم الآن استخدام الذكاء الاصطناعي القوي لفهم هياكل البروتينات بشكل أسرع وأكثر دقة من أي وقت مضى.
بالنسبة للطب: فهم البروتينات بشكل أسرع يؤدي إلى اكتشاف الأدوية بشكل أسرع. إذا استطعنا فهم كيفية عمل الفيروس بشكل أسرع، فيمكننا بناء اللقاحات بشكل أسرع.
بالنسبة للذكاء الاصطناعي: يثبت هذا أنه يمكننا بناء أدوات رياضية متخصلة وعالية السرعة تتناسب تماماً مع نظام الذكاء الاصطناعي، مما يفتح الباب أمام عمليات محاكاة علمية أكثر تعقيداً.

الخلا الخلاصة

تقدم هذه الورقة البحثية أداة فائقة القوة تجعل الرياضيات الثقيلة لإعادة بناء البروتينات ثلاثية الأبعاد سريعة، خفيفة، ودقيقة. إنها تحول عملية بطيئة وتستهلك الكثير من الذاكرة إلى عملية انسيابية عالية السرعة، مما يسمح للعلماء باستخدام كامل قوة الذكاء الاصطناعي الحديث لفك أسرار الحياة على المستوى الذري.

أين تجدها: إنها مجانية ومفتوحة المصدر، وجاهزة لأي شخص لتحميلها واستخدامها على حواسيبه (سواء كان لديه كمبيوتر شخصي عادي، أو جهاز ماك، أو خادم قوي).

إليك ملخص تقني مفصل لورقة البحث "torch-projectors: مكتبة إسقاط عالية الأداء وقابلة للتفاضل لـ PyTorch" للباحث ديميتري تيجونوف.

1. بيان المشكلة

في المجهر الإلكتروني بالتبريد (cryo-EM) والتصوير المقطعي الإلكتروني (ET)، تعتمد عملية إعادة بناء الهياكل ثلاثية الأبعاد من الإسقاطات ثنائية الأبعاد بشكل كبير على مبرهنة شريحة فورييه (Fourier Slice Theorem). تنص هذه المبرهنة على أن الإسقاط ثنائي الأبعاد لجسم ثلاثي الأبعاد يقابل شريحة مركزية عبر تحويل فورييه ثلاثي الأبعاد لذلك الجسم.

بينما تتطلب مناهج تعلم الآلة (ML) الحديثة تنفيذات قابلة للتفاضل (differentiable) لعمليات الإسقاط هذه من أجل التدريب من البداية إلى النهاية (end-to-end)، تواجه الحلول الحالية في PyTorch عقبات كبيرة:

الأداء: التنفيذات الأصلية في PyTorch باستخدام الدوال المدمجة بطيئة للغاية، وغالباً ما تفتقر إلى الإنتاجية المطلوبة لعمليات التحسين واسعة النطاق.
العبء على الذاكرة: غالباً ما تتطلب التنفيذات البدائية تخزين تنسيرات (tensors) وسيطة أو إجراء عمليات مرور متعددة (مثل الإفراط في أخذ العينات عبر التوسيع الصفري في الفضاء الحقيقي، ثم التحويل، ثم القص)، مما يؤدي إلى استهلاك مفرط للذاكرة.
المقايضة بين الدقة والكفاءة: تحقق الطرق التقليدية (مثل تلك الموجودة في RELION) دقة عالية من خلال الإفراط في أخذ عينات المراجع، ولكن هذا مكلف حاسوبياً ويستهلك الكثير من الذاكرة في سير عمل تعلم الآلة حيث يتم إنشاء التمثيلات الوسيطة ديناميكياً.

2. المنهجية

تقدم ورقة البحث torch-projectors، وهي مكتبة عالية الأداء مصممة لإجراء عمليات الإسقاط في فضاء فورييه مباشرة داخل PyTorch.

البنية الأساسية

تنفيذ هجين: بُنيت كإضافة لـ PyTorch باستخدام C++/Python مع تسجيل TORCH_LIBRARY. وتتميز بنواة (kernels) محسنة لكل من CPU، و Apple Silicon (MPS)، و CUDA.
القابلية للتفاضل: تغلف فئات torch.autograd.Function مخصصة لمشغلات C++، مما يسمح بانتشار التدرج (gradient back-propagation) بسلاسة لجميع المدخلات (إعادة البناء، مصفوفات الدوران، وإزاحات الترجمة).
تنسيق البيانات: تعمل حصرياً في فضاء فورييه باستخدام تنسيق RFFT الخاص بـ PyTorch (تحويل فورييه الحقيقي). وهي تتجنب تغييرات التنسيق الوسيطة، وتحافظ على التنسيرات في تنسيق RFFT طوال مسار الإسقاط.

الميزات الخوارزمية الرئيسية

طرق الاستيفاء (Interpolation):
- خطي (Linear): يستخدم نواة ثنائية الخطية (2D) وثلاثية الخطية (3D) قياسية.
- تكعيبي (Cubic): ينفذ استيفاء Catmull-Rom التكعيبي ( $a = -0.5$ ) مع استمرارية $C^1$ . يسمح هذا بدقة عالية دون الحاجة إلى الإفراط في أخذ العينات (التوسيع الصفري)، مما يقلل استهلاك الذاكرة بشكل كبير مقارنة بالاستيفاء الخطي مع الإفراط في أخذ العينات.
التعامل مع تناظر فريدل (Friedel Symmetry):
- تدير المكتبة بشكل صحيح تناظر الدوال ذات القيم الحقيقية في فضاء فورييه ( $F(-k) = F^*(k)$ ).
- التمرير الأمامي (Forward Pass): يتعامل مع إحداثيات التردد السالب عن طريق الوصول إلى المقابل المترافق المتماثل.
- التمرير الخلفي (Backward Pass): يمنع الازدواج في حساب التدرجات على محور التردد الصفري عن طريق تخطي مكونات محددة وضمان التراكم المتماثل للمساهمات التي تقع على المحور.
أنواع الإسقاط: تدعم أربعة عمليات أساسية ضرورية لسير عمل المجهر الإلكتروني:
1. 2D $\to$ 2D: أمامي وخلفي (لتصنيف الجسيمات).
2. 3D $\to$ 2D: أمامي (لتوليد الإسقاطات من حجم ثلاثي الأبعاد).
3. 2D $\to$ 3D: خلفي (لتجميع الإسقاطات في حجم ثلاثي الأبعاد).
الإزاحات والدورات:
- يتم تطبيق الدورات عبر ضرب المصفوفات في فضاء فورييه.
- يتم تطبيق الإزاحات عبر تعديل الطور (phase modulation) ( $e^{-i2\pi k \cdot s}$ )، لتجنب الإزاحات المكلفة في الفضاء الحقيقي.
- يتم حساب التدرجات لمصفوفات الدوران والإزاحات تحليلياً باستخدام قاعدة السلسلة ومشتقات النواة.

3. المساهمات الرئيسية

نواة عالية الأداء: تحقق المكتبة تسريعاً يتراوح بين 1 إلى درجتين من القوة العشرية مقارنة بالحلول الحالية (تحديداً torch-fourier-slice) عبر جميع المنصات العتادية.
كفاءة الذاكرة: من خلال إجراء الحسابات في خطوة واحدة دون تخزين تنسيرات وسيطة مفرطة في أخذ العينات، فإنها تقلل بشكل كبير من بصمة الذاكرة، مما يسمح بأحجام دفعات (batch sizes) أكبر وشبكات عصبية أعمق.
الاستيفاء التكعيبي بدون الإفراط في أخذ العينات: تثبت أن استيفاء Catmull-Rom التكعيبي يمكن أن يضاهي دقة الاستيفاء الخطي مع الإفراط في أخذ العينات بمقدار 2x، ولكن بتكلفة حاسوبية أقل بكثير عندما لا يتم حساب الإفراط في أخذ العينات مسبقاً.
القابلية الكاملة للتفاضل: توفر تدرجات تحليلية لمصفوفات الدوران وإزاحات الترجمة، وهي أمور بالغة الأهمية لتحسين معاملات الوضع (pose parameters) في إعادة البناء المعتمد على تعلم الآلة.
وزن الحجم المزدوج: تنفذ نهجاً مشابهاً لنظام الحجم المزدوج في RELION، مما يسمح بالتراجع الاختياري للتدرج عبر مكونات الوزن (مفيد لتصحيح CTF وترشيح وينر).

4. النتائج

أُجريت اختبارات الأداء على NVIDIA H100 (CUDA)، و Apple M4 (CPU)، و Apple M4 (MPS).

الإنتاجية:
- CUDA: تحقق أعلى إنتاجية (على سبيل المثال، ~86,000 إسقاط/ثانية لعملية 3D $\to$ 2D الأمامية لصناديق 128px مع 2048 وضعية).
- المقارنة: تفوق torch-projectors على torch-fourier-slice بعوامل تتراوح من 5 إلى أكثر من 300 ضعف اعتماداً على التكوين والعتاد.
- الذاكرة: في العديد من سيناريوهات التمرير الخلفي، فشلت torch-fourier-slice بسبب استنفاد الذاكرة (حد 48 جيجابايت)، بينما اكتملت torch-projectors بنجاح.
كفاءة الاستيفاء:
- التكعيبي مقابل الخطي: بينما يتطلب الاستيفاء التكعيبي عينات أكثر (4x في 2D، و 8x في 3D)، إلا أن عقوبة الأداء يتم تخفيفها من خلال محلية الذاكرة (memory locality).
- مقايضة الإفراط في أخذ العينات: عندما لا يمكن توسيع المراجع مسبقاً (وهو أمر شائع في الرسوم البيانية الديناميكية لتعلم الآلة)، يكون الاستيفاء التكعيبي بدون الإفراط في أخذ العينات أسرع بحوالي 4 مرات من الاستيفاء الخطي مع توسيع 2x في الوقت الفعلي (والذي يتطلب عمليات FFT مكلفة).
الدقة:
- يظهر تحليل ارتباط الحلقة الفورية (FRC) وجود آثار ضئيلة جداً في فضاء فورييه.
- يؤكد تحليل تخفيف الكثافة في الفضاء الحقيقي أن الاستيفاء التكعيبي (1x) يحافظ على قوة الإشارة حتى ~50% من حجم الصندوق، وهو ما يضاهي الاستيفاء الخطي مع توسيع 2x.

5. الأهمية

تزيل مكتبة torch-projectors عقبة حرجة أمام تطبيق التعلم العميق في المجهر الإلكتروني. ومن خلال تمكين عمليات الإسقاط السريعة، والموفرة للذاكرة، والقابلة للتفاضل بالكامل، فإنها تسمح للباحثين بـ:

تدريب شبكات عصبية معقدة لإعادة البناء ثلاثي الأبعاد وتصنيف الجسيمات كانت غير ممكنة سابقاً بسبب قيود الذاكرة أو السرعة.
تحسين معاملات الوضع (الدوران والترجمة) بشكل مشترك مع أوزان الشبكة بطريقة من البداية إلى النهاية.
استخدام تقنيات استيفاء متقدمة (تكعيبي) دون عبء الإفراط في أخذ العينات، مما يجعل سير العمل الديناميكي والمقيد بالذاكرة قابلاً للتطبيق.

المكتبة مفتوحة المصدر (ترخيص MIT) ومتاحة كحزمة Python، مما يعد بتسريع اعتماد طرق تعلم الآلة في علم الأحياء البنيوي.