← أحدث الأبحاث
🧠 neuroscience

HGFX: a validated Python/JAX reproduction of the Hierarchical Gaussian Filter toolbox

تُعد HGFX أداة برمجية معتمدة بلغة بايثون/جياكس (Python/JAX) تضمن التكافؤ العددي والسلوكي مع تنفيذ مرشح غاوس الهرمي (Hierarchical Gaussian Filter) المرجعي في ماتلاب (MATLAB)، مع القضاء على التبعيات لبرنامج ماتلاب، وتأكيد إمكانية التطبيق على وحدات معالجة الرسومات (GPU)، والحفاظ بشفافية على القيود المعروفة.

المؤلفون الأصليون: Ahmadkhanloo, M.

نُشر 2026-09-28
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Ahmadkhanloo, M.

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

يحاول العقل البشري باستمرار فهم عالم نادراً ما يظل على حاله. فعندما نتعلم، نحن لا نكتفي بامتصاص الحقائق فحسب؛ بل نخمن أيضاً مدى موثوقية تلك الحقائق ومدى سرعة تغير قواعد اللعبة. وتعد عملية التعلم في ظل عدم اليقين هذه لغزاً مركزياً في علم الأعصاب. ولدراسة ذلك، يستخدم العلماء نماذج رياضية تعمل كمختبرات افتراضية، تحاكي كيفية قيام الدماغ بتحديث معتقداته عند مواجهة معلومات جديدة. وأحد أكثر الأدوات موثوقية لهذا العمل هو برنامج حاسوبي محدد يسمى "مرشح غاوس الهرمي" (Hierarchical Gaussian Filter). لأكثر من عقد من الزمان، كان هذا البرنامج هو المرجع القياسي، وقد كُتب بلغة تسمى "ماتلاب" (MATLAB)، مما ساعد الباحثين في فهم كل شيء، بدءاً من كيفية إدراكنا للتفاصيل الحسية وصولاً إلى كيفية تخميننا لنوايا الآخرين. ومع ذلك، فإن الاعتماد على بيئة برمجية واحدة قديمة يمكن أن يشكل عائقاً، مما يحد من قدرة الآخرين على استخدام الأداة ومدى سهولة دمجها مع أجهزة الحوسبة الحديثة عالية السرعة.

لقد قام باحث الآن بإنشاء نسخة جديدة من هذه الأداة الأساسية، مبنية من الصفر بلغة "بايثون" (Python)، وهي لغة مستخدمة على نطاق واسع في العلوم الحديثة وتحليل البيانات. لم يكن هدفه ابتكار نظرية جديدة أو طريقة أفضل للتعلم، بل بناء "توأم رقمي" مثالي للبرنامج الأصلي. أراد أن يثبت أنه يستطيع إعادة إنتاج نفس النتائج العلمية بدقة دون الحاجة إلى البرمجيات الأصلية. كانت هذه مهمة دقيقة؛ ففي الحسابات المعقدة، يمكن للفروق الضئيلة في كيفية التعامل مع الأرقام أن تتحول أحياناً إلى أخطاء كبيرة، مما يقود الحاسوب إلى استنتاج مختلف عن غيره. وقد تعامل الباحث مع هذا المشروع كاختبار صارم للأمانة، حيث فحص كل خطوة لضمان أن الكود الجديد يتصرف تماماً مثل الكود القد، وصولاً إلى أدق التفاصيل الرقمية.

أصدر الباحث، بقيادة محمد أحمد خانلو، صندوق أدواته الجديد الذي أطلق عليه اسم "HGFX"، ليكون بديلاً مباشراً للبرنامج الأصلي. لم يقم بمجرد ترجمة الكود؛ بل تعامل مع البرنامج الأصلي كـ "عراف" (oracle) صارم، وهو معيار مجمد يُقاس ضده كل حساب جديد. واختبر النظام الجديد مقابل مسارين تجريبيين رسميين يُستخدمان عادة من قبل العلماء. وفي أحد هذه الاختبارات، يُعرف عن البرنامج الأصلي أنه يواجه صعوبة عددية محددة حيث يتعطل الحساب، بينما تتعامل نسخة مختلفة قليلاً من النموذج مع هذه الصعوبة بنجاح. وقد أعادت أداة بايثون الجديدة إنتاج هذا السلوك بدقة: فقد فشلت بنفس الطريقة التي فشل بها الأصل عندما كان من المفترض أن يفشل، ونجحت عندما كان من المفترض أن تنجح. لم يكن هذا خطأً يجب إصلاحه، بل ميزة يجب الحفاظ عليها، مما أثبت أن الأداة الجديدة تفهم العقد العلمي الأصلي تماماً.

وبعيداً عن مجرد نسخ السلوك، تحقق الباحث مما إذا كانت الأداة الجديدة يمكنها العمل على الأجهزة الحديثة. فقد اختبرها على وحدات معالجة الرسومات الفيزيائية (GPUs)، وهي الرقائق القوية التي تُستخدم غالباً في الذكاء الاصطناعي، ووجد أنها تنتج نتائج لا يمكن تمييزها عن معالج الكمبيوتر القياسي. كان الفرق في الحساب النهائي صغيراً جداً لدرجة أنه قيس في نطاق جزء واحد من عشرة تريليونات، وهو ما يقع ضمن حدود ما يعتبر تطابقاً مثالياً. كما قارن عمله بأداة أخرى موجودة بلغة بايثون لنفس المشكلة. وفي السيناريوهات المحددة التي أمكن فيها إجراء مقارنة عادلة، اتفقت الأداتان على التنبؤات الجوهرية للنموذج، رغم اختلافهما في كيفية التعامل مع بعض الحالات الحدية المتعلقة بالاحتمالات القصوى.

ومن الأهمية بمكان أن الباحث كان صادقاً بشأن ما لا تستطيع أداته الجديدة القيام به. فقد أجرى سلسلة من الاختبارات لمعرفة ما إذا كان النموذج يمكنه استعادة المعلمات المخفية (hidden parameters) من البيانات المحاكات، وهو مطلب شائع في الدراسات العلمية. وفي هذه الاختبارات، طابقت الأداة الجديدة أداء البرنامج الأصلي تماماً، لكن ذلك الأداء لم يستوفِ المعايير العالية المطلوبة للادعاء بأن النموذج ناجح تماماً في استعادة تلك القيم المخفية. وبدلاً من إخفاء هذا القصور أو الادعاء بالنجاح، أبلغ صراحة عن هذا القصور باعتباره عيباً مشتركاً بين الأداتين. ويضمن هذا النهج أن العلماء الذين يستخدمون نسخة بايثون الجديدة في المستقبل لن يعتقدوا خطأً أنهم حلوا مشكلة لا تزال قائمة.

والنتيجة هي أداة تسمح للمجتمع العلمي بالابتعال عن التبعية لبيئة برمجية واحدة قديمة دون فقدان موثوقية عقود من البحث السابق. فمن خلال توفير نسخة تعمل على الأنظمة الحديثة وتنتج نتائج مطابقة للمعايير الذهبية، فتح الباحث الباب أمام المزيد من العلماء لاستخدام هذه النماذج القوية. ويؤكد هذا العمل أنه من الممكن إعادة بناء برمجيات علمية معقدة بلغة جديدة دون تغيير العلم بصمت، بشرتط أن يكون الباني مستعداً لقبول عيوب الأصل كجزء من الحقيقة. وهذا يضمن أن الجيل القادم من الاكتشافات في كيفية تعلمنا وإدراكنا للعالم يرتكز على أساس حديث وأمين بدقة للماضي.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 🧠 neuroscience →