Atmospheric Turbulence-Driven Chaotic Cloud Drift Optimization for Feature Selection and Forecasting

تخيل أنك تحاول العثور على المكان المثالي لتخييم في غابة ضبابية شاسعة. أنت تريد بقعة ذات أفضل إطلالة، وأرضية أكثر راحة، وأقل احتمالية لهطول الأمطار. ولكن هنا تكمن المشكلة؛ فالغابة ضخمة، والأرض تتغير تحت قدميك، وهناك آلاف الوديان المخفية التي قد تبدو كأفضل مكان، لكنها في الواقع فخاخ. هذا هو بالضبط نوع المشكلات التي يواجهها العلماء عندما يحاولون حل ألغاز معقدة في علم البيانات، مثل اختيار المكونات الصحيحة لوصفة ما أو التنبؤ بحالة الطقس غداً. إنهم يستخدمون "خوارزميات التحسين" (Optimization Algorithms)، والتي تشبه المستكشفين الرقميين الذين يتم إرسالهم للعثور على الحل الأمثل. ومع ذلك، غالباً ما يعلق هؤلاء المستكشفون في نفس الوادي الصغير، معتقدين أنهم وجدوا أفضل مكان، بينما يوجد مكان أفضل بكثير خلف التلة التالية مباشرة. ولحل هذه المشكلة، بدأ الباحثون في استخدام "الفوضى" (Chaos) — ليس النوع الفوضوي العشوائي، بل نوع خاص من عدم اليقين الرياضي الذي يساعد المستكشفين على القفز خارج الفخاخ والاستمرار في البحث في اتجاهات جديدة.

الآن، تخيل فريقاً من الباحثين قرروا أخذ هذه الفكرة عن "الاستكشاف الفوضوي" ومنحها لمسة جوية محددة للغاية. بدلاً من مجرد إرسال مستكشفين عشوائيين، تخيلوا سماءً مليئة بالغيوم. في قصتهم، هذه الغيوم لا تكتفي بالبقاء ساكنة؛ بل تنجرف، وتندمج لتشكل أنظمة عاصفة عملاقة، وأحياناً تتفكك إلى قطع صغيرة متناثرة بسبب الرياح والاضطرابات. هذا هو الجوهر وراء طريقة جديدة تسمى تحسين انجراف السحب الفوضوي (CI-CDO). الباحثون، الذين يعملون من جامعات في مصر، بنوا برنامجاً حاسوبياً يعمل كنظام طقس. أرادوا معرفة ما إذا كان هذا النهج "السحابي" يمكن أن يكون أفضل في حل المسائل الرياضية الصعبة، واختيار أهم نقاط البيانات من مجموعات البيانات الفوضوية، والتنبؤ بدرجات الحرارة المستقبلية مقارنة بأفضل الأساليب الحالية.

فريق التحري السحابي

تقدم الورقة البحثية خوارزمية جديدة تعامل البحث عن حل كما لو كنت تراقب حركة السحب عبر السماء. النسخة الأصلية من هذه الفكرة، والتي تسمى "تحسين انجراف السحب" (CDO)، كانت جيدة بالفعل. فقد كانت تحاكي انجراف السحب نحو مناطق ذات "طقس جيد" (والتي تعني في الرياضيات حلولاً أفضل). لكن المؤلفين لاحظوا أنه في بعض الأحيان تصبح هذه السحب الرقمية مريحة جداً وتتوقف عن الحركة، مما يؤدي إلى تفويت أفضل مكان مطلق.

ولإصلاح ذلك، أضافوا طبقة من "الفوضى" مستوحاة من الخريطة اللوجستية (Logistic Map)، وهي معادلة رياضية شهيرة تولد أرقاماً تبدو عشوائية ولكنها في الواقع محكومة بقاعدة بسيطة. فكر في هذا كريح سحرية تهب على السحب بأنماط غير متوقعة وغير متكررة، مما يمنع السحب من الوقوع في حلقة مفرغة.

تستخدم خوارزمية CI-CDO الجديدة ثلاث "آليات طقس" رئيسية للحفاظ على حيوية البحث واستمراريته:

1. اندماج السحب (الخبير المحلي): عندما يكون الطقس هادئاً، تنجرف السحب القريبة معاً لتشكل كتلة كثيفة وثقيلة. في الخوارزمية، يعني هذا أن البحث يركز على منطقة معينة لتحسين الإجابة بدقة، والبحث عن تحسينات صغيرة في المكان الذي يبدو فيه الحل الأفضل.
2. انقسام السحب (المستكشف العالمي): عندما تصبح الرياح عاصفة، يمكن لسحابة كبيرة أن تتفكك إلى قطع أصغر ومتناثرة. هذه الآلية تجبر الخوارزمية على الانتشار والبحث في أجزاء مختلفة تماماً، مما يضمن عدم تفويتها لوادٍ مخفي لمجرد أنه بعيد.
3. الاضطراب الجوي (المفتاح): هذا هو الجزء الأذكى. تستخدم الخوارزمية "مؤشر الاضطراب" لتقرر متى تدمج ومتى تقسم. إذا كان الاضطراب عالياً، فإنها تقسم السحب للاستكشاف. وإذا كان منخفضاً، فإنها تدمجها لتحسين الإجابة. إنه يشبه خبير الأرصاد الجوية داخل الكمبيوتر الذي يعرف تماماً متى يتوقف عن البحث حول المكان ويبدأ في التنقيب عن الذهب.

اختبار السحب في البرية

لم يكتفِ الباحثون بالتحدث عن نظام السحب الجديد الخاص بهم؛ بل أخضعوه للاختبار بطرق ثلاث مختلفة ليروا ما إذا كان يعمل حقاً.

1. صالة الألعاب الرياضية للرياضيات (معيار CEC 2021)
أولاً، أرسلوا خوارزميتهم إلى "صالة ألعاب رياضية" مكونة من 50 مسألة رياضية صعبة للغاية مصممة لتعطيل الحواسيب الأخرى. تراوحت هذه المسائل من التلال البسيطة إلى المناظر الطبيعية المعقدة والوعرة المليئة بالفخاخ. نافست خوارزمية CI-CDO سبع خوارزميات شهيرة أخرى (مثل محسن الذئب الرمادي ومحسن الصقر الناري).
النتية؟ كان نظام السحب بطلاً. فقد وجد أفضل الحلول بشكل أكثر تكراراً من الآخرين، والأهم من ذلك، كان أكثر اتساقاً. وبينما كانت الخوارزميات الأخرى تنجح أحياناً وتتعثر أحياناً أخرى، نادراً ما فشلت CI-CDO. وفي اختبار إحصائي يسمى اختبار فريدمان (Friedman test)، احتلت المرتبة الأولى، مما أثبت أنها المستكشف الأكثر موثوقية في المجموعة.

2. مرشح البيانات (اختيار الميزات)
بعد ذلك، حاولوا استخدام الخوارزمية لتنظيف البيانات الفوضوية. تخيل أن لديك مجموعة بيانات طبية تحتوي على 1,000 قياس مختلف لكل مريض، ولكن 10 منها فقط هي التي تخبرك فعلياً إذا كان الشخص مريضاً أم لا. البقية ليست سوى ضجيج. الهدف هو العثور على تلك الأرقام العشرة المهمة دون الارتباك بسبب الـ 990 الأخرى.
اختبر الباحثون CI-CDO على 21 مجموعة بيانات مختلفة من العالم الحقيقي (بما في ذلك بيانات أمراض القلب والسرطان) باستخدام مصنف "k-Nearest Neighbors" (وهو طريقة بسيطة للتخمين بناءً على أمثلة مشابهة). كانت خوارزمية السحب ممتازة في اختيار الميزات الصحيحة. لم تجد الإجابة الصحيحة فحسب، بل وجدتها مع تجاهل البيانات غير الهامة، وغالباً ما حققت دقة أعلى من الطرق الأخرى مع استخدام عدد أقل من نقاط البيانات. لقد كانت مثل محقق يمكنه حل جريمة من خلال النظر فقط إلى الأدلة الأكثر أهمية، وتجاهل الباقي.

3. متنبئ الطقس (التنبؤ)
أخيراً، أخذوا الخوارزمية من المختبر إلى العالم الحقيقي. استخدموها للتنبؤ بدرجة الحرارة وجودة المياه في مصر، باستخدام بيانات تم جمعها من محطات الرصد. قاموا بدمج خوارزمية السحب مع شبكة عصبية اصطناعية (نوع من أدمغة الكمبيوتر التي تتعلم الأنماط).
كان الهدف هو التنبؤ بتغيرات درجات الحرارة، سواء على المدى القصير (الأشهر القليلة القادمة) أو المدى الطويل (حتى عام كامل). حقق نظام CI-CDO نتائج جيدة جداً؛ حيث تنبأ بدرجة الحرارة بهامش خطأ يبلغ حوالي 7.4 درجة مئوية في المتوسط، وهو أمر جيد جداً لنظام معقد ومتغير كهذا. تشير الورقة إلى أن النموذج كان جيداً بشكل خاص في التقاط الاتجاهات الموسمية الكبيرة، مما يشير إلى أن نهج "السحب" يساعد الكمبيوتر على فهم الإيقاع طويل الأمد للطقس بشكل أفضل من الطرق القياسية.

ماذا يعني هذا؟

تشير الورقة البحثية إلى أنه من خلال استعارة أفكار من كيفية سلوك السحب فعلياً في الغلاف الجوي — من اندماج وانقسام وتفاعل مع الاضطرابات — وخلط ذلك مع الطبيعة غير المتوقعة للفوضى، يمكننا بناء أجهزة كمبيوتر أكثر ذكاءً. وجد المؤلفون أن خوارزمية CI-CDO الجديدة هي أداة قوية تتعامل مع المسائل الرياضية الصعبة، وتنظف البيانات الفوضوية، وتتنبأ بأنماط الطقس بشكل أفضل من العديد من الأدوات الموجودة.

من المهم ملاحظة أنه على الرغم من أن النتائج واعدة للغاية، إلا أنها تعتمد على عمليات المحاكاة والاختبارات على مجموعات البيانات الحالية. لا يدعي المؤلفون أنهم حلوا جميع مشكلات علم البيانات، لكنهم أظهروا أن هذا النهج "السحابي" هو لاعب جديد قوي ومرن في هذه اللعبة. ويقترحون أنه في المستقبل، يمكن دمج هذا الأسلوب مع نماذج ذكاء اصطناعي أكثر تقدماً لمواجهة تحديات أكبر، من إدارة شبكات الطاقة إلى فهم الأنظمة البيولوجية المعقدة. في الوقت الحالي، تعد هذه الدراسة دليلاً على أنه في بعض الأحيان، لإيجاد الإجابة الأفضل، تحتاج إلى ترك استراتيجية البحث الخاصة بك تنجرف، وتتفكك، وتصبح فوضوية قليلاً.