Dimensionality reduction of atmospheric concentration fields using a 3D convolutional autoencoder with spatial attention mechanism

لغز الغلاف الجوي العظيم

تخيل الغلاف الجوي للأرض كأنه لغز ثلاثي الأبعاد ضخم وغير مرئي، مكون من الهواء، والتلوث، والطقس. يستخدم العلماء برامج حاسوبية فائقة القوة لمحاكاة كيفية تغير هذا اللغز بمرور الوقت، لتتبع أشياء مثل أول أكسيد الكربون المنبعث من مصنع أو طريق سريع مزدحم. تُنتج هذه المحاكاة "أفلامًا" ضخمة رباعية الأبعاد (3D للمساحة + 1 للزمن) للهواء، لكنها ضخمة ومفصلة للغاية لدرجة أن تخزينها يشبه محاولة حمل مكتبة الكونجرس بأكملها في حقيبة ظهرك.

عندما يريد العلماء معرفة من أين يأتي التلوث أو كيف يمكن تنظيفه، يتعين عليهم تشغيل هذه الأفلام الحاسوبية إلى الوراء وإلى الأمام آلاف المرات. يُسمى هذا "النمذجة العكسية" (Inverse Modeling). ولكن إذا كان عليهم في كل مرة يشغلون فيها الفيلم أن يحملوا تلك الحقيبة الضخمة، فستصبح العملية بطيئة ومكلفة للغاية. ولحل هذه المشكلة، يحتاج الباحثون إلى طريقة لتقليص هذه الأفلام الهوائية الضخمة إلى ملفات صغيرة يمكن التعامل معها دون فقدان التفاصيل المهمة — مثل الحواف الحادة لسحابة دخان أو الموقع الدقيق لمدخنة ملوثة. إنهم بحاجة إلى "ضغط سحري" يحافظ على وضوح الصورة بما يكفي لحل اللغز، حتى لو كانت أصغر بكثير.

ضاغط الهواء الرقمي

في هذه الدراسة، عالج الباحثان ستيبان بولياكوف وأليكسي بينينكو من معهد الرياضيات الحاسوبية والجيوفيزياء الرياضية في روسيا هذه المشكلة. أرادوا إيجاد أفضل طريقة لضغط خرائط ثلاثية الأبعاد لأول أكسيد الكربون (CO) فوق مدينة نوفوسيبيرسك. لم يكن هدفهم مجرد توفير المساحة؛ بل كانوا بحاجة إلى طريقة يمكن "إعادة فك ضغطها" بدقة كافية للمساعدة في حل ألغاز التلوث المعقدة لاحقًا.

للقيام بذلك، بنوا نوعًا خاصًا من الذكاء الاصطناعي يسمى المشفّر التلقائي التلافيفي ثلاثي الأبعاد (3D Convolutional Autoencoder). تخيل هذا الذكاء الاصطناعي كآلة مكونة من جزأين: "مشفّر" (Encoder) ينظر إلى خريطة ثلاثية الأبعاد عالية الدقة لهواء المدينة ويحاول تلخيصها في رمز صغير وسري ("متجه كامن" أو Latent Vector)، و"مفكك تشفير" (Decoder) يحاول إعادة بناء الخريطة الأصلية من ذلك الرمز الصغير. الحيلة تكمن في جعل الرمز صغيرًا جدًا بحيث يسهل حمله، مع بقاء الخريطة المعاد بناؤها مطابقة تمامًا للأصل.

اختبر الباحثون طرقًا عديدة للقيام بهذا الضغط. جربوا حيلًا رياضية قديمة مثل تحليل المكونات الرئيسية (PCA) (الذي يجد الأنماط الأكثر شيوعًا في البيانات، مثل إيجاد الشكل المتوسط للسحابة)، وتحويل جيب التمام المتقطع (DCT) (وهي طريقة تُستخدم في صور JPEG وتركز على الألوان الناعمة)، وحتى بعض رياضيات الموترات (Tensors) المتطورة. كما اختبروا نسخة "بسيطة" من ذكائهم الاصطناعي لا تحتوي على أي حيل خاصة.

ومع ذلك، واجه الذكاء الاصطناعي "البسيط" مشكلة: فقد كان يميل إلى طمس التفاصيل الحادة والمهمة، مثل الحواف الدقيقة لسحابة تلوث خارجة من مدخنة. لقد كان يعامل الخريطة بأكملها بنفس الطريقة، مما يؤدي إلى تنعيم الأجزاء الفوضوية والمتعرجة التي تهمنا أكثر من غيرها لتحديد مصادر التلوث.

حل "تسليط الضوء"

لإصلاح مشكلة الضبابية، أضاف الفريق ميزة جديدة إلى ذكائهم الاصطناعي تسمى SAM3D (آلية الانتباه المكاني - Spatial Attention Mechanism). تخيل أنك تنظر إلى غرفة مظلمة مليئة بالأشياء؛ الكاميرا العادية تلتقط صورة لكل شيء بالتساوي، لكن SAM3D تشبه "كشاف الضوء" الذي يمكن للذكاء الاصطناوي تحريكه. يتعلم النظام "الانتباه" إلى نقاط محددة في الخريطة الهوائية ثلاثية الأبعاد حيث يكون التلوث في أقصى كثافته أو حيث تكون التدرجات (التغيرات من الهواء النقي إلى الملوث) حادة.

بدلاً من محاولة فهم العلاقة بين كل نقطة في الهواء (الأمر الذي سيكون بطيئًا وثقيلًا للغاية)، تستخدم SAM3D حيلة خفيفة الوزن. فهي تنظر إلى إحصائيات الهواء في أماكن مختلفة — مدى تباينه، ومتوسطه، والحد الأقصى له — وتستخدم ذلك لإنشاء "خريطة أهمية". ثم تخبر مفكك التشفير: "مهلًا، لا تجعل هذا الجزء ضبابيًا؛ حافظ عليه حادًا للغاية لأنه مصدر تلوث".

ما وجدوه

كانت النتائج واعدة للغاية. فعندما اختبروا جهاز SAM3D Autoencoder الجديد مقابل الطرق الأخرى، أدى أداءً أفضل باستمرار في الحفاظ على وضوح خرائط الهواء.

• أفضل من الأساسيات: تفوق الذكاء الاصطناعي الجديد على النسخة "البسيطة" من نفسه. فمن خلال إضافة "انتباه تسليط الضوء"، نجح في تقليل الخطأ (الفرق بين الخريطة الأصلية والمعاد بناؤها) بنسبة تصل إلى 37%.
• التفوق على الرياضيات القديمة: تفوق أيضًا على الطرق الخطية التقليدية (مثل PCA و DCT) عندما حاولوا ضغط البيانات إلى أحجام صغيرة (تحديدًا عند الأبعاد الكامنة 16 و32 و64). على سبيل المثال، عند حجم 64، سجل نموذج SAM3D خطأً قدره 0.0045، بينما سجلت طريقة PCA (وهي أفضل طريقة خطية تالية) خطأً قدره 0.0079.
• الحفاظ على الهيكل: تحقق الباحثون أيضًا من مدى الحفاظ على أشكال سحب التلوث. سجل نموذج SAM3D درجة أعلى في اختبار "التشابه الهيكلي" (SSIM)، حيث وصل إلى 0.7715 عند الحجم 64، مقارنة بـ 0.7384 للذكاء الاصطناعي البسيط. وهذا يعني أن الخرائط المعاد بناؤها كانت تبدو أكثر شبهاً بالواقع، مع الحفاظ على تلك الحواف الحادة.

ومن المثير للاهتمام، أنهم وجدوا أن مجرد تكبير حجم الرمز لا يساعد دائمًا؛ فأحيانًا، لا يؤدي إضافة المزيد من المساحة إلى الرمز إلى تحسين الصورة، كما أن بعض الطرق الأخرى (مثل UMAP) كانت جيدة في الأحجام الصغيرة ولكنها لم تتوسع بشكل جيد مثل ذكائهم الاصطناعي الجديد.

لماذا يهم هذا الأمر (وما الخطوة التالية)

يؤكد المؤلفون بحذر أن هذه "خطوة أولية". فهم لم يستخدموا بعد هذه البيانات المضغوطة لحل لغز تلوث حقيقي أو تحديد انبعاثات مصنع معين؛ فهذا الجزء مخصص لدراسة مستقبلية. ومع ذلك، فقد أثبتوا أن هذه الطريقة قابلة للاشتقاق (Differentiable)، وهي طريقة تقنية تعني أن الرياضيات سلسة بما يكفي لاستخدامها في الحسابات المعقدة "العكسية" المطلوبة للنمذجة العكسية.

باختصار، يشير الفريق إلى أن استخدام ذكاء اصطناعي ثلاثي الأبعاد مع آلية "انتباه تسليط الضوء" يعد مرشحًا قويًا جدًا لضغط بيانات الغلاف الجوي الضخمة. فهو يحافظ على التفاصيل الحادة والمهمة لسحب التلوث مع جعل البيانات صغيرة بما يكفي للقيام بالمهام الشاقة في النمذجة البيئية. إنه ليس عصا سحرية تحل كل شيء فورًا، ولكنه أداة جديدة فعالة للغاية في صندوق أدوات العلماء، جاهزة للمساعدة في جعل الجيل القادم من أجهزة تتبع التلوث أسرع وأكثر دقة.