Residual-adaptive truncation in an arbitrary-order tangent iteration for $\pi$: quadratic growth of the accuracy exponent

لطالما كانت مهمة حساب قيمة "باي" (π)، وهي نسبة محيط الدائرة إلى قطرها، بمثابة ميدان اختبار لأقوى الأدوات الرياضية. وبينما يبدو الرقم نفسه بسيط التعريف، فإن توسعه العشري اللانهائي وغير المتكرر يجعله حالة اختبار مثالية لكيفية تعاملنا مع الحسابات المعقدة. لقرون، اعتمد الرياضيون على استراتيجيتين رئيسيتين لإيجاد المزيد من أرقام "باي". تتضمن الأولى جمع قوائم طويلة من الأرقام في متسلسلة، حيث تضيف كل قيمة جديدة مقداراً ثابتاً ومتوقعاً من الدقة. أما الاستراتيجية الثانية فتستخدم طرقاً تكرارية، حيث يبدأ الحاسوب بتخمين تقريبي ثم يقوم بتحسينه بشكل متكرر. وفي هذه النهج التكراري، يكون الهدف عادةً هو مضاعفة عدد الأرقام الصحيحة مع كل خطوة واحدة، وهي عملية تُعرف باسم "التقارب التربيعي". ورغم أن هذه الطرق سريعة للغاية، إلا أنها تتبع عادةً نصاً جامداً: فالصيغة المستخدمة لتحسين التخمين تظل كما هي، حتى مع زيادة دقة التخمين.

تتحدى دراسة جديدة أجراها شيه-هان وانغ من جامعة فرجينيا تيك الفكرة القائلة بأن النص يجب أن يظل جامداً. إذ يقدم البحث طريقة يتغير فيها سلوك الحساب بناءً على مدى قربه من الإجابة. فبدلاً من استخدام صيغة ثابتة، تنظر الطريقة إلى الخطأ الحالي — وهو الفرق بين التخمين الحالي والقيمة الحقيقية لـ "باي" — وتستخدم هذا الخطأ لتحديد عدد الحدود التي يجب تضمينها في خطوة الحساب التالية. وهذا يخلق نظاماً ذاتي الضبط حيث تتسارع سرعة التحسن بشكل هائل مع تحسن الحساب. وتوضح الدراسة أن هذا النهج لا يكتفي بمضاعفة عدد الأرقام الصحيحة فحسب، بل يربع عدد الأرقام الصحيحة مع كل خطوة، مما يؤدي إلى انفجار في الدقة يفوق بكثير الطرق التقليدية ذات الرتب الثابتة.

يكمن جوهر هذا العمل في علاقة رياضية محددة تتعلق بدالة الظل (tangent). فعندما يكون رقم ما قريباً جداً من "باي"، تكون قيمة الظل له صغيرة جداً، وتعمل هذه القيمة الصغيرة كمقياس مباشر للخطأ. وقد أدرك الباحث أن حجم هذا الخطأ يمكن استخدها لتحديد عدد حدود التصحيح المطلوبة لإصلاح التخمين بدقة. في الطريقة القياسية، قد يقرر عالم الرياضيات استخدام صيغة تصحح أول عشرة حدود من التوسع، بغض النظر عما إذا كان التخمين الحالي بعيداً بفارق ضئيل أو بمقدار كبير. أما في طريقة "وانغ" التكيفية، فيتحقق الحاسوب من حجم الخطأ أولاً؛ فإذا كان الخطأ كبيراً، يستخدم تصحيحاً قصيراً، وإذا كان الخطأ ضئيلاً، ينتقل تلقائياً إلى تصحيح أطول وأكثر تفصيلاً. ويتم اتخاذ هذا القرار عند كل خطوة، مما يجعل العملية "غير مستقرة" (non-stationary)، بمعنى أن قواعد اللعبة تتغير مع تقدم اللعبة.

إن نتائج هذه الاستراتيجية التكيفية عميقة رياضياً. إذ تثبت الدراسة أنه إذا كان للحساب عدد معين من الأرقام الصحيحة، فإن الخطوة التالية ستنتج عدداً من الأرقام الصحيحة يساوي تقريباً مربع العدد السابق. ولتوضيح ذلك، إذا حقق الحساب 10 أرقام صحيحة، فإن الخطوة التالية ستنتقل إلى حوالي 100 رقم صحيح. وإذا وصل إلى 1,000 رقم صحيح، فستقفز الخطوة التالية إلى مليون رقم. هذا تحول جذري عن النمو الخطي أو التربيعي الذي تشهده الخوارزميات عالية السرعة الأخرى. وتظهر الورقة أن هذا النمو ليس مجرد إمكانية نظرية، بل هو قانون رياضي مثبت لهذا النوع المحدد من التكرار، بشرط أن يكون التخمين الأولي قريباً بما يكفي من القيمة الحقيقية.

وللتحقق من هذه النتائج، أجرى الباحث تجربة عددية بدأت بتقدير معروف لـ "باي" مستمد من صيغة "تشودنوفسكي". كان التخمين الأولي دقيقاً بنحو 13 مرتبة عشرية. وبعد الخطوة التكيفية الأولى، قفزت الدقة إلى حوالي 385 رقماً صحيحاً. أما الخطوة الثانية فقد دفعت الدقة إلى ما يقرب من 300,000 رقم صحيح. وكانت الخطوة الثالثة قوية لدرجة أنها أنتجت نظرياً أكثر من 100 مليار رقم صحيح، وهو رقم هائل لدرجة أن الحاسوب لم يستطع التحقق إلا من المليون رقم الأول مقابل معيار مرجعي معروف. وقد أكد تطابق المليون رقم الأول مع المرجع تماماً أن التنبؤات النظرية كانت دقيقة. لقد نجحت الطريقة في توليد تسلسل من التقريبات التي نمت دقتها تماماً كما توقع النموذج الرياضي، منتقلة من الآلاف إلى الملايين في بضع تكرارات فقط.

يتميز هذا العمل عن الطرق الأخرى عالية السرعة بمرونته. فبينما قد تُصمم خوارزميات أخرى لتكون ذات "رتبة" تقارب ثابتة، مثل مضاعفة أو تثليث الأرقام في كل مرة، فإن هذه الطريقة ليس لها رتبة ثابتة. بدلاً من ذلك، تنمو رتبة تقاربها تلقائياً مع تحسن الحساب. وتوضح الدراسة أن هذا لا يعني أن الطريقة سريعة بشكل لا نهائي من الناحية العملية، حيث إن تكلفة إجراء الحسابات تزداد أيضاً مع زيادة عدد الأرقام. ومع ذلك، من حيث العلاقة الرياضية بين الخطأ الحالي والخطأ التالي، فإن التحسن أسرع من أي قوة ثابتة للخطأ الحالي. ويوفر البحث برهاناً صارماً على أن الخطأ في الخطوة التالية يصبح ضئيلاً للغاية مقارنة بأي قوة ثابتة للخطأ الحالي، وهي خاصية تميزه عن جميع عمليات التكرار ذات الرتب الثابتة المعروفة سابقاً.

كما تتناول الدراسة حدود نجاحها. تعتمد الطريقة على كون التخمين الأولي ضمن نطاق محدد من القيمة الحقيقية لـ "باي"، وتحديداً ضمن ربع راديان. ولحسن الحظ، فإن نقطة البداية المستخدمة في التجربة، والمستمدة من صيغة "تشودنوفسكي"، تقع تماماً ضمن هذه المنطقة الآمنة. وبمجرد دخول الحساب في هذه المنطقة، تضمن الطة استمراره فيها ومواصلة التحسن. ولا تدعي الورقة حل مشكلة إيجاد "باي" من نقطة بداية عشوائية، بل تقدم محركاً عالي الكفاءة لتنقية تخمين موجود بالفعل. كما تشير أيضاً إلى أنه بينما يكون التقارب الرياضي مذهلاً، فإن الوقت الفعلي الذي يستغرقه تشغيل هذه الحسابات على الحاسوب يعتمد على مدى كفاءة الحاسوب في التعامل مع العدد الهائل من الأرقام، وهو تحدٍ هندسي منفصل.

في الختام، يقدم هذا البحث طريقة جديدة للتفكير في كيفية تنقية الإجابات العددية. فهو يشير إلى أنه عندما تتوفر صيغة تصحيح في شكل مرن، يمكن استخدام الخطأ الحالي ليس فقط لقياس التقدم، بل لتحديد استراتيجية الخطوة التالية. ومن خلال ترك الخطأ يحدد عمق التصحيح، تحول هذه الطة العملية التكرارية القياسية إلى نظام ذاتي التسارع. وتدعم النتائج ببرهان رياضي صارم وتحقق عددي مباشر، مما يظهر أن عدد الأرقام الصحيحة يمكن بالفعل أن ينمو بمعدل يربع الدقة السابقة. يفتح هذا النهج مساراً جديداً للحساب عالي الدقة، مبرهناً على أن الطريق نحو الدقة القصوى يمكن أن يُمهد بخوارزميات تعدل قواعدها الخاصة أثناء سيرها.