Deep Neural Networks for Mean-Field Stochastic Optimal Control with Applications to Mean Variance Optimization
تقترح هذه الورقة ثلاث خوارزميات قائمة على التعلم العميق للحل العددي لمسائل التحكم الأمثل العشوائي في المجال المتوسط عالية الأبعاد والمستمدة عبر مبدأ الحد الأقصى العشوائي، مما يثبت دقتها وكفاءتها من خلال تطبيقات على اختيار المحفظة الاستثمارية ذات التباين والمتوسط المحددين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول توجيه سفينة عبر عاصفة لا تتفاعل فيها الرياح والأمواج مع موقعك الحالي فحسب، بل تتفاعل أيضاً مع متوسط سلوك كل السفن الأخرى في المحيط. هذا هو جوهر تحدٍ رياضي معقد يُعرف باسم "التحكم العشوائي في المجال المتوسط" (mean-field stochastic control). يظهر هذا التحدي في مجالات تتراوح من الفيزياء، حيث يساعد في وصف كيفية سلوك الغازات، إلى التمويل، حيث ينمذج كيف تؤثر الأفعال الجماعية للمستثمرين على أسعار السوق. وتكمن الصعوبة الجوهرية في العدد الهائل من المتغيرات المعنية؛ فعندما يعتمد نظام ما على متوسط سلوك ملايين الأجزاء الفردية، تصبح الرياضيات المطلوبة لإيجاد الاستراتيجية المثالية للتحكم فيه ضخمة للغاية لدرجة أن الحواسيب التقليدية ببساطة لا تستطيع تحمل العبء. هذه مشكلة تُعرف بـ "لعنة الأبعاد"، حيث يتفجر الجهد المطلوب لحل مشكلة ما مع زيادة عدد العوامل، مما يجعل العديد من السيناريوهات الواقعية مستحيلة الحساب باستخدام الطرق القياسية.
لقد طور فريق من الباحثين من جامعة مولاي إسماعيل بمكناس طريقة جديدة لمعالجة هذه المشكلة باستخدام الذكاء الاصطناعي. فبدلاً من محاولة حساب كل إمكانية على حدة، قاموا بتدريب شبكات عصبية عميقة — وهي أنظمة حاسوبية تحاكي الدماغ البشري — لتعلم أفضل مسار للمضي قدماً. ويركز عملهم على نوع محدد من مشاكل التحكم حيث تتغير قواعد اللعبة بناءً على الحالة المتوسطة للنظام. ومن خلال تطبيق مبدأ رياضي يُعرف باسم "المبدأ الأقصى العشوائي" (stochastic maximum principle)، والذي يوفر مجموعة من القواعد لإيجاد أفضل نتيجة ممكنة في البيئات غير المستقرة، قام الباحثون بتحويل المشكلة الصعبة الأصلية إلى صيغة جديدة مكافئة. تسمح هذه الصيغة الجديدة بمعاملة البحث عن أفضل استراتيجية كمهمة تعلم، حيث يقوم الحاسوب بتعديل إعداداته الداخلية لتقليل الأخطاء حتى يجد الحل الأمثل.
اختبر الباحثون ثلاثة نهج مختلفة لمعرفة أيها يعمل بشكل أفضل. استخدم النهج الأول شبكة عصبية واحدة لتخمين التعديلات اللازمة في كل خطوة، ثم استخدم أداة رياضية منفصلة لتنقيح الإجابة النهائية. أما النهج الثاني، فقد استُخدم في سيناريو محدد يمكن فيه كتابة الحل المثالي كصيغة بسيطة؛ وفي هذه الحالة، كان على الشبكة العصبية تعلم الأجزاء المتبقية من اللغز فقط، مما جعل العملية سريعة ودقيقة للغاية. أما النهج الثالث، وهو الأكثر مرونة، فقد استخدم شبكتين عصبيتين تعملان معاً؛ حيث تخمن إحدى الشبكات التعديلات، بينما تخمن الأخرى إجراءات التحكم، ويتم تدريبهما معاً في آن واحد. ومن الأهمية بمكان أن هذا النهج الثالث تضمن قاعدة خاصة في عملية التدريب تجبر الشبكات على الامتثال لقوانين الأمثلية الأساسية، حتى في حالة عدم وجود صيغة بسيطة للحل.
ولرؤية ما إذا كانت هذه الأساليب تعمل بالفعل، طبق الفريق أحد هذه الأساليب على مشكلة كلاسيكية في التمويل: إدارة محفظة استثمارية لموازنة المخاطر والعوائد. لقد قاموا بمحاكاة سوق تضم أصلاً آمناً وآخر عالي المخاطر، طالِبين من الحاسوب إيجاد أفضل طريقة لاستثمار الأموال على فترة زمنية محددة لتعظيم العوائد مع الحفاظ على انخفاض المخاطر. أظهرت عمليات المحاكاة أن جميع الطرق الثلاث يمكنها إيجاد حل، لكنها أدت بشكل مختلف. كان النهج الذي اعتمد على صيغة معروفة هو الأكثر دقة، حيث طابق النموذج النظري المثالي عن كثب. وكان النهج الذي يستخدم شبكتين عصبيتين دقيقاً تقريباً، ولكنه تميز بميزة كبيرة: لم يكن بحاجة إلى صيغة مسبقة ليعمل، حيث يمكنه التعامل مع الحالات التي يكون فيها الاستراتيجية المثالية معقدة للغاية بحيث لا يمكن كتابتها على الورق. أما نهج الشبكة الواحدة فقد عمل أيضاً، وإن كان يتطلب وقتاً أطول للوصول إلى إجابة جيدة.
تثبت النتائج أن التعلم العميق يمكنه بنجاح التنقل عبر مشاكل التحكم عالية الأبعاد التي كانت بعيدة المنال في السابق. وتؤكد الدراسة أنه من خلال إعادة صياغة المشكلة واستخدام الشبكات العصبية لتقريب الحل، فمن الممكن تحقيق دقة وكفاءة حسابية عالية. والنتيجة الأكثر أهمية هي أن نهج الشبكتين يقدم أداة قوية وعامة الأغراض؛ إذ يمكنه حل المشكلات المعقدة في العالم الحقيقي حيث تكون الاستراتيجية المثلى مخفية ولا يمكن التعبير عنها بمعادلة بسيطة، مما يفتح الباب لحل تحديات مماثلة في الاقتصاد والهندسة والفيزياء كانت تُعتبر ذات يوم صعبة جداً من الناحية الحسابية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.