Classifying Synthetic 3D Particle Shapes Using Classical Descriptors and Point Cloud Networks

في عالم المساحيق والحبيبات والحجر المسحوق، يهم شكل الجسيم الواحد أكثر من حجمه. فسواء كانت المادة تتدفق بسلاسة عبر قمع، أو تتراص بإحكام في أساس، أو تتفاعل كيميائيًا في فرن، فإن ذلك يعتمد بشكل كبير على ما إذا كانت حبيباتها مستديرة مثل الكرات، أو مسطحة مثل العملات المعدنية، أو طويلة مثل القضبان، أو مسننة مثل الزجاج المكسور. لطال many العلماء والمهندسون يسعون منذ فترة طويلة لإيجاد طريقة موثوقة لفرز هذه الأشكال تلقائيًا، وهي مهمة تصبح صعبة عندما تكون الجسيمات صغيرة جدًا بحيث لا تُرى بالعين المجردة أو عديدة جدًا بحيث يصعب حصرها يدويًا. ولحل هذه المعضلة، لجأ الباحثون إلى النماذج الرقمية، حيث أنشأوا نسخًا مثالية مولدة بالحاسوب لهذه الجسيمات لتدريب الآلات على التعرف عليها. ويكمن التحدي في كيفية تعليم الآلة: هل تعتمد على قواعد بسيطة وضعها البشر تقيس أبعادًا محددة، أم تستخدم ذكاءً اصطناعيًا معقدًا يتعلم رؤية الشكل مباشرة من سحابة مكونة من آلاف النقاط الصغيرة؟

قام فريق من الباحثين في المعهد الهندي للتكنولوجيا بروكلي (IIT Roorkee) بالإجابة على هذا السؤال من خلال بناء مكتبة ضخمة تضم ثمانية آلاف جسيم اصطناعي. لقد قاموا بتوليد أربع عائلات متميزة من الأشكال: كرات متراصة، وكتل زاوية، وقضبان مستطيلة، وصفائح مسطحة. تم تمثيل كل جسيم رقميًا كسحابة من ألفين وثمان وأربعين نقطة تطفو في الفضاء، محاكية الطريقة التي قد يلتقط بها الماسح الضوئي ثلاثي الأبعاد جسمًا حقيقيًا. ثم قام الباحثون بتقسيم هذه المجموعة إلى مجموعات لتدريب واختبار طرق تصنيف مختلفة. وقد وضعوا نهجًا تقليديًا، يستخدم برنامج حاسوبي لقياس نسب هندسية محددة مثل الاستدارة والطول، في مواجهة شبكتين عصبيتين متقدمتين مصممتين للتعلم مباشرة من سحب النقاط دون إخبارهما بما يجب البحث عنه. وكان الهدف هو معرفة أي طريقة يمكنها تحديد شكل الجسيم بدقة، حتى لو كان ذلك الجسيم مائلًا أو إذا وقع شكله تمامًا على الحافة الضبابية بين فئتين.

كشفت النتائج عن تسلسل هرمي مفاجئ في الأداء اعتمادًا على صعوبة الاختبار. فعندما طلب الباحثون من الأنظمة تصنيف جسيمات متميزة بوضوح عن بعضها البعض، كانت النتائج شبه مثالية في جميع الأنظمة. حققت أداة اتخاذ قرار بسيطة تُعرف باسم "الغابة العشوائية" (Random Forest)، والتي تتعلم الأنماط من النسب الهندسية المقاسة، دقة مثالية بلغت مائة بالمائة في مجموعة الاختبار القياسية. كما أدت الشبكات العصبية المعقدة، بما في ذلك بنية متطورة تسمى (++PointNet)، أداءً استثنائيًا، حيث وصلت دقتها إلى تسعة وتسعين فاصلة اثنين وتسعين بالمائة. وفي هذه السيناريوهات الواضحة، أثبتت نماذج التعلم العميق قدرتها على تعلم الأشكال بنفس فعالية الأنظمة القائمة على القواعد، ولكن مع القدرة الإضافية على معالجة بيانات النقاط الخام مباشرة.

ومع ذلك، تغيرت القصة عندما قدم الباحثون تحديًا أكثر صعوبة: مجموعة حدودية من الجسيمات المصممة لتكون على العتبة الفاصلة بين كونها مستطيلة ومسطحة. كانت هذه هي الحالات الأكثر تعقيدًا، حيث كان الفرق في الشكل دقيقًا وسهل الخلط. هنا، فشلت القواعد البسيطة التي نجحت تمامًا مع الأشكال الواضحة فشلًا تامًا ما لم يتم ضبطها بعناية. فالقواعد الثابتة التي عملت جيدًا على المجموعة الرئيسية تعثرت، حيث حققت دقة قدرها ربع بالمائة فقط، لأن العتبات الجامدة لم تستطع التعامل مع الفروق الدقيقة في الحالات الحدية. وعندما قام الباحثون بتعديل القواعد خصيصًا لهذه المجموعة الصعبة، حققوا دقة مثالية، مما أثبت أن المنطق الذي صممه البشر يمكن أن ينجح إذا كانت الحدود معروفة مسبقًا. أما نماذج تعلم الآلة، فقد عانت أكثر من هذا الغموض. فكانت أفضل شبكة عصبية أداءً، وهي نسخة من (++PointNet) التي استخدمت ألفين وثمان وأربعين نقطة وتم تدريبها بدون دورات دوران عشوائية إضافية، قد حققت دقة بلغت سبعة وثمانين فاصلة ثمانية وثمانين بالمائة. وكان هذا أفضل بكثير من القواعد غير المضبوطة، لكنه ظل دون الدرجة المثالية التي حققتها القواعد المضبوطة و"الغابة العشوائية" في المجموعات الأسهل.

كما كشفت الدراسة عن درس حاسم حول كيفية تعلم هذه النماذج ومن أين يأتي يقينها. فعندما فحص الباحثون بيانات الاختبار، وجدوا أن تسعمائة وست عشرة من أصل ألف ومائتين من جسيمات الاختبار كانت متطابقة هندسيًا مع جسيمات رأتُها النماذج بالفعل أثناء التدريب. في هذه الحالات، لم تكن النماذج تعمم حقًا على أشكال جديدة؛ بل كانت ببساطة تتعرف على نسخ مطابقة. ولاختبار النماذج بشكل أكثر صرامة، أنشأ الباحثون تقسيمًا جديدًا حيث لا تشترك أي جسيمة في الاختبار في نفس الهندسة مع أي جسيمة في التدريب. وفي هذا الاختبار الأكثر صرامة، حافظت "الغابة العشوائية" البسيطة على دقتها المثالية البالغة مائة بالمائة. ولم يتم تقييم نماذج التعلم العميق في هذا التقسيم المحدد، مما ترك أداءها على هذه الهندسات المنفصلة بصرامة غير مؤكد. علاوة على ذلك، وجد الباحثون أن إضافة المزيد من النقاط إلى السحابة أو تدوير الجسيمات أثناء التدريب لم يساعد دائمًا؛ بل في الواقع، بالنسبة للحالات الحدية، كان النموذج المدرب بدون دورات دوران إضافية يعمل بشكل أفضل من تلك المدربة بها، وهي نتيجة غير متوقعة تسلط الضوء على حساسية هذه الأنظمة لكيفية تعليمها.

في النهاية، خلص الباحثون إلى أنه بالنسبة لهذه المجموعة البيانية النظيفة والاصطناعية، فإن الطريقة البسيطة والشفافة القائمة على القياسات الهندسية كانت غالبًا أكثر قوة وموثوقية من شبكات التعلم العميق المعقدة. كانت الشبكات العصبية قادرة على تحقيق أداء عالٍ، لكن نجاحها كان هشًا، حيث يتغير بشكل كبير بناءً على عدد النقاط المستخدمة، ووجود دورات التدريب، والطبيعة المحددة لبيانات الاختبار. وتعد هذه الدراسة تذكيرًا بأنه بينما يعد الذكاء الاصطناعي المتقدم قويًا، فإنه ليس متفوقًا تلقائيًا على الطرق الكلاسيكية المفهومة جيدًا، خاصة عندما تكون البيانات اصطناعية والهدف هو التصنيف الدقيق. وقد جعل الباحثون الكود الخاص بهم، والنماذج المدربة، وعرضًا تفاعليًا متاحًا للجمهور، مما يسمح للآخرين برؤية كيف يتم التعرف على جسيم واحد واختبار حدود هذه الأنظمة بأنفسهم. كما شددوا على أنه بينما تعتبر هذه النتائج مثيرة للإعجاب في بيئة رقمية محكومة، إلا أنه لا يمكن تطبيقها مباشرة على المواد الواقعية دون مزيد من التحقق، لأن الجسيمات الحقيقية تأتي مع ضجيج، وعيوب، وعدم انتظام لا تمتلكه هذه النماذج الاصطناعية المثالية.