لعبة المحقق العظيم: عندما يلتقي الرياضيات بالتعلم الآلي

تخيل أنك تحاول حل لغز، لكن ليس لديك سوى نصف الأدلة. في عالم العلوم، هذه مشكلة شائعة. غالبًا ما يمتلك العلماء نظرية صلبة حول كيفية عمل العالم — مجموعة من القواعد، مثل قوانين الفيزياء أو البيولوجيا — وهو ما يسمونه النموذج الميكانيكي. فكر في هذا كأنه وصفة لصنع كعكة: أنت تعرف أنك بحاجة إلى دقيق، وبيض، وسكر، وتعرف الخطوات العامة للخلط. ولكن في بعض الأحيان، قد تفتقد الوصفة إلى مكون أساسي، أو تتغير درجة حرارة الفرن بطريقة غريبة لم تأخذها الوصفة الأصلية في الاعتبار.

على الجانب الآخر من الغرفة، لدينا التعلم العميق (أو الشبكات العصبية). هؤلاء يشبهون المحققين الأذكياء للغاية الذين يمكنهم النظر إلى جبل من الصور والتعرف فورًا على قطة، حتى لو لم يروا تلك القطة تحديدًا من قبل. إنهم بارعون للغاية في إيجاد الأنماط في البيانات، لكنهم غالبًا ما يكونون "صناديق سوداء". أنت تغذيهم بالبيانات، ويعطونك إجابة، لكنهم لا يستطيعون دائمًا شرح لماذا أو ما هي القواعد الأساسية. هم يحتاجون إلى كمية هائلة من البيانات للتعلم، وإذا طلبت منهم التخمين عما سيحدث في موقف لم يروه من قبل، فقد يختلقون أشياء من خيالهم.

السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا الجمع بين أفضل ما في العالمين؟ هل يمكننا أخذ وصفاتنا الموثوقة القائمة على القواعد وترك المحققين الأذكياء يملؤون القطع المفقودة؟ هذا بالضبط ما يحاول مجال النمذجة العصبية الهجينة فعله. يتعلق الأمر ببناء نظام حيث يوفر العلم الصلب الهيكل العظمي، بينما يتعلم الذكاء الاصطعي العضلات والأعصاب التي لا نفهمها تمامًا بعد. هذا الأمر مهم لأننا في العالم الحقيقي، نادرًا ما نملك بيانات مثالية. سواء كنا نتتبع فيروسًا، أو نتنبأ بالطقس، أو ندرس كيف يعمل الدماغ، فنحن بحاجة إلى نماذج ذكية بما يكفي للتعلم من البيانات المحدودة، ولكنها راسخة بما يكفي لجعل المستقبل منطقيًا.

الورقة البحثية: خلط الوصفات مع الروبوتات

في ورقتهم البحثية بعنوان "النمذجة العصبية الهجينة: النظرية والتطبيقات"، يعمل توماس غاسكين، أناستازيا بانكوفسكي، وستيفاني وينكلمون كمهندسي هذا النوع الجديد من العلوم. هم لا يكتفون بالقول "لنخلط بينهما"؛ بل يبنون إطارًا رياضيًا صارمًا لشرح كيف ومتى ينجح هذا الخلط، ومتى قد يفشل.

طيف "الصناديق الرمادية"
يقدم المؤلفون طريقة ممتعة للتفكير في هذه النماذج باستخدام رؤية "طيفية". تخيل مقياسًا منزلقًا:

• الصندوق الأبيض: نموذج رياضي بحت حيث تكون كل قاعدة معروفة ومكتوبة (مثل معادلة فيزيائية كلاسيكية مثالية).
• الصندوق الأسود: نموذج ذكاء اصطناعي بحت حيث يخمن الكمبيوتر القواعد بالكامل من البيانات، دون أي مدخلات بشرية.
• الصندوق الرمادي (الهجين): هذه هي المنطقة المثالية. إنه نموذج نحتفظ فيه بالقواعد المعروفة (الصندوق الأبيض) ولكننا نستبدل الأجزاء المربكة وغير المعروفة بشبكة عصبية (الصندوق الأسود).

تجادل الورقة بأنه بينما يعتقد البعض أنه يجب علينا التخلص من القواعد القديمة وترك الذكاء الاصطناعي يفعل كل شيء، فإن هذه فكرة سيئة. فالذكاء الاصطناعي يحتاج إلى كميات ضخمة من البيانات ليعمل بشكل جيد، وفي العديد من المجالات (مثل البيولوجيا أو العلوم الاجتماعية)، لا نملك هذا القدر من البيانات ببساطة. كما أن الذكاء الاصطناعي البحت يصعب الوثوق به لأنه صندوق أسود. ومن خلال الاحتفاظ بالقواعد المعروفة، نحافظ على قدرة النموذج على التفسير والقدرة على التنبؤ بأشياء لم يسبق له رؤيتها.

سحر "تعلم القطع المفقودة"
جوهر الورقة هو طريقة لتعليم الذكاء الاصطناعي كيفية إيجاد "المكونات المفقودة" في وصفاتنا العلمية.

• الإعداد: تخيل نموذجًا لوباء (كيف ينتشر الفيروس). نحن نعرف الرياضيات الأساسية: الناس يمرضون، ويتعافون، وربما يمرضون مرة أخرى. لكننا لا نعرف بالضبط مدى سرعة إصابتهم أو ما إذا كانت هذه السرعة تتغير مع الطالة.
• الحيلة: يوضح المؤلفون كيفية دمج شبكة عصبية في المعادلة لتخمين تلك السرعات المفقودة. تنظر الشبكة إلى البيانات الحقيقية (مثل عدد الأشخاص الذين مرضوا يوم الثلاثاء) وتعدل تخمينها حتى تتطابق توقعات النموذج الرياضي مع البيانات الحقيقية.
• النتيجة: في عمليات المحاكاة التي أجروها، وجدوا أنه إذا حاولت فقط تخمين بعض الأرقام البسيطة (مثل سرعة ثابتة)، فإن الذكاء الاصطناعي يجد الإجابة بسرعة وبشكل مثالي. ولكن إذا طلبت من الذكاء الاصطناعي تخمين سرعة معقدة ومتغيرة دون أدلة كافية، فإنه سيرتبك. قد يجد حلاً يناسب بيانات الماضي تمامًا ولكنه يفشل فشلًا ذريعًا عند التنبؤ بالمستقبل.

لغز "المنيفولد" (المتعدد الطيات)
أحد أكثر الأفكار إثارة للاهتمام في الورقة هو موضوع القابلية للتمييز (Identifiability). أحيانًا، لا توجد إجابة واحدة صحيحة فقط؛ بل هناك العديد من التركيبات المختلفة للقطع المفقودة التي تبدو جميعها متشابهة بالنسبة للبيانات. يصف المؤلفون هذا بأنه "منيفولد" (Manifold) — وهو شكل في مساحة عالية الأبعاد حيث تعيش جميع الإجابات الصحيحة.

• التشبيه: تخيل أنك تحاول تخمين شكل جسم مخفي عن طريق الشعور بظله. أحيانًا، يمكن لكرات وقرص مسطح أن يعرضا نفس الظل تمامًا من زاوية معينة. قد يعلق الذكاء الاصطناعي في تخمين أنه قرص بينما هو في الواقع كرة.
• الحل: تقترح الورقة استخدام نوع خاص من بنية الذكاء الاصطناعي (مثل المشفر-المفكك/Encoder-Decoder) لرسم خريطة لهذا "الشكل" الكامل من الإجابات الممكنة. بدلاً من إجبار الذكاء الاصطناعي على اختيار إجابة واحدة فقط، فإنه يتعلم المشهد الكامل للاحتمالات، مما يمنحنا فهمًا أفضل لعدم اليقين.

الذاكرة والزمن
تتناول الورقة أيضًا مشكلة الذاكرة. في العالم الحقيقي، لا تعتمد الأشياء فقط على ما يحدث الآن؛ بل تعتمد أيضًا على ما حدث بالأمس، أو الأسبوع الماضي، أو الشهر الماضي.

• التجربة: اختبروا ذلك باستخدام نموذج لنقل السيال العصبي لدى ذبابة الفاكهة (كيف تتواصل الخلايا العصبية مع بعضها البعض). استخدموا نوعًا خاصًا من الذكاء الاصطناعي يسمى الشبكة العصبية المتكررة (RNN) التي تمتلك "ذاكرة".
• النتيجة: نجح الذكاء الاصطناعي في تعلم أن سرعة الإشارات العصبية تعتمد على تاريخ التغيرات في درجة الحرارة، وليس فقط درجة الحرارة الحالية. سمح هذا للنموذج بالتنبؤ بالسلوك المستقبلي للذباب بشكل أفضل بكثير من النموذج الذي ينظر فقط إلى اللحظة الحالية.

التطبيقات في العالم الحقيقي (محاكاة)
لم يتوقف المؤلفون عند النظرية فحسب؛ بل أجروا عمليات محاكاة لإظهار كيف يعمل هذا في الممارسة العملية:

1. الأوبئة: أظهروا أن النموذج الهجين يمكنه تعلم كيفية تغير معدلات العدوى بمرور الوقت، ولكن فقط إذا لم يكن النموذج "حرًا" للغاية. إذا سمحوا للذكاء الاصطناعي بتغيير كل جزء من المعادلة، فإنه سيفشل في التنبؤ بالمستقبل، رغم أنه حفظ الماضي تمامًا.
2. التحكم في الليزر: قاموا بمحاكاة نظام ليزر حيث تتغير البيئة باستمرار (مثل ارتفاع أو انخفاض حرارة الهواء). عملت شبكة عصبية كمتحكم، حيث قامت باستمرار بتعديل إعدادات الليزر للحفاظ على استقرار الشعاع. أظهرت المحاكاة أن الذكاء الاصطناعي يمكنه التكيف مع هذه التغييرات في الوقت الفعلي، مما يعني "تعلم" كيفية التحكم في نظام فيزيائي معقد.

ما تستبعده الورقة
من المهم ملاحظة ما لا تقوله هذه الورقة. فهي تجادل صراحة ضد فكرة أنه يجب علينا ببساطة استبدال جميع نماذجنا العلمية بالذكاء الاصطناعي البحت. يوضح المؤلفون أنه في عمليات المحاكاة، غالبًا ما يفشل الذكاء الاصطناعي "الصندوق الأسود" (الذي لا يملك قواعد) في التعميم إلى مواقف جديدة إذا كانت بيانات التدريب محدودة. كما يوضحون أنه بينما النماذج الهجينة قوية، إلا أنها ليست سحرًا؛ فإذا كانت المشكلة معقدة للغاية أو كانت البيانات شحيحة للغاية، فقد يظل الذكاء الاصطناعي عالقًا في "نهاية صغرى محلية" (إجابة خاطئة تبدو جيدة) أو يفشل في إيجاد الفيزياء الأساسية الحقيقية.

الخلاصة
لقد قدم غاسكين، بانكوفسكي، ووينكلمن "دليل مستخدم" لمستقبل النمذجة العلمية. لقد أثبتوا أنه من خلال معاملة الأجزاء غير المعروفة من معادلاتنا كأحجية ليحلها الذكاء الاصطناعي، يمكننا بناء نماذج مدفوعة بالبيانات وراسخة علميًا في آن واحد. ويقترحون أن مفتاح النجاح ليس فقط في جعل الذكاء الاصطناعي أكثر ذكاءً، بل في فهم "شكل" المشكلة التي نحاول حلها. إذا كنا نعرف أن المشكلة لها العديد من الحلول الممكنة (المنيفولد)، فنحن بحاجة إلى ذكاء اصطناعي يمكنه رسم خريطة لهذا الشكل بأكل، وليس مجرد اختيار نقطة واحدة. يقدم هذا النهج مسارًا واعدًا للمجالات التي تكون فيها البيانات شحيحة والمخاطر عالية، مما يسمح لنا بالتعلم من الماضي دون فقدان الرؤية للقواعد التي تحكم عالمنا.