هذا الذكاء الاصطناعي الجديد يكسر قوانين الطبيعة الخفية

ابتكر الباحثون في جامعة ديوك نموذجًا جديدًا الذكاء الاصطناعي إطار عمل مصمم للكشف عن قواعد واضحة وسهلة الفهم تقع تحت بعض الديناميكيات الأكثر تعقيدًا التي تظهر في الطبيعة والتكنولوجيا.

النظام مستوحى من الطريقة التي كشف بها “علماء الديناميكية” المشهورون – العلماء الذين يدرسون كيفية تغير الأنظمة بمرور الوقت – عن العديد من مبادئ الفيزياء التي تشرح الحركة وغيرها من العمليات المتطورة. وبنفس الروح التي يوصف بها نيوتن، الذي غالبًا ما يوصف بأنه أول ديناميكي، ربط القوة والحركة بالمعادلات، يدرس الذكاء الاصطناعي البيانات التي توضح كيف يتغير النظام المعقد بمرور الوقت ثم ينتج معادلات تصف هذا السلوك.

وما يجعل هذا النهج قويًا بشكل خاص هو قدرته على تجاوز ما يستطيع الناس التعامل معه عقليًا بشكل واقعي. يمكن أن يستغرق الأمر أنظمة غير خطية تشتمل على مئات أو حتى آلاف المتغيرات واختزالها إلى قواعد أبسط تعتمد على أبعاد أقل بكثير.

يتبع هذا “البندول المزدوج” ذو المظهر الفوضوي عددًا كبيرًا من القواعد التي تحكم حركته. قام الباحثون بتدريب الذكاء الاصطناعي على أخذ البيانات من تحركاته للكشف عن المعادلات البسيطة التي تصمم تحركاته بنجاح مع مرور الوقت. والأهم من ذلك، أن هذه المعادلات يمكنها التنبؤ بكيفية استقرار النظام مع مرور الوقت. يعمل هذا النهج على أنظمة غير خطية معقدة تتراوح من أنماط المناخ العالمي إلى النشاط العصبي. الائتمان: بويوان تشن، جامعة ديوك

من الطقس والدوائر إلى علم الأحياء

الدراسة نشرت اليوم (17 ديسمبر) في المجلة تعقيد npjيقدم طريقة جديدة لاستخدام الذكاء الاصطناعي لفهم الأنظمة المعقدة التي تتطور بمرور الوقت بشكل أفضل، بما في ذلك أنماط الطقس والدوائر الكهربائية والأنظمة الميكانيكية والإشارات البيولوجية.

قال بويوان تشن، مدير مختبر الروبوتات العام والأستاذ المساعد في الهندسة الميكانيكية وعلوم المواد في جامعة ديوك: “لقد اعتمد الاكتشاف العلمي دائمًا على إيجاد تمثيلات مبسطة للعمليات المعقدة”. “لدينا بشكل متزايد البيانات الأولية اللازمة لفهم الأنظمة المعقدة، ولكن ليس لدينا الأدوات اللازمة لتحويل تلك المعلومات إلى أنواع القواعد المبسطة التي يعتمد عليها العلماء. ومن الضروري سد هذه الفجوة”.

لتوضيح سبب أهمية التبسيط، فكر في تحليق قذيفة مدفع. يمكن أن يتأثر مساره بعدة عوامل، بما في ذلك سرعة الإطلاق وزاويته، وسحب الهواء، والرياح المتغيرة، وحتى درجات الحرارة المحيطة، من بين عوامل أخرى. ومع ذلك، فإن التقريب القوي غالبًا ما يأتي من معادلة خطية بسيطة تستخدم العاملين الأولين فقط.

يستخدم هذا “البندول المغناطيسي” محركًا لتحريكه بسرعة وزاوية محددة. المغناطيسات الموجودة في نهاية البندول والأرضية تتنافر مع تأرجح البندول، مما يخلق تفاعلًا معقدًا مع مرور الوقت. قام الباحثون بتدريب الذكاء الاصطناعي على أخذ البيانات من تحركاته للكشف عن المعادلات البسيطة التي تصمم تحركاته بنجاح مع مرور الوقت. والأهم من ذلك، أن هذه المعادلات يمكنها التنبؤ بكيفية استقرار النظام مع مرور الوقت. يعمل هذا النهج على أنظمة غير خطية معقدة تتراوح من أنماط المناخ العالمي إلى النشاط العصبي. الائتمان: بويوان تشن، جامعة ديوك

فكرة كوبمان والصيد الكبير

يعكس مثال قذيفة المدفع مفهومًا نظريًا اقترحه عالم الرياضيات برنارد كوبمان في ثلاثينيات القرن العشرين: يمكن تمثيل الأنظمة غير الخطية المعقدة رياضيًا بواسطة نماذج خطية. تعتمد طريقة الذكاء الاصطناعي التي يتبعها فريق ديوك على هذه الفكرة.

ولكن هناك عقبة كبيرة. قد يتطلب إنشاء نماذج خطية لأنظمة معقدة للغاية كتابة مئات أو حتى آلاف المعادلات، كل منها مرتبطة بمتغير خاص بها. وسرعان ما يصبح هذا المقياس خارج نطاق السيطرة على العقل البشري.

هذا هو المكان الذي يصبح فيه الذكاء الاصطناعي مفيدًا.

هذه درجات الحرارة المسجلة (يسار) ونموذج لدرجات الحرارة (يمين) حول العالم لخط عرض ثابت مع مرور الوقت. تصبح النقاط التي تتحرك نحو المركز أكثر برودة بينما تصبح النقاط التي تتحرك بعيدًا عن المركز أكثر دفئًا. عند تصورها مع مرور الوقت، يمكن للمرء أن يرى كيف تنتشر درجات الحرارة هذه في جميع أنحاء العالم. في العالم الحقيقي، لا يوجد مجرد نقاط قليلة، بل لا نهاية لها، لأن درجة الحرارة الفعلية تختلف باستمرار في الفضاء. يمكن لمنصة الذكاء الاصطناعي الجديدة أن تأخذ هذه البيانات المعقدة بشكل لا يصدق وتنشئ مجموعة بسيطة نسبيًا من المعادلات الخطية التي يمكن للباحثين تحليلها بسهولة أكبر. وعلى الرغم من بساطته، إلا أن النموذج يتنبأ بدقة بتقلبات درجات الحرارة هذه مع مرور الوقت. الائتمان: بويوان تشن

كيف يضغط الإطار على التعقيد

ويحلل الإطار الجديد بيانات السلاسل الزمنية من التجارب، ويبحث عن الأنماط الأكثر أهمية في كيفية تغير النظام، ويجمع بين التعلم العميق والقيود المستوحاة من الفيزياء لتقليص المشكلة. فهو يحدد مجموعة أصغر بكثير من المتغيرات التي لا تزال تلتقط السلوك الأساسي. والنتيجة النهائية هي وصف مدمج يتصرف رياضيًا مثل النموذج الخطي بينما يظل مطابقًا لتعقيد ديناميكيات العالم الحقيقي.

اختبر الباحثون الإطار عبر العديد من الأنظمة المختلفة. وشملت هذه الحركة المألوفة للبندول، والسلوك غير الخطي للدوائر الكهربائية، والنماذج المستخدمة في علوم المناخ والدوائر العصبية. على الرغم من أن هذه الأنظمة تختلف بشكل كبير، إلا أن الطريقة كشفت بشكل متكرر عن مجموعة صغيرة من المتغيرات المخفية التي تتحكم في السلوك. وفي كثير من الحالات، كانت النماذج المصغرة أصغر بعشر مرات مما كانت تحتاج إليه أساليب التعلم الآلي السابقة، في حين لا تزال تنتج تنبؤات موثوقة طويلة المدى.

“ما يبرز ليس فقط دقةقال تشين، الذي يشغل أيضًا مناصب في الهندسة الكهربائية وهندسة الكمبيوتر وعلوم الكمبيوتر: “لكن قابلية التفسير. عندما يكون النموذج الخطي مضغوطًا، يمكن أن ترتبط عملية الاكتشاف العلمي بشكل طبيعي بالنظريات والأساليب الحالية التي طورها العلماء البشريون على مدى آلاف السنين. إنه مثل ربط علماء الذكاء الاصطناعي بالعلماء البشريين.

العثور على عوامل الجذب واكتشاف عدم الاستقرار

لا يقتصر الإطار على التنبؤ. ويمكنه أيضًا تحديد الحالات المستقرة التي تسمى عوامل الجذب، حيث يميل النظام إلى الاستقرار بمرور الوقت. إن تحديد هذه الحالات المستقرة يساعد الباحثين على الحكم على ما إذا كان النظام يعمل بشكل طبيعي، أو ينحرف عن السلوك النموذجي، أو يتجه نحو عدم الاستقرار.

قال سام مور، المؤلف الرئيسي ومرشح الدكتوراه في مختبر تشين للروبوتات العامة: “بالنسبة للباحث الديناميكي، فإن العثور على هذه الهياكل يشبه العثور على معالم منظر طبيعي جديد”. “بمجرد أن تعرف أين تقع النقاط المستقرة، فإن بقية النظام يبدأ في أن يصبح منطقيًا.”

ويؤكد الفريق أن هذه الطريقة ذات قيمة خاصة عندما تكون المعادلات التقليدية غير متوفرة، أو غير مكتملة، أو يصعب استخلاصها. وتابع مور: “لا يتعلق الأمر باستبدال الفيزياء”. “يتعلق الأمر بتوسيع قدرتنا على التفكير باستخدام البيانات عندما تكون الفيزياء غير معروفة، أو مخفية، أو مرهقة للغاية بحيث لا يمكن كتابتها.”

ما الذي سيأتي بعد ذلك لعلماء الآلة؟

بعد ذلك، يخطط الباحثون لاستكشاف كيف يمكن لهذا الإطار أن يساعد في توجيه التصميم التجريبي من خلال اختيار البيانات التي سيتم جمعها من أجل الكشف عن بنية النظام بشكل أكثر كفاءة. كما يريدون أيضًا توسيع النهج ليشمل أنواعًا أكثر ثراءً من المعلومات، بما في ذلك الفيديو أو الصوت أو الإشارات المجمعة من الأنظمة البيولوجية المعقدة.

يدعم هذا العمل جهدًا طويل الأمد في مختبر الروبوتات العام التابع لتشن لتطوير “علماء الآلات” الذين يمكنهم المساعدة في الاكتشافات العلمية الآلية. ومن خلال الجمع بين الذكاء الاصطناعي الحديث واللغة الرياضية للأنظمة الديناميكية، يشير البحث إلى مستقبل يقوم فيه الذكاء الاصطناعي بأكثر من مجرد التعرف على الأنماط. ويمكن أن يساعد في الكشف عن القواعد الأساسية التي تشكل العالم المادي والأنظمة الحية.

https://www.youtube.com/watch?v=8Q5NQegHZ50

المرجع: “التحليل العالمي الآلي للديناميكيات التجريبية من خلال التضمينات الخطية منخفضة الأبعاد” 17 ديسمبر 2025، تعقيد npj.
DOI: 10.1038/s44260-025-00062-y

تم دعم هذا العمل من قبل زمالة أبحاث الدراسات العليا التابعة لمؤسسة العلوم الوطنية، وبرنامج STRONG لمختبر أبحاث الجيش (W911NF2320182، W911NF2220113)، ومكتب أبحاث الجيش (W911NF2410405)، داربا برنامج FoundSci (HR00112490372)، وبرنامج DARPA TIAMAT (HR00112490419).

موقع المشروع: http://generalroboticslab.com/AutomatedGlobalAnalogy

الموقع الإلكتروني لمختبر الروبوتات العامة: http://generalroboticslab.com

لا تفوت أي اختراق: انضم إلى النشرة الإخبارية SciTechDaily.
تابعونا على جوجل و أخبار جوجل.