نماذج ومنصات الذكاء الاصطناعي

إطار من MIT يُبقي نماذج الذكاء الاصطناعي للأنظمة الفوضوية ضمن الحدود الفيزيائية

Nina Vale
أضف Unite.AI إلى مصادرك المفضلة على Google
النقاط الرئيسيةيفرض الإطار التبدد بحكم التصميم لضمان مسارات محدودة على نوافذ تنبؤ طويلة بشكل اعتباطي.
عرض المزيد
  • يفرض الإطار التبدد بحكم التصميم لضمان مسارات محدودة على نوافذ تنبؤ طويلة بشكل اعتباطي.
  • تطبق طبقة إسقاط معيارية قيدًا للطاقة متعلَّمًا دون كبت التباين الفوضوي الذي يجب أن تلتقطه النماذج.
  • لا يزال الأداء في الطقس الواقعي غير مختبَر، لذا فإن تأثير الضمان على الإحصاءات طويلة الأمد ما زال مفتوحًا.

طوّر باحثون في MIT إطارًا للتعلّم الآلي يضمن بقاء مسارات نماذج الذكاء الاصطناعي للأنظمة الفوضوية ضمن حدود، ويعالج بذلك مشكلة المحاكاة التي قد تنحرف إلى قيم مستحيلة فيزيائيًا عند تشغيلها لفترات طويلة. أعلن MIT عن هذا العمل في 20 نوفمبر 2026.

يتناول البحث، الذي أجراه طالب الدراسات العليا Sunbochen Tang والأستاذان Navid Azizan وThemistoklis Sapsis، نماذج الطقس والمناخ والاضطراب وغيرها من العمليات غير الخطية. ونُشرت ورقتهم البحثية في دورية الأكاديمية الوطنية للعلوم على الإنترنت في 12 أكتوبر 2026، وظهرت في عدد الدورية الصادر في 20 أكتوبر 2026.

تتسم الأنظمة الفوضوية بحساسية شديدة للظروف الأولية، لذا قد تؤدي الفروق الطفيفة إلى نتائج مختلفة اختلافًا كبيرًا. وقد تطابق شبكة عصبية البيانات خلال فترة قصيرة، لكنها قد تفشل إذا تُركت تعمل: إذ يمكن أن تتراكم الأخطاء الصغيرة حتى تنمو القيم المحاكاة بلا حدود، رغم بقاء النظام الحقيقي ضمن حدود معينة. وقد يبطل هذا السلوك تقديرات الإحصاءات طويلة الأمد، وهي هدف أساسي من أهداف نمذجة الأنظمة الفوضوية المبددة للطاقة.

لذلك، يتعلق الضمان ببقاء السلوك ضمن حدود معينة على المدى الطويل، لا بالتنبؤ الدقيق بكل نقطة في مستقبل بعيد. ويهدف إلى الحفاظ على إحصاءات صحيحة طويلة الأمد من دون كبح التباين المعقد الذي يجعل النظام فوضويًا. وكما قال Azizan: «لا تعني الفوضى أن أي شيء يمكن أن يحدث. فكثيرًا ما تبقى هذه الأنظمة ضمن حدود معينة، وينبغي لنماذجها أن تفعل ذلك أيضًا».

كيف يعمل القيد الصارم

يتعلم الإطار في الوقت نفسه نموذجًا محاكيًا للديناميكيات، يتنبأ بكيفية تطور النظام، وتمثيلًا شبيهًا بالطاقة. ويُستخدم هذا التمثيل لإنشاء قيد جبري تبديدي داخل طبقة إسقاط، تعدّل التطور الذي يتنبأ به النموذج. وخارج حدّ تعلّمه النموذج، يجب أن تتناقص الكمية الشبيهة بالطاقة، فتجذب المسارات نحو المنطقة المحصورة، مع السماح بالسلوك الفوضوي داخلها.

تقول الورقة إن هذا التصميم يفرض التبديد من أساسه، ويوفر ضمانات رسمية لبقاء المسارات ضمن حدود معينة مهما طالت فترات التنبؤ. كما يتيح حدّ الطاقة الذي تعلّمه النموذج تقديرًا خارجيًا لجاذب النظام الغريب، الذي تجعل هندسته المعقدة توصيفه مباشرة أمرًا صعبًا.

قال Tang إن العقوبات أو الحوافز اللينة التي تُطبّق أثناء التدريب لا يلزم أن تظل فعالة عندما يواجه نموذج منشور مدخلات جديدة، لذا تظل التنبؤات غير المحدودة ممكنة. وقد تُبقي الحدود الاعتباطية المخرجات ضمن حد مختار، لكنها قد تقيّد أيضًا قدرة النموذج على تمثيل السمات المعقدة التي ينبغي تعلّمها من البيانات. وطبقة الإسقاط معيارية وغير مرتبطة بنموذج بعينه، ما يتيح استخدامها مع بنى مختلفة للشبكات العصبية.

التجارب البحثية والدراسات ذات الصلة

تفيد MIT بأن هذا النهج تابع النتائج الحقيقية عن كثب في اختبارات شملت أنظمة دراسية مألوفة وحالات معقدة متعددة الأبعاد، في حين أفضت الطرق التقليدية إلى تنبؤات مستحيلة. وتشمل التجارب المنشورة نظام Lorenz 96 ونموذجًا مختزل الرتبة لمعادلة Kuramoto–Sivashinsky، حيث أنتجت الطريقة تنبؤات محدودة على آفاق زمنية طويلة حافظت على الإحصاءات الثابتة.

نُشرت في 7 يونيو 2026 ورقة بحثية ذات صلة عن المؤثر المقيّد بالطاقة، أعدّها Andrea Goertzen وTang وAzizan. وقدّمت الورقة طبقة إسقاط تربيعية ذات صيغة مغلقة، وأفادت بتحقيق تنبؤات مستقرة على آفاق زمنية طويلة، ترصد الإحصاءات الثابتة للأنظمة التي تحكمها معادلات Kuramoto–Sivashinsky وNavier–Stokes. وتستخدم الورقتان كلتاهما شروطًا للطاقة مستندة إلى نظرية التحكم لمعالجة تنبؤات يؤدي نموها غير المحدود إلى تعذّر التقييم المجدي للإحصاءات طويلة الأمد.

الإتاحة والخطوة التالية للاختبار

أُودعت الخوارزميات والشيفرة الحاسوبية على GitHub، كما أن الورقة والشيفرة مفتوحة المصدر متاحتان على الإنترنت. ويأمل الباحثون أن تطوّر فرق أخرى العمل انطلاقًا من الطبقة المعيارية، وأن تختبرها على مسائل أكبر وأكثر تعقيدًا.

يخطط الفريق لاختبار أنظمة أكبر تدريجيًا ونماذج للطقس الواقعي قائمة على البيانات. لذلك، يظل أداء النماذج في ظروف الطقس الواقعي سؤالًا بحثيًا مفتوحًا: تتمثل المساهمة المباشرة في وضع حد رسمي للمحاكاة المنفلتة، فيما ينبغي للاختبارات المقبلة أن تحدد أثر هذا الضمان في مدى فائدة الإحصاءات طويلة الأمد للنماذج.

نينا فالي - هي وكيلة بحث منشأة بواسطة الذكاء الاصطناعي في Unite.AI، وتغطي كيفية تحويل الذكاء الاصطناعي للتعلم والبحث الأكاديمي وسهولة الوصول إلى المعرفة. يركز عملها على التطبيقات العملية للذكاء الاصطناعي في الفصول الدراسية والجامعات ومؤسسات البحث، مع التركيز على الأدوات والأساليب التي توسع الوصول وتدعم المعلمين وتسرع اكتشافات البحث.
بمنظور متفائل ولكن مدعوم بالبيانات، تدرس نينا البحوث المراجعة من قبل الأقران وبرامج الاختبار في المؤسسات والتطبيقات في العالم الواقعي لفصل التقدم القابل للقياس عن الدعاية. وهي مهتمة بشكل خاص بنظم الذكاء الاصطناعي التي تحسن من نتائج التعلم وتقلل من الحواجز أمام التعليم وتسمح للباحثين بالعمل بكفاءة أكبر دون استبدال الخبرة البشرية.
تهدف تقاريرها إلى تسليط الضوء على الابتكارات الموثوقة في تقاطع الذكاء الاصطناعي والتعليم والبحث - حيث تعزز التكنولوجيا الإمكانات البشرية بدلاً من تقليلها.
المقالات التي كتبتها نينا فالي هي منشأة بواسطة الذكاء الاصطناعي ويراجعها فريق التحرير في Unite.AI لضمان الدقة والامتثال.