من المعروف أن التنبؤ بالأنظمة المعقدة مثل الطقس أمر صعب. ولكن على الأقل لا تتغير المعادلات الحاكمة للطقس من يوم إلى آخر. في المقابل ، يمكن لبعض الأنظمة المعقدة أن تخضع لتحولات "نقطة التحول" ، وتغير سلوكها فجأة بشكل كبير وربما لا رجعة فيه ، مع القليل من التحذير وعواقب كارثية محتملة.
على نطاقات زمنية طويلة بما فيه الكفاية ، فإن معظم أنظمة العالم الحقيقي هي مثل هذا. لنأخذ في الاعتبار تيار الخليج في شمال المحيط الأطلسي ، الذي ينقل المياه الاستوائية الدافئة شمالًا كجزء من حزام ناقل محيطي يساعد في تنظيم مناخ الأرض. تتغير المعادلات التي تصف هذه التيارات المتداولة ببطء بسبب تدفق المياه العذبة من ذوبان الصفائح الجليدية. حتى الآن ، تباطأ الدوران تدريجياً ، لكن بعد عقود من الآن قد يتوقف فجأة.
قال "لنفترض أن كل شيء على ما يرام الآن" ينج تشينج لاي، عالم فيزياء في جامعة ولاية أريزونا. "كيف تعرف أنه لن يكون على ما يرام في المستقبل؟"
في سلسلة من الأوراق البحثية الحديثة ، أظهر الباحثون أن خوارزميات التعلم الآلي يمكن أن تتنبأ بانتقالات نقطة التحول في الأمثلة النموذجية لمثل هذه الأنظمة "غير الثابتة" ، بالإضافة إلى سمات سلوكها بعد أن تميل. يمكن للتقنيات الجديدة القوية بشكل مدهش أن تجد يومًا ما تطبيقات في علم المناخ ، علم البيئةوعلم الأوبئة والعديد من المجالات الأخرى.
بدأت زيادة الاهتمام بالمشكلة منذ أربع سنوات مع نتائج رائدة من مجموعة إدوارد أوت، باحث رائد في الفوضى في جامعة ماريلاند. وجد فريق أوت أن نوعًا من خوارزمية التعلم الآلي يسمى الشبكة العصبية المتكررة يمكن أن يتنبأ بتطور الأنظمة الفوضوية الثابتة (التي ليس لها نقاط تحول) بشكل مذهل بعيدًا في المستقبل. اعتمدت الشبكة فقط على سجلات السلوك السابق للنظام الفوضوي - لم يكن لديها معلومات حول المعادلات الأساسية.
اختلف نهج التعلم للشبكة عن نهج الشبكات العصبية العميقة ، التي تغذي البيانات من خلال كومة طويلة من طبقات الخلايا العصبية الاصطناعية لمهام مثل التعرف على الكلام ومعالجة اللغة الطبيعية. تتعلم جميع الشبكات العصبية من خلال ضبط قوة الاتصالات بين الخلايا العصبية استجابة لبيانات التدريب. استخدم أوت وزملاؤه طريقة تدريب أقل تكلفة من الناحية الحسابية تسمى حوسبة الخزان ، والتي تقوم فقط بضبط عدد قليل من الوصلات في طبقة واحدة من الخلايا العصبية الاصطناعية. على الرغم من بساطتها ، تبدو حوسبة المكامن مناسبة لمهمة التنبؤ بالتطور الفوضوي.
كانت نتائج 2018 مثيرة للإعجاب ، حيث اشتبه الباحثون في أن نهج التعلم الآلي القائم على البيانات لن يكون قادرًا على التنبؤ بانتقالات نقطة التحول في الأنظمة غير الثابتة أو استنتاج كيف ستتصرف هذه الأنظمة بعد ذلك. قال أوت إن الشبكة العصبية تتدرب على البيانات السابقة حول نظام متطور ، لكن "ما يحدث في المستقبل يتطور بقواعد مختلفة". إنها مثل محاولة التنبؤ بنتيجة لعبة بيسبول فقط لتجد أنها تحولت إلى مباراة كريكيت.
ومع ذلك ، في العامين الماضيين ، أظهرت مجموعة أوت والعديد من الآخرين أن حوسبة المكامن تعمل بشكل جيد بشكل غير متوقع مع هذه الأنظمة أيضًا.
In ورقة 2021أعطى Lai والمتعاونون خوارزمية حوسبة المكامن الخاصة بهم الوصول إلى قيمة الانجراف البطيء للمعامل الذي سيرسل في النهاية نظامًا نموذجيًا عبر نقطة تحول - لكنهم لم يقدموا أي معلومات أخرى حول المعادلات الحاكمة للنظام. يتعلق هذا الموقف بعدد من سيناريوهات العالم الحقيقي: نحن نعرف كيف يرتفع تركيز ثاني أكسيد الكربون في الغلاف الجوي ، على سبيل المثال ، لكننا لا نعرف كل الطرق التي سيؤثر بها هذا المتغير على المناخ. وجد الفريق أن الشبكة العصبية المدربة على البيانات السابقة يمكن أن تتنبأ بالقيمة التي سيصبح بها النظام في النهاية غير مستقر. نشرت مجموعة أوت النتائج ذات الصلة العام الماضي.
في باقة ورقة جديدة، تم نشره على الإنترنت في يوليو ويخضع الآن لمراجعة الأقران ، أوت وطالبه المتخرج دروفيت باتيل اكتشف القدرة التنبؤية للشبكات العصبية التي ترى فقط سلوك النظام ولا تعرف شيئًا عن المعلمة الأساسية المسؤولة عن قيادة انتقال نقطة التحول. قاموا بتغذية بيانات شبكتهم العصبية المسجلة في نظام محاكاة بينما كانت المعلمة المخفية تنجرف ، دون علم الشبكة. من اللافت للنظر أنه في كثير من الحالات يمكن للخوارزمية أن تتنبأ ببدء الانقلاب وتوفر توزيعًا احتماليًا لسلوكيات ما بعد نقطة التحول المحتملة.
والمثير للدهشة أن أداء الشبكة كان أفضل عندما تم تدريبها على بيانات مزعجة. الضوضاء منتشرة في كل مكان في أنظمة العالم الحقيقي ، لكنها عادة ما تعيق التنبؤ. هنا ساعدت ، على ما يبدو من خلال تعريض الخوارزمية إلى نطاق أوسع من السلوك المحتمل للنظام. للاستفادة من هذه النتيجة غير البديهية ، قام باتل وأوت بتعديل إجراءات حوسبة المكامن لتمكين الشبكة العصبية من التعرف على الضوضاء بالإضافة إلى متوسط سلوك النظام. قال "سيكون هذا مهمًا لأي نهج يحاول استقراء" سلوك الأنظمة غير الثابتة مايكل جراهام، عالم ديناميكي مائع في جامعة ويسكونسن ، ماديسون.
اعتبر باتل وأوت أيضًا فئة من نقاط التحول التي تشير إلى تغيير صارخ في السلوك بشكل خاص.
لنفترض أن حالة النظام قد تم رسمها كنقطة تتحرك في فضاء مجرد لكل حالاته الممكنة. الأنظمة التي تخضع لدورات منتظمة ستتبع مسارًا متكررًا في الفضاء ، في حين أن التطور الفوضوي سيبدو وكأنه فوضى متشابكة. قد تتسبب نقطة التحول في خروج المدار عن نطاق السيطرة ولكنه يظل في نفس الجزء من الرسم البياني ، أو قد يتسبب في انتشار الحركة الفوضوية في البداية إلى منطقة أكبر. في هذه الحالات ، قد تجد الشبكة العصبية تلميحات عن مصير النظام مشفرة في استكشافه السابق للمناطق ذات الصلة في فضاء الدولة.
الأكثر صعوبة هي التحولات التي يتم فيها طرد النظام فجأة من منطقة ما وتطور تطوره اللاحق في منطقة بعيدة. وأوضح باتيل: "لا تتغير الديناميكيات فحسب ، بل تتجول الآن في منطقة لم ترها من قبل". عادةً ما تكون مثل هذه التحولات "هستيرية" ، مما يعني أنه ليس من السهل عكسها - حتى لو ، على سبيل المثال ، تم دفع عامل الزيادة البطيء الذي تسبب في الانتقال إلى أسفل مرة أخرى. هذا النوع من التباطؤ شائع: قتل واحدًا أكثر من اللازم من الحيوانات المفترسة في نظام بيئي ، على سبيل المثال ، وقد تتسبب الديناميكيات المتغيرة في انفجار أعداد الفرائس فجأة ؛ إضافة المفترس مرة أخرى وتبقى أعداد الفريسة مرتفعة.
عندما تدربت خوارزمية باتل وأوت على بيانات من نظام يُظهر انتقالًا هستيريًا ، كانت قادرة على التنبؤ بنقطة تحول وشيكة ، لكنها أخطأت في التوقيت وفشلت في التنبؤ بسلوك النظام اللاحق. ثم حاول الباحثون اتباع نهج هجين يجمع بين التعلم الآلي والنمذجة التقليدية القائمة على المعرفة للنظام. وجدوا أن الخوارزمية الهجينة تجاوزت مجموع أجزائها: يمكنها التنبؤ بالخصائص الإحصائية للسلوك المستقبلي حتى عندما يحتوي النموذج القائم على المعرفة على قيم معلمات غير صحيحة وبالتالي فشل من تلقاء نفسه.
قريبا هو ليم، وهو باحث في التعلم الآلي في معهد الشمال للفيزياء النظرية في ستوكهولم والذي درس السلوك قصير المدى للأنظمة غير الثابتة ، ويأمل أن يكون العمل الأخير "بمثابة حافز لمزيد من الدراسات" ، بما في ذلك المقارنات بين أداء حوسبة المكامن و أن من التعلم العميق الخوارزميات. إذا تمكنت حوسبة المكامن من الصمود أمام الأساليب الأكثر كثافة في استخدام الموارد ، فإن ذلك من شأنه أن يبشر بالخير لاحتمال دراسة نقاط التحول في الأنظمة الكبيرة والمعقدة مثل النظم البيئية ومناخ الأرض.
قال أوت: "هناك الكثير مما يجب عمله في هذا المجال". "إنه حقًا مفتوح على مصراعيه."
