في دراسة الأنظمة المعقدة، تُعدّ "الشبكات" عنصراً شبه حاضر في كل مكان، بدءاً من شبكات تنظيم الجينات والمجتمعات الميكروبية وصولاً إلى شبكات الاتصالات والنقل في المجتمع البشري. ومع ذلك، يبقى الفهم الحقيقي للديناميكيات الكامنة وراء هذه الشبكات متعددة الأبعاد أحد أكثر التحديات صعوبة في هذا المجال.

من ناحية،لقد مكّن تطوير أجهزة الاستشعار وتقنيات التسلسل والبنية التحتية الرقمية الناس من الوصول إلى كمية غير مسبوقة من البيانات الرصدية؛على الجانب الآخر،تفتقر الأنظمة بشدة إلى نماذج رياضية قابلة للتفسير قادرة على شرح هذه البيانات والكشف عن الآليات السببية. فالأبعاد العالية، واللاخطية الشديدة، وعدم تجانس البنية، كلها عوامل تجعل أساليب النمذجة التقليدية إما تعتمد على افتراضات قوية وتكون محدودة التطبيق، أو أنها لا تتجاوز مستوى تحليل الارتباط، ما يعيق فهم القوانين الأساسية التي تحكم عمل النظام.

استجابةً للتحديات ذات الصلة،اقترح البروفيسور لي يونغ وفريقه من قسم الهندسة الإلكترونية في جامعة تسينغهوا طريقة الانحدار الرمزي العصبي، ND².تُحدد هذه الطريقة ديناميكيات النظام من خلال استخلاص الصيغ الرياضية تلقائيًا من البيانات. وهي تُبسط مشكلة البحث في الشبكات عالية الأبعاد إلى نظام أحادي البعد، وتستخدم الشبكات العصبية المدربة مسبقًا لتوجيه عملية اكتشاف الصيغ بدقة عالية. في دراسات انتقال الأمراض المعدية على شبكات تنقل الأفراد على نطاقات مختلفة، كشفت هذه الطريقة عن ديناميكيات ارتباط العقد التي تُظهر نفس توزيع قانون القوة عبر النطاقات، كما كشفت عن اختلافات في فعالية التدخلات بين الدول.

وقد نُشر البحث ذو الصلة، بعنوان "اكتشاف ديناميكيات الشبكة باستخدام الانحدار الرمزي العصبي"، في مجلة Nature Computational Science.

رابط الورقة:

https://www.nature.com/articles/s43588-025-00893-8

تابع حسابنا الرسمي على WeChat وأجب بكلمة "الانحدار الرمزي العصبي" في الخلفية لتنزيل ملف PDF الكامل.

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers

تم تقديم خوارزمية بحث عن الرموز موجهة بواسطة NDformer لتحقيق اكتشاف فعال للصيغ.

اقترح الباحثون طريقة الانحدار الرمزي العصبي (الاكتشاف العصبي لديناميكيات الشبكة، ND²)، وهي طريقة للتعلم العميق تكتشف تلقائيًا صيغ ديناميكيات الشبكة من خلال الانحدار الرمزي. ولتحقيق هذه الغاية،قام الباحثون بتصميم مجموعة من عوامل التشغيل الديناميكية للشبكة.هذا يحوّل مشكلة البحث عن الرموز، التي كانت في الأصل على شبكات عالية الأبعاد، إلى مشكلة مكافئة أحادية البعد؛ في الوقت نفسه...تم تقديم خوارزمية بحث رمزية موجهة بواسطة NDformer.لتحقيق اكتشاف فعال للصيغ.

كما هو موضح في الشكل أدناه، تتضمن عوامل ديناميكيات الشبكة عامل المصدر φ(s)، وعامل الهدف φ(t)، وعامل التجميع ρ. تجعل هذه العوامل صيغة ديناميكيات الشبكة مستقلة عن حجم الشبكة، وبالتالي تضغط مساحة البحث التي تنمو في الأصل بشكل أسي مع حجم الشبكة إلى مشكلة أحادية البعد مستقلة عن الأبعاد.

علاوة على ذلك، تعمل خوارزمية البحث الرمزي الموجهة بواسطة NDformer على تحسين كفاءة ودقة اكتشاف الصيغ بشكل كبير من خلال الجمع بين مزايا الشبكات العصبية وطرق البحث الرمزي.تتكون الخوارزمية من وحدة رمزية مسؤولة عن البحث ووحدة عصبية مسؤولة عن التوجيه.كما هو موضح في الشكل أدناه، تتعلم الوحدة العصبية NDformer التقاط السمات الضمنية للديناميكيات الأساسية للنظام وتقدر التوزيع الاحتمالي لكل رمز مطلوب لبناء الصيغة؛ تقوم وحدة الرموز MCTS باختيار الرموز بناءً على الاحتمالات التي تنبأت بها NDformer، وبالتالي بناء الصيغ المرشحة.

لكل صيغة مرشحة، تستخدم حاسبة المكافآت خوارزمية برودن-فليتشر-غولدفراب-شانو (BFGS) لمطابقة المعاملات المجهولة (إن وجدت) مع البيانات، وتعيد قيمة مكافأة تقيّم الدقة والبساطة بشكل شامل. وتحصل الصيغ المرشحة التي تتطابق مع البيانات بشكل أفضل وتكون أقصر على مكافآت أعلى، مما يوجه خوارزمية MCTS إلى توليد صيغ مرشحة أفضل باستمرار.

خاصة،NDformer هو نوع من الشبكات العصبية التي تجمع بين الشبكات العصبية الرسومية (GNNs) والمحولات.تُستخدم هذه التقنية لالتقاط خصائص ديناميكيات الشبكة المعقدة. يتعلم NDformer التنبؤ بالإشارات في الصيغة بناءً على بنية الشبكة وبيانات نشاط العقد من خلال التدريب المسبق، كما يوجه وحدة بحث شجرة مونت كارلو (MCTS) لاستكشاف مساحة البحث بكفاءة، مما يؤدي في النهاية إلى اكتشاف صيغة دقيقة وموجزة لديناميكيات الشبكة.

الكشف عن الديناميكيات المجهرية لظواهر "الظهور" في الأنظمة المعقدة متعددة المقاييس والتخصصات.

للتحقق من فعالية طريقة الانحدار الرمزي العصبي، قام فريق البحث بتطبيق طريقة الانحدار الرمزي العصبي ND² على الأنظمة المعقدة على مستويات متعددة وفي مجالات مختلفة، من المستوى الخلوي إلى المستوى الحضري، والتي تشمل الشبكات الجينية والبيئية والاجتماعية، لاستكشاف الديناميكيات المجهرية الكامنة وراء الأنظمة المعقدة المختلفة، كما هو موضح في الشكل أدناه.

في شبكات التعبير الجيني،تعمل الصيغة الديناميكية التي اكتشفها فريق البحث على تحسين دقة التنبؤ بما يقارب 60% مقارنة بالصيغ التجريبية الحالية.والأهم من ذلك، أن الصيغة المكتشفة تكشف عن تفاعلات من الدرجة الأعلى: فالتنظيم المتبادل بين جينين لا يتأثر فقط بالجينين أنفسهما، ولكن أيضًا بجين ثالث، مما يدل على بنية ديناميكية مجهرية معقدة.

في النظام البيئي الميكروبي،تعمل الصيغة الديناميكية المكتشفة على تحسين دقة التنبؤ بما يقارب 561 TP3T مقارنة بنموذج لوتكا-فولتيرا التقليدي.كما أنها تُظهر سلوكيات فريدة لم تُشاهد بعد في النماذج الحالية: فالمجموعات السكانية التي تضم عددًا أكبر من الأفراد تتأثر بشكل أقل بالمجموعات السكانية الأخرى.

في غضون ذلك، استخدم الباحثون أيضًا طريقة الانحدار الرمزي ND² لاكتشاف آليات انتقال الأمراض المعدية في الأنظمة الحضرية على مستويات مختلفة. اختارت الدراسة سبع مناطق نموذجية، تغطي شبكات انتقال العدوى من مستوى المدينة إلى المستوى العالمي، واكتشفت تلقائيًا المعادلات الديناميكية لانتقال الأوبئة باستخدام هذه الطريقة، كما هو موضح في الشكل أدناه.

تُظهر هذه المعادلات دقة عالية في التنبؤ وتكشف عن اختلافات في آليات الانتشار عبر مناطق مختلفة.بالنظر إلى الولايات المتحدة والصين كمثالين، نجد أن ديناميكيات تطورهما الذاتي تُظهر خصائص مختلفة: ففي الولايات المتحدة، يظل معدل انتقال العدوى مستقرًا؛ بينما في الصين، تضعف حدة انتقال العدوى مع ازدياد عدد الإصابات، مما يدل على وجود آلية كبح ذاتي ويعكس فعالية سياسات الوقاية والمكافحة. وفيما يتعلق بديناميكيات التفاعل بين المناطق، يعتمد عدد الإصابات الجديدة في كل ولاية أمريكية على الحالات الجديدة في الولايات الأخرى، مما يشير إلى أن السفر بين الولايات يُسهم في انتشار الوباء؛ بينما في الصين، تكون روابط انتقال العدوى بين المقاطعات ضعيفة للغاية، مما يدل على أن انتقال العدوى عبر المناطق يخضع لرقابة صارمة. وتتوافق هذه الاختلافات إلى حد كبير مع اختلاف شدة استراتيجيات الوقاية والمكافحة المتبعة في البلدين.

استنادًا إلى المعادلات الديناميكية المكتشفة، قام الباحثون بتحليل خصائص الحالة المستقرة الكلية للنظام. تُظهر النتائج أن انتشار الوباء في الصين والولايات المتحدة يُظهر أنماطًا مختلفة جذريًا: ففي الصين، عندما يكون تدفق حركة المرور بين المقاطعات أقل من عتبة معينة، يمكن السيطرة على عدد الإصابات لفترة طويلة؛ وبمجرد تجاوز هذه العتبة، يرتفع عدد الإصابات بسرعة، مُظهرًا سلوكًا حرجًا نموذجيًا؛ بينما في الولايات المتحدة، يزداد متوسط عدد الإصابات خطيًا مع تدفق حركة المرور بين الولايات، مما يشير إلى أن التحكم في حركة المرور له تأثير طفيف نسبيًا على انتقال العدوى بشكل عام. لا تكشف هذه الدراسة فقط عن الجذر الديناميكي للاختلافات في الوقاية من الأوبئة ومكافحتها بين البلدين،كما يوضح ذلك الإمكانات الواسعة لطريقة الانحدار الرمزي العصبي لاستخراج الآليات المجهرية الكامنة وراء "ظهور" الأنظمة المعقدة عبر المقاييس.

من خلال التحقق متعدد المستويات ومتعدد التخصصات، لم يثبت فريق البحث فعالية طريقة الانحدار الرمزي العصبي فحسب، بل أظهر أيضًا إمكاناتها في الكشف عن الديناميكيات المجهرية للأنظمة المعقدة واكتشاف معارف علمية جديدة، مما يوفر أدوات وأفكارًا جديدة للبحث العلمي الأساسي والاكتشاف العلمي.

نبذة عن الفريق

يُجري مركز علوم الحوسبة الحضرية (مختبر FIB) التابع لقسم الهندسة الإلكترونية في جامعة تسينغهوا أبحاثًا رائدة في مجال الذكاء الاصطناعي وعلوم البيانات. ويركز المركز على الابتكارات التكنولوجية الرئيسية في النماذج الأساسية، وعلماء الذكاء الاصطناعي، ونماذج العالم، مستكشفًا استخدام التعلم الآلي لنمذجة الأنظمة المعقدة وتوليدها ومحاكاتها والتحكم بها على مختلف المستويات. وتشمل مجالات البحث الروبوتات والطائرات المسيّرة وسلوك الإنسان في البيئات الداخلية والخارجية، رابطًا بين الفضاء المادي والعالم الرقمي والأنظمة الاجتماعية. ويركز المختبر على تطبيقات مثل الذكاء المجسد، والعلوم الحضرية، والحوسبة الاجتماعية، مع التركيز على التكامل متعدد التخصصات وقدرات نمذجة الأنظمة واسعة النطاق لتلبية الاحتياجات الهامة للمجالات ذات الصلة.