طور باحثون في جامعة بنسلفانيا طريقة جديدة تعتمد على الذكاء الاصطناعي لحل معادلات التفاضل الجزئي العكسية، وهي فئة من المسائل الرياضية شديدة الصعوبة تتيح للعلماء استنتاج الأسباب الخفية التي أدت إلى ظواهر قابلة للرصد. وتُعرف هذه التقنية باسم "طبقات المُلَيّن" (Mollifier Layers)، وقد تنعكس إيجابًا على مجالات متنوعة تشمل علم الوراثة والتنبؤ بالطقس. يقول فيفيك شينوئي، الأستاذ في علوم وهندسة المواد والمؤلف الرئيسي للدراسة المنشورة في مجلة Transcations on Machine Learning Research والمُزمع تقديمها في مؤتمر NeurIPS 2026، إن حل المسائل العكسية يشبه مراقبة تموجات بركة ماء والاستنتاج إلى أين سقط الحجر. بينما يمكن رؤية التأثيرات بوضوح، فإن التحدي الحقيقي يكمن في استنتاج السبب الخفي. وبدلاً من الاعتماد فقط على زيادة قوة الحوسبة، التي تعتمد عليها معظم نماذج الذكاء الاصطناعي الحديثة، بحث الفريق في نهج رياضي أكثر كفاءة. تتعلق المعادلات التفاضلية الجزئية بوصف كيفية تغير الأنظمة المعقدة عبر الزمان والمكان، مثل أنماط الطقس أو توزيع الحرارة. أما المسائل العكسية فترتقي بدرجة الصعوبة، حيث تهدف إلى العمل عكسيًا من الملاحظات لقياس القوى أو الديناميكيات غير المرئية التي أنتجتها. واجه الفريق في مختبر شينوئي مشكلة محددة عند دراسة الكروماتين، وهو شكل من أشكال الـ DNA داخل نواة الخلية؛ فقد تمكنوا من رؤية هياكله ونمذجتها، لكنهم فشلوا في استنتاج العمليات اللاجينية التي تتحكم في نشاط الجينات. المشكلة الأساسية التي واجهتها أنظمة الذكاء الاصطناعي السابقة في هذه المعادلات هي طريقة حساب المشتقات، والمعروفة بالتمييز التلقائي التكراري. هذه الطريقة تحاكي تكرار تقريب الميل على منحدر، مما قد يؤدي إلى تضخيم الضوضاء في البيانات خاصة عند التعامل مع الأنظمة ذات الترتيب العالي، مما يجعل النتائج غير موثوقة ويستهلك طاقة حاسوبية هائلة. الحل الذي طوره الباحثون، وهو شينوي ونيناك فيناياك وأناناي كومار بهاراتي، يعتمد على تطبيق "طبقات المُلَيّن". هذه الأداة الرياضية، التي وصفها عالم الرياضيات كورت أوتو فريدريش في الأربعينيات، تعمل على تنعيم الدوال الصعبة أو ذات الضوضاء العالية عن طريق تنعيم حوافها الحادة قبل قياس التغير فيها. بتطبيق هذه الطبقات قبل القياس، تمكن الفريق من تقليل الضوضاء بشكل جذري وخفض استهلاك الطاقة الحسابي مع الحفاظ على دقة النتائج. تطبيقات هذه التقنية واعدة للغاية في علم الأحياء، حيث يمكن استخدامها لفهم كيفية تنظيم الكروماتين للتواصل مع المواد الوراثية داخل الخلايا. نظرًا لأن هذه المناطق صغيرة جدًا بحجم 100 نانومتر، إلا أن قدرتها على الوصول تحدد التعبير الجيني الذي يتحكم في هوية الخلية ووظيفتها والشيخوخة والأمراض. من خلال استنتاج معدلات التفاعل اللاجيني، يمكن للعلماء الانتقال من مجرد رصد هيكل الكروماتين إلى نمذجته ديناميكيًا، مما قد يفتح أبوابًا لعلاجات جديدة عند تعديل هذه المعدلات لعلاج السرطان أو فهم الشيخوخة. بشكل أوسع، توفر هذه الإطار الرياضي طريقة أكثر استقرارًا وكفاءة لاستنتاج المعلمات المخفية في مجالات أخرى مثل ميكانيكا الموائع وعلوم المواد. الهدف النهائي هو الانتقال من مجرد ملاحظة الأنماط المعقدة إلى الكشف كمياً عن القواعد التي تولدها، مما يمنح العلماء القدرة على التحكم في هذه الأنظمة وتوجيهها حسب الحاجة.