من جزيئات توميّة في خلية إلى تقلبات سعر سهم، تتحرك عدة ظواهر في الطبيعة بطرق تتحدى قواعد الانتشار البسيط المتوقعة. يعرف العلماء أن آليات خفية مختلفة يمكن أن تولد هذه المسارات غير العادية، لكن تحليل أي آلية هي الفاعلة من مسار قصير ومشحون بالضوضاء أمر صعب. تُظهر هذه الدراسة كيف يمكن للذكاء الاصطناعي الحديث أن يصنف هذه المسارات المتجولة إلى أنواع، وكذا أن يكشف أي أجزاء من كل مسار تهم القرار بشكل أكبر.
حركة شاذة تحيط بنا
في الكتب الدراسية، تُصوَّر الحركة العشوائية غالباً كمشي سكران، حيث يزداد اتساع التوزيع المتوسط للمواقع بشكل ثابت مع الزمن. لكن الحركة في العالم الحقيقي نادراً ما تكون بهذا الانتظام. في الخلايا الحية والأنظمة الاجتماعية والأسواق المالية، قد ينمو اتساع المواقع أسرع أو أبطأ من المتوقع، سلوك يُعرف بالانتشار الشاذ. بنى الفيزيائيون العديد من النماذج الرياضية لشرح ذلك، من نماذج المشي مع فترات انتظار طويلة إلى مسارات ذات ذاكرة ممتدة. ومع ذلك، عند النظر إلى مسار واحد مسجَّل، قد يصعب التفريق بين هذه النماذج، خصوصاً عندما تتوافر نافذة زمنية قصيرة والبيانات مشوشة.
تعليم شبكة عصبية قراءة المسارات
انطلاقاً من أعمال حديثة في تحدي الانتشار الشاذ (AnDi)، صمم المؤلفون أداة تعلم عميق تسمى ResAnDi لتصنيف مسارات الحركة. تستند ResAnDi إلى بنية شهيرة للتعرف على الصور تعرف بالشبكة الاحتياطية (residual network)، مُكيّفة للتعامل مع سلاسل زمنية لمواقع ثنائية الأبعاد بدل البكسلات الملونة. تُدرَّب على مسارات محاكاة من ثمانية آليات حركة مختلفة، بما في ذلك الحركة البراونية القياسية وعدة صور فرعية للتشتت تحت والفرط. بعد مرور المسار عبر 18 طبقة معالجة مكدسة، تُخرج الشبكة احتمالات انتماء المسار لكل آلية، محققة دقة تقارن بأفضل المشاركات في تحدي AnDi رغم حاجتها للتفريق بين عدد أكبر من الفئات.
تسليط الضوء على اللحظات الحاسمة Figure 1. كيف تقرأ الذكاء الاصطناعي مسارات الجسيمات المتجولة لفرز أنواع الحركة الشاذة المختلفة
غالباً ما تُنتقد أنظمة التعلم العميق باعتبارها صناديق سوداء، لأنها قد تعطي الإجابة الصحيحة دون توضيح كيفية التوصل إليها. لفتح هذا الصندوق، يطبق المؤلفون تقنية من الذكاء الاصطناعي القابل للتفسير تُعرف باسم Grad-CAM، التي تُعيّن «درجة ملاءمة» لأجزاء مختلفة من الإدخال. مُكيّفة هنا، تُبرز Grad-CAM مقاطع من المسار تؤثر أكثر في قرار ResAnDi النهائي. تختبر الفريق ما إذا كانت هذه الدرجات تعكس معلومات حقيقية عبر محو أجزاء مختارة من المسارات. عندما يُسوَّى الشكل للقطاعات ذات درجات Grad-CAM الأعلى، تنخفض دقة التصنيف أكثر بكثير مما يحدث عند محو قطاعات عشوائية بنفس الحجم. هذا يدل على أن الشبكة تعلمت الاعتماد على امتدادات محددة ومعلوماتية من الحركة، التي غالباً ما تتوافق مع تقلبات نادرة لكنها مفيدة.
استخدام التفسيرات لمواجهة الضوضاء واكتشاف الأنماط Figure 2. كيف تبرز خريطة حرارة الذكاء الاصطناعي أجزاء المسار الأكثر معلوماتية في مسار جسيم ضوضائي
تشير درجات Grad-CAM أيضاً إلى طريقة أذكى لتوسيع بيانات التدريب. بدلاً من التضخيم العشوائي للمسارات، يركّز المؤلفون على تلك التي تميل مقاطعها لأن تكون ذات درجات ملاءمة عالية، يدورونها، ويضيفونها إلى مجموعة التدريب. عند اختبار الشبكة بعد ذلك على مسارات مشوشة، يجعل هذا التضخيم الموجَّه المصنف أكثر متانة باستمرار مقارنة بالتضخيم العشوائي التقليدي، خصوصاً عند وجود ضوضاء قياس قوية. ولمعرفة ما تعلمته الشبكة فعلاً، يدرس الفريق طبقاتها الداخلية ويربط درجات Grad-CAM بإحصاءات بسيطة للحركة، مثل كيفية ارتباط الخطوات المتعاقبة ببعضها، ومدى تغير الاتجاه، ومدى انحراف أحجام الخطوات عن التوزيع الجاوسي، وكيف يتغير معدل الانتشار الفعّال مع الزمن. تظهر آليات مختلفة بصمات مميزة في مدى تطابق هذه الإحصاءات مع درجات Grad-CAM العالية.
نظرة داخل منطق الذكاء الاصطناعي
بدمج اختبارات الأداء والتصورات والاختبارات الإحصائية المتأنية، ترسم الدراسة صورة متماسكة لكيفية فك الترميز للحركة المعقدة بواسطة شبكة عميقة. تركز الطبقات الأولى على خواص محلية جداً، مثل ما إذا كانت الخطوات تميل للانعكاس أو الاستمرار، بينما تلتقط الطبقات الأعمق اتجاهات أبطأ، مثل التغيرات التدريجية في مدى تجوال الجسيم. تعمل Grad-CAM كجسر بين هذه الحسابات الخفية والحدس البشري، مشيرة إلى أي مقاطع من المسار وأي أنواع من الأنماط هي الأكثر معلوماتية. للخارجين عن التخصص، الخلاصة الرئيسية هي أن بإمكان الذكاء الاصطناعي أن يُعلّم ليس فقط لتصنيف حركات الجسيمات الصعبة بدقة عالية، بل أيضاً للإشارة إلى أجزاء البيانات التي تدعم حكمه، مما يمهد الطريق لتحليل أكثر شفافية ومقاومة للضوضاء للحركة المعقدة في الفيزياء والبيولوجيا وما وراءهما.
الاستشهاد: Bae, J., Baek, Y. & Jeong, H. Exploring how deep learning decodes anomalous diffusion via Grad-CAM.
Nat Commun17, 4575 (2026). https://doi.org/10.1038/s41467-026-71229-x
