محسّن بحث أنفاق ثعابين كهربائية موجه بأفضل حل عالمي لتحديد معلمات لورينز والأنظمة الفوضوية الميمريستورية بدقة عالية

لماذا يهم هذا في سياق الفوضى الواقعية

من أنماط الطقس إلى نشاط الدماغ وشبكات الطاقة، تتصرف العديد من الأنظمة حولنا بطرق تبدو عشوائية لكنها في الواقع تتبع قواعد خفية. تُسمى هذه الأنظمة فوضوية، وفهم قواعدها بدقة أمر أساسي للاتصالات الآمنة والأجهزة الطبية والإلكترونيات المتقدمة. تُقدّم هذه الورقة طريقة جديدة لكشف تلك القواعد الخفية باستخدام سرب افتراضي من «الثعابين الكهربائية» التي تبحث عن أفضل تفسير للبيانات، محققة مستوى من الدقة يفوق بكثير الطرق الحالية.

عندما تختبئ القابلية للتنبؤ داخل ما يبدو عشوائياً

تقع الأنظمة الفوضوية على الحافة بين النظام والفوضى. التغيرات الصغيرة في شروط البداية قد تؤدي إلى نتائج مختلفة تماماً، مما يجعلها نماذج قوية للطبيعة ولكنه أيضاً يجعل استنتاج بنيتها أمراً بالغ الصعوبة. لفهم هذه الأنظمة أو التحكم بها، يحتاج الباحثون غالباً إلى تقدير مجموعة من المعلمات الأساسية—أرقام تحدد كيفية تطور النظام مع الزمن. الأدوات الرياضية التقليدية تواجه صعوبة هنا لأن فضاء الحلول مملوء بوُدّيان وقمم خادعة يمكن أن تحبس عملية البحث. خلال العقدين الماضيين، اتجه الباحثون بشكل متزايد إلى أساليب تحسين على شكل أسراب، حيث تتجول العديد من الحلول المحتملة وتتعلّم معاً، باعتبارها وسيلة أكثر موثوقية لحل هذه المشكلات العكسية المعقدة.

سرب رقمي مستوحى من ثعابين كهربائية

تبني الدراسة على طريقة تحسين مقترحة أخيراً مستوحاة من سلوك بحث الثعابين الكهربائية عن الطعام. في هذا النظام الرقمي، كل «ثعبان» يمثل حلاً مرشحاً—تخميناً معيناً لمعلمات النظام. يدور السرب حول أربع سلوكيات: التفاعل مع بعضهم البعض، الراحة في مناطق واعدة، الصيد حول نقاط جذابة، والهجرة نحو مناطق جديدة. تساعد هذه المراحل على الحفاظ على تنوّع السرب في المراحل الأولى، عندما تكون الاستكشافات الواسعة مطلوبة، وتصبح أكثر تركيزاً لاحقاً عند الحاجة لصقل أفضل التخمينات. الابتكار الرئيسي للمؤلفين هو إضافة شكل من التعلم العالمي بصورة لطيفة على رأس هذه السلوكيات، بحيث يمكن للسرب مشاركة ما اكتشفه مجتمعياً دون فقدان تنوّعه.

توجيه لطيف من أفضل المؤدين

تقدّم الطريقة المحسنة، المسماة التحسين الغذائي للثعابين الكهربائية الموجه بأفضل حل عالمي (g‑EEFO)، تأثيراً مضبوطاً بعناية من أفضل حل تم العثور عليه حتى الآن. بعد أن يُنهِي الثعبان أحد سلوكياته الطبيعية الأربع، يُدفع موقعه برفق نحو اتجاه المؤدي الأفضل الحالي، باستخدام قاعدة مستعارة من أساليب سرب الجسيمات. الأهم أن هذا الدفع طفيف ومؤقت، وتختلف قوته مع الزمن وفق عامل «الطاقة». في بداية البحث، يكون التأثير صغيراً مما يسمح باستكشاف واسع؛ وفيما بعد يزداد، مساعداً الثعابين على التقارب نحو حل مشترك عالي الجودة. بهذه الطريقة تصبح المعلومة العالمية انحيازاً لطيفاً بدلاً من سحب صارم، مما يحافظ على أنماط الحركة الغنية التي تجعل الخوارزمية الأصلية فعالة.

اختبار الطريقة

لفحص أداء g‑EEFO، يطبّق المؤلفون الطريقة على تجربتين نموذجيّتين. الأولى هي نظام لورينز الشهير، المستخدم غالباً كنموذج مبسّط للحمل الحراري الجوي والمعروف بمساره على شكل فراشة. الثانية دائرة إلكترونية أكثر تعقيداً تتضمن «ميمريستور»، عنصر تعتمد مقاومته على التاريخ السابق مما يمنح النظام ذاكرة ويجعل سلوكه أكثر عدم انتظام. في كلتا الحالتين، يولّد الباحثون سلسلة زمنية اصطناعية من معلمات معروفة، ثم يتحدون عدة خوارزميات—بما في ذلك طريقة الثعابين الأصلية وأربعة منافسين حديثين—لاستعادة تلك المعلمات من البيانات. تُشغّل جميع الطرق تحت شروط متطابقة، ويُقارن أداءها عبر مقاييس الخطأ ومنحنيات التقارب والاختبارات الإحصائية ومدى تطابق المعلمات المستعادة مع القيم الحقيقية.

استعادة شبه مثالية للقواعد الخفية

النتائج لافتة. بالنسبة لنظام لورينز، يخفض g‑EEFO متوسط الخطأ في السلوك المعاد بناؤه إلى نحو 10⁻²⁶، أي أفضل بعدة رتب من جميع الطرق المنافسة، وبتباين صغير جداً بين التجارب. أما بالنسبة للدائرة الميمريستورية الأكثر تطلباً، فيتفوق أيضاً على المنافسين بعدة رتب من الحجم مع ثبات ملحوظ. عملياً، المعلمات المستعادة تكاد لا تُميّز عن الحقيقية، مما يبيّن أن الخوارزمية قادرة بشكل موثوق على استخراج قواعد الحاكمة لكل من نموذج فوضوي معروف ونظام إلكتروني أعقد. وبما أن الطريقة لا تعتمد على معادلات محددة وتكلفتها الحاسوبية الإضافية متواضعة، يجادل المؤلفون بأنها قابلة للتوسع بسهولة إلى أنظمة فوضوية أخرى بل وأعلى بُعداً.

ما الذي يعنيه هذا للمستقبل

للغير مختصين، الرسالة الرئيسية هي أن المؤلفين وجدوا طريقة تسمح لسرب رقمي أن يتعلّم من أفضل أفراده دون أن ينهار إلى عقلية جماعية موحدة. بدمج أنماط حركة غنية مستوحاة من الطبيعة مع توجيه عالمي لطيف، تستطيع طريقة g‑EEFO الكشف عن القواعد الخفية وراء بيانات تبدو متقلبة بدقة وموثوقية غير مسبوقة. هذا يجعلها أداة واعدة لمجالات تعتمد على نماذج دقيقة للسلوك المعقّد، من نظم الاتصال الآمن القائمة على الفوضى إلى الدوائر الإلكترونية المتقدمة والتحكم في العمليات غير المستقرة.

الاستشهاد: Izci, D., Ekinci, S., Ökten, İ. et al. Global-best-guided electric eel foraging optimizer for robust parameter identification of Lorenz and memristive chaotic systems. Sci Rep 16, 8579 (2026). https://doi.org/10.1038/s41598-026-39729-4

الكلمات المفتاحية: الأنظمة الفوضوية, التحسين ميتاهيرستيك, ذكاء السرب, تحديد المعلمات, دوائر ميمريستورية