التعلّم الآلي يكتشف رموزًا بطلية جديدة

لماذا يهم هذا لحياتك الرقمية

كل صورة ترسلها، أو فيلم تشاهده، أو إشارة تُرسَل عبر الفضاء محمية بهدوء بواسطة رموز تصحيح الأخطاء — حيل رياضية تكشف عن العيوب وتصلحها في البيانات. تحسين هذه الرموز يعني مكالمات أقل انقطاعًا، إنترنت أسرع، رسائل أكثر موثوقية عبر الفضاء العميق، وتخزين بيانات أعظم كثافة. تُظهر هذه الورقة كيف يمكن للتقنيات الحديثة في الذكاء الاصطناعي، نفسها المستخدمة في نماذج اللغة الكبيرة، أن تساعد في اكتشاف رموز «بطلية» تحطّم الأرقام القياسية وتتفوق على ما اكتشفه الخبراء البشريون سابقًا.

حماية الرسائل من الضوضاء

عندما تنتقل المعلومات — سواء عبر الواي‑فاي، أو الكابلات البحرية، أو بين الأرض والمركبات الفضائية البعيدة — يمكن أن تُشوّه بفعل الضوضاء. تحمي رموز تصحيح الأخطاء من ذلك عن طريق إضافة بتات إضافية مصممة بعناية بحيث تُكتشف الأخطاء وغالبًا ما تُصلح. مقياس أساسي لقوة الرمز يُسمى المسافة الدنيا لهامينغ، الذي، بصورة مبسطة، يخبرك بعدد التغييرات التي يحتاجها متطفّل أو قناة ضوضاء لتحويل رسالة صحيحة إلى رسالة صحيحة أخرى. تُسمى الرموز التي تحقق أكبر مسافة معروفة بالنسبة لحجمها رموزًا بطلية. إيجاد هذه البطلية صعب جدًا: التحقق بدقة من رمز واحد مرشح قد يتطلب بحثًا عشوائيًا هائلًا يتضخم بشكل متسارع مع حجم المشكلة.

السماح لنموذج ذكي بالتخمين لما يصعب حسابه

يركز المؤلفون على عائلة غنية رياضيًا تسمى الرموز التورسية المعممة، المبنية من أنماط نقاط على شبكة. بدلًا من اختبار كل احتمال على وجه الحصر، يدربون مُحوِّلًا — بنية شبكة عصبية مستخدمة على نطاق واسع في نماذج اللغة — لتقدير قوة (المسافة الدنيا) الرمز مباشرة من مصفوفاته المعرّفة. باستخدام ملايين الأمثلة عبر نظامين عدديين محدودين، الموسومين F7 وF8، يتعلّم النموذج التنبؤ بالمسافات بأخطاء عادةً ضمن ثلاث وحدات من القيمة الحقيقية، وبمتوسط أخطاء مطلقة قريب من واحد. هذا دقيق بما يكفي لتمييز المرشحين الواعدين عن الضعفاء دون تشغيل الخوارزمية الدقيقة البطيئة في كل مرة.

التطور في فضاء الرموز

لتحويل هذه التنبؤات السريعة إلى اكتشافات جديدة، يقرن الفريق المُحوِّل بخوارزمية جينية — طريقة تحسين مستوحاة من التطور. هنا، كل فرد في التجمع هو مجموعة نقاط على الشبكة تحدد رمزًا. تتقدّم الأجيال عن طريق اختيار الأفراد الأفضل، وإعادة تركيبات مجموعات النقاط لديهم، وإجراء طفرات عرضية لاستكشاف مناطق جديدة. تستند لياقة المرشح إلى المسافة المتوقعة من النموذج، مع تحفيز بسيط لتفضيل رموز بحجم هدف وتجنّب إعادة اكتشاف نفس الحلول. فقط عندما يشير التنبؤ إلى أن الرمز قد يكون متميزًا يقوم الباحثون بصرف الحساب الكبير اللازم للتحقق الدقيق من مسافته الحقيقية.

التفوق على البحث العشوائي وإيجاد حاملي أرقام قياسية جديدة

عند التطبيق على رموز فوق F7، تعيد هذه المقاربة المدمجة اكتشاف رموز تورسية بطلية كانت قد تطلّبت سابقًا عملًا رياضيًا وحاسوبيًا دؤوبًا. والأكثر إثارة، في إعداد F8 الأكثر تعقيدًا — حيث توقفت الطرق السابقة لأن فضاء البحث هائل للغاية — تكشف الطريقة عن أكثر من 500 مرشح بطل وتؤكد على الأقل ستة منها كانت مجهولة سابقًا. بالمقارنة مع بحث عشوائي، يُظهر المؤلفون أن استراتيجيتهم يمكن أن تقلص عدد التقييمات الدقيقة المكلفة بحوالي النصف في أصعب الحالات، وهو توفير مهم حين تكون كل عملية تحقق مكلفة للغاية.

ماذا يعني هذا للمستقبل

لغير المتخصص، الخلاصة أن الذكاء الاصطناعي يمكنه أن يوجّهنا عبر مناظر رياضية شاسعة قد تكون خارج متناولنا بخلاف ذلك. عبر تعلّم الخريطة التقريبية — أين من المرجح وجود رموز جيدة — وتوجيه بحث تطوري نحو المناطق الأكثر وعدًا، يحول مزيج المُحوِّل‑الخوارزمية الجينية مشكلة إبر في كومة قش إلى صيد كنوز أكثر تركيزًا. يتوقع المؤلفون أنه مع مجموعات بيانات أكبر، ونماذج أفضل، وضبط إضافي، قد تسرّع تقنيات مماثلة تصميم أنواع متعددة من رموز تصحيح الأخطاء، بما في ذلك تلك لشبكات الاتصالات المستقبلية وحتى الحاسبات الكمومية.

الاستشهاد: He, YH., Kasprzyk, A.M., Le, Q. et al. Machine learning discovers new champion codes. npj Artif. Intell. 2, 37 (2026). https://doi.org/10.1038/s44387-026-00077-3

الكلمات المفتاحية: رموز تصحيح الأخطاء, التعلّم الآلي, خوارزميات جينية, الاتصالات الرقمية, نظرية التكويد