מולקולות רוטטות בתא ועד התנודות במחיר מניה — רבות מתופעות הטבע נעות באופן שמפר את הכללים הנקיים והחזויים של דיפוזיה פשוטה. מדענים יודעים שמנגנונים נסתרים שונים יכולים להניב מסלולים לא שגרתיים אלה, אך לזהות איזה מהם פועל מתוך מסלול קצר ורועש קשה. המחקר הזה מראה כיצד בינה מלאכותית מודרנית יכולה לא רק למיין מסלולים נודדים לפי סוג, אלא גם לחשוף אילו חלקים מכל מסלול משפיעים ביותר על החלטתה.
תנועה מוזרה מסביבנו
בספרי לימוד, תנועה אקראית מוצגת לעתים כהליכת שיכור, שבה הפיזור הממוצע של המיקומים גדל בקצב קבוע עם הזמן. תנועה במציאות רחוקה מלהיות מסודרת כך. בתאים חיים, במערכות חברתיות ובשווקים פיננסיים, הפיזור של המיקומים עלול לגדול מהר יותר או לאט יותר מהצפוי — התנהגות הידועה כדיפוזיה אנומלית. פיזיקאים פיתחו מודלים מתמטיים רבים כדי להסביר זאת, משבילים עם המתנות ארוכות ועד מסלולים בעלי זיכרון ארוך. עם זאת, כשבוחנים מסלול יחיד מוקלט, קשה להבחין בין המודלים הללו, במיוחד כאשר חלון הזמן קצר והנתונים רועשים.
לימוד רשת נוירונים לקרוא מסלולים
בהתבסס על עבודה עדכנית באתגר Anomalous Diffusion (AnDi), המחברים תכננו כלי למידה עמוקה שנקרא ResAnDi למיון מסלולי תנועה. ResAnDi מבוסס על ארכיטקטורת זיהוי תמונות פופולרית המוכרת כרשת שארית (residual network), מותאמת לטפל בסדרות זמן של מיקומים דו־ממדיים במקום פיקסלים צבעוניים. הרשת מאומנת על מסלולים מדומים שמקורם בשמונה מנגנוני תנועה שונים, כולל התנועה הברונית הסטנדרטית ומספר וריאציות תת־דיפוסיביות וסופר־דיפוסיביות. לאחר העברת מסלול דרך 18 שכבות עיבוד מחוברות, הרשת מפיקה את ההסתברויות שהמסלול נוצר על ידי כל מנגנון, ומשיגה דיוק המשווה לכניסות המובילות באתגר AnDi אף על פי שעליה להבחין בין יותר קטגוריות.
מבליטים רגעים מפתח Figure 1. כיצד בינה מלאכותית קוראת מסלולי נדידה של חלקיקים כדי למיין סוגים שונים של תנועה מוזרה
מערכות למידה עמוקה נתפסות לעתים כסביבות שחורות, שכן הן עשויות לתת את התשובה הנכונה בלי להראות כיצד הגיעו אליה. כדי לפתוח את הקופסה הזו, המחברים מיישמים טכניקה מבינה מלאכותית מוסברת שנקראת Grad-CAM, שמקצה "ציון רלוונטיות" לחלקים שונים של הקלט. בהסתגלות כאן, Grad-CAM מדגישה מקטעים של מסלול שמשפיעים ביותר על הבחירה הסופית של ResAnDi. הצוות בודק האם ציונים אלה משקפים מידע אמיתי על ידי מחיקה סלקטיבית של חלקים מהמסלולים. כאשר הם משטחים את המקטעים עם ציוני Grad-CAM הגבוהים ביותר, הדיוק במיון יורד בהרבה יותר מאשר כאשר מוחקים מקטעים אקראיים באותו גודל. זה מראה שהרשת למדה להסתמך על מקטעים ספציפיים ומידעיים של התנועה, שלרוב תואמים לתנודות נדירות אך משקפות.
שימוש בהסברים להילחם ברעש ולגלות דפוסים Figure 2. כיצד מפה חום של AI מדגישה את הקטעים המידעיים ביותר של מסלול חלקיק רועש
ציוני Grad-CAM מציעים גם דרך חכמה יותר להרחיב את נתוני האימון. במקום להגדיל מסלולים באוגמנטציה אקראית, המחברים ממקדים את תשומת הלב במסלולים שמקטעיהם נוטים לקבל ציוני רלוונטיות גבוהים, מסובבים אותם ומוסיפים אותם למאגר האימון. כאשר הם בוחנים את הרשת על מסלולים רועשים, האוגמנטציה הממוקדת הזו הופכת את הממיין לעמיד יותר באופן עקבי מאשר אוגמנטציה אקראית סטנדרטית, במיוחד כאשר רעש המדידה חזק. כדי להבין מה הרשת למדה באמת, הצוות חוקר את השכבות הפנימיות וקושר את ציוני Grad-CAM לסטטיסטיקות פשוטות של התנועה, כגון התאמה בין צעדים עוקבים, כמה הכיוון משתנה, עד כמה גדלי הצעדים סטטיסטית חורגים מעקומת פעמון, וכיצד קצב הפיזור היעיל משתנה עם הזמן. מנגנונים שונים מראים טביעות אצבע מובחנות באופן שבו הסטטיסטיקות הללו מתיישרות עם ציוני Grad-CAM גבוהים.
מפענחים את ההיגיון של ה‑AI מבפנים
על ידי שילוב מבחני ביצועים, ויזואליזציות ובדיקות סטטיסטיות קפדניות, המחקר מצייר תמונה קוהרנטית של האופן שבו רשת עמוקה מפענחת תנועה מורכבת. שכבות מוקדמות מתמקדות בתכונות מקומיות מאוד, כמו האם צעדים נוטים להסתובב בחזרה או להתמדה, בעוד ששכבות עמוקות יותר לוכדות מגמות איטיות יותר, כגון שינויים הדרגתיים בהיקף הנדידה של החלקיק. Grad-CAM מהווה גשר בין חישובים חבויים אלה לבין האינטואיציה האנושית, ומצביע אילו מקטעים של מסלול ואילו סוגי דפוסים מידעיים ביותר. עבור לא מומחים, המסקנה העיקרית היא ש‑AI ניתן ללמד לא רק לתייג תנועות חלקיקים מסובכות בדיוק גבוה, אלא גם להצביע על החלקים הספציפיים בנתונים התומכים בהחלטתו, וכך לסלול את הדרך לניתוח שקוף ועמיד לרעש של תנועות מורכבות בפיזיקה, בביולוגיה ומעבר להם.
ציטוט: 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
