نجح فريق من الباحثين في حل مشكلة أساسية في مجال تعلم الآلة، حيث ابتكروا أول طريقة لمعالجة البيانات المتماثلة بكفاءة مضمونة من حيث الحسابات وكمية البيانات المطلوبة.
تكمن الصعوبة في أن الذكاء الاصطناعي غالبًا ما يختلط عليه الأمر عند مواجهة التماثل؛ فمثلًا، قد يتعامل مع جزيء دُوّر بزاوية معينة ككائن مختلف تمامًا بدلًا من التعرف عليه كهيكل واحد.
ويؤكد الباحث المشارك “بهرز طهماسيبي”، طالب دراسات عليا في معهد MIT: “هذه التماثلات تحمل معلومات مهمة تخبرنا بها الطبيعة عن البيانات، ويجب أن نأخذها بعين الاعتبار في نماذج تعلم الآلة. لقد أثبتنا الآن أنه من الممكن التعامل مع البيانات المتماثلة بكفاءة عالية”.
وعلى الرغم من أن بعض النماذج الحالية مثل الشبكات العصبية الرسومية (Graph Neural Networks) تستطيع التعامل مع التماثل، إلا أن الباحثين لم يكونوا يفهمون تمامًا سبب كفاءتها.
لكن فريق MIT اتبع نهجًا مختلفًا؛ إذ صمّم خوارزمية جديدة بدمج مفاهيم رياضية من الجبر والهندسة، ما أتاح إنشاء نظام قادر على التعلم من البيانات المتماثلة مع احترام بنيتها.
وتتميز هذه الطريقة المثبتة الكفاءة بأنها تحتاج إلى عينات بيانات أقل أثناء التدريب، وهو ما يحسّن دقة النماذج وقابليتها للتكيف.
ويعتقد الباحثون أن هذا الإنجاز قد يمهّد الطريق لتطوير نماذج ذكاء اصطناعي أقوى وأخف وأقل استهلاكًا للموارد، مع تطبيقات واسعة تشمل اكتشاف مواد جديدة، والتعرف على الظواهر الفلكية النادرة، وفهم الأنماط المناخية المعقدة. وقد عُرض هذا البحث مؤخرًا خلال المؤتمر الدولي لتعلم الآلة.
