بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
ينتمي هذا البحث إلى النوع النادر من الاكتشافات الرياضية التي قد تغيّر طريقة تفكيرنا في الشبكات العصبية. فيليب شموكر ويوزف تيشمان لم يكتفيا بحل مسألة رياضية معقدة، بل فتحا الباب أمام جيل جديد من الشبكات قادرة على التعامل مع بيانات لامحدودة الأبعاد مع ضمان دقة مشتقاتها (وفقاً لـ ArXiv).
المشكلة التي واجهها الباحثان تكمن في قيود نظريات التقريب التقليدية. معظم النظريات الحالية تعمل على مجموعات مدمجة محدودة، وتركز على تقريب قيم الدوال فقط دون مشتقاتها. هذا يخلق فجوة كبيرة في التطبيقات العملية حيث دقة المشتقات أساسية – مثل النمذجة المالية وتحليل المسارات الزمنية.
الحل الذي طوّراه يعتمد على مفهوم Functional Input Neural Networks (FNN)، وهو نوع متقدم من الشبكات يستقبل مدخلات من متعددات مرجحة قد تكون لامحدودة الأبعاد. البنية تتكون من ثلاث مراحل: طبقة استقبال تتعامل مع المدخلات المعقدة، طبقة مخفية حقيقية القيم تطبق دالة تفعيل غير خطية، ثم طبقة إخراج تستخدم قراءات خطية لتوليد النتائج في فضاء بناخ.
الإنجاز الحقيقي يأتي من إثباتهما لما يُسمى نظرية نخبين المرجحة. هذه النظرية تتيح تعميم خصائص التقريب من المجال المحدود إلى اللامحدود، وتضمن في الوقت نفسه دقة تقريب المشتقات في جميع الاتجاهات. النتيجة هي نظرية تقريب شاملة (UAT) للدوال القابلة للاشتقاق تتجاوز الصياغات التقليدية.
- فهم بنية FNN: الشبكة تبدأ بطبقة تستقبل مدخلات من متعددات مرجحة لامحدودة الأبعاد، تمررها إلى طبقة مخفية حقيقية، ثم تخرج النتائج عبر تحويلات خطية إلى فضاء بناخ.
- تطبيق نظرية نخبين المرجحة: استخدم هذه النظرية كجسر رياضي للانتقال من خصائص التقريب على المجموعات المدمجة إلى الفضاءات اللامحدودة مع الحفاظ على الدقة.
- ضمان دقة المشتقات: تأكد أن الشبكة لا تقرّب قيم الدالة فحسب، بل مشتقاتها أيضاً في جميع الاتجاهات – وهو أمر حاسم للتطبيقات التي تعتمد على معدلات التغيير.
- التعامل مع الدوال غير المتنبئة: طوّر إطار عمل خاص للدوال التي لا تعتمد على المعلومات المستقبلية، مما يجعلها مناسبة للتطبيقات الزمنية الحقيقية.
- حساب المشتقات الأفقية والعمودية: وسّع النظرية لتشمل أنواعاً مختلفة من المشتقات، مما يفتح المجال لتطبيقات في الهندسة والفيزياء.
- تطبيق دوال التوقيع الخطية: أثبت أن الدوال الخطية للتوقيع قادرة على تقريب دوال فضاء المسار مع مشتقاتها الاتجاهية بدقة عالية.
ما يجعل هذا البحث مثيراً للاهتمام تطبيقاته المحتملة في الرياضيات المالية. تسعير المشتقات المالية المعقدة يتطلب حساب مشتقات دقيقة لدوال معرّفة على مسارات أسعار لامحدودة الأبعاد. النظرية الجديدة توفر الأسس الرياضية لبناء شبكات عصبية قادرة على التعامل مع هذا التحدي بضمانات نظرية صارمة.
البحث يقع في تقاطع خمسة تخصصات: التحليل الوظيفي، تعلم الآلة، نظرية الاحتمالات، الرياضيات المالية، والتعلم الآلي الإحصائي. هذا التنوع يشير إلى إمكانيات تطبيق واسعة، من نمذجة الطقس المعقدة إلى تحليل الإشارات الطبية.
لكن الطريق من النظرية إلى التطبيق ما زال طويلاً. البحث يوفر الأسس النظرية، لكنه لا يقدم خوارزميات تدريب عملية أو يختبر الأداء على مجموعات بيانات حقيقية. التحدي التالي يكمن في ترجمة هذه الضمانات الرياضية إلى حلول برمجية قابلة للتطبيق على نطاق واسع.
