طريقة جديدة للذكاء الاصطناعي تقلّص مجموعات البيانات العلمية بما يصل إلى 100 ضعف
طوّر باحثون في مختبر المسرّع الوطني SLAC طريقة ضغط قائمة على الشبكات العصبية خفّضت أحجام البيانات العلمية بعوامل تراوح بين 10 و100 في الاختبارات، بحسب بيانات الإدخال ومستوى الدقة المطلوب. وتتمثل الفكرة الأساسية في عدم ضغط كل جزء من البيانات بالتساوي، بل الحفاظ على البنى عبر مقاييس مكانية مختلفة قد تكون حاسمة للتحليل العلمي. ونُشرت الدراسة في Nature Machine Intelligence.
الأجهزة العلمية تنتج بيانات أكثر مما تستطيع البنية التحتية استيعابه
ينطلق الدافع وراء الطريقة الجديدة من مشكلة عملية جداً في العلوم التجريبية الحديثة. إذ تزداد دقة المستشعرات ومعدلات القياس بسرعة كبيرة، بحيث بدأت أجهزة الجيل التالي تولّد تدفقات بيانات أصبحت مكلفة بصورة متزايدة لتخزينها كاملةً ونقلها ومعالجتها لاحقاً.
يمكن للضغط التقليدي مع فقدان البيانات تقليل أحجام الملفات، لكنه قد يزيل أيضاً الإشارات منخفضة السعة أو البنى الدقيقة. وقد لا يكون هذا الفقد مهماً في صورة عادية. لكن في قياس علمي، يمكن لتفصيل صغير أن يحتوي بالضبط على المعلومات الفيزيائية التي يبحث عنها الباحثون.
ويشير SLAC إلى البقع الصغيرة التي تظهر في قياسات الأشعة السينية كمثال. إذ يمكن لهذه البنى أن تكشف عن الترتيب الداخلي أو العيوب أو الديناميكيات داخل مادة ما. وإذا تعاملت خوارزمية ضغط معها باعتبارها ضوضاء، فقد تقلل ليس فقط حجم الملف، بل أيضاً القيمة العلمية للقياس.
تحليل المويجات يفصل المعلومات بحسب المقياس
تُسمى الطريقة المنشورة في Nature Machine Intelligence باسم WIEN-INR. وهي تجمع بين تحليل المويجات والتمثيلات العصبية الضمنية.
أولاً، يفصل تحليل المويجات مجموعة البيانات إلى مكوّنات عند مقاييس مكانية مختلفة، مميزاً بين البنى واسعة النطاق والتفاصيل الدقيقة. ثم تتعلم شبكة عصبية تمثيل المعلومات عند تلك المقاييس المختلفة بصورة مضغوطة.
تساعد هذه البنية على تجنب مشكلة شائعة في الضغط للأغراض العامة، حيث قد تُعامل بنية خلفية واسعة وميزة صغيرة لكنها مهمة علمياً بالطريقة نفسها تقريباً.
وبحسب الباحث في SLAC، يوان ني، خفّضت الطريقة عادةً أحجام الملفات بعوامل تراوح بين 10 و100، اعتماداً على البيانات المصدر والجودة المطلوبة. لكن لا ينبغي تفسير هذه النتيجة على أنها ضغط عديم الفقد بالكامل. إنها مقايضة مضبوطة بين حجم البيانات ودقة الإشارة، صُممت للحفاظ على السمات الدقيقة المهمة للتحليل بصورة أفضل من نهج ضغط عام.
وهذا وصف أدق من القول إن النظام «لا يفقد أي بيانات على الإطلاق».
يمكن للنظام فك ترميز المنطقة التي تحتاجها فقط
تظهر قوة رئيسية ثانية للطريقة عند استخدام البيانات لاحقاً. فإذا احتاج باحث إلى منطقة صغيرة فقط من مجموعة بيانات كبيرة مضغوطة، فلا حاجة إلى إعادة بناء الملف بأكمله.
يمكن لـ WIEN-INR فك ترميز منطقة اهتمام محددة فقط، والقيام بذلك عند مقاييس ودرجات دقة مختلفة. ويشير SLAC إلى أن فك ضغط ملف كبير كامل باستخدام برنامج ترميز تقليدي قد يستغرق دقائق أو ساعات أو حتى أياماً. ويجنب فك الترميز الانتقائي قدراً كبيراً من هذا العمل.
في بيئات الحوسبة العلمية الكبيرة، قد تكون هذه القدرة مهمة بقدر نسبة الضغط نفسها. فالمشكلة ليست ببساطة تكلفة التخزين. إذ إن نقل البيانات بين أنظمة التخزين وعُقد الحوسبة ومؤسسات البحث يستهلك سعة الشبكة والطاقة والوقت.
نجحت الطريقة عبر أنواع مختلفة جداً من البيانات
لم يقصر الباحثون اختباراتهم على نوع واحد من مجموعات بيانات الأشعة السينية. فقد طبقوا الطريقة على قياسات جزيئية وقياسات للمواد، وبيانات المجال المغناطيسي الشمسي، والصور العادية. وتمكنت الشبكة العصبية من التكيف مع أنواع البيانات المختلفة وتعلم السمات المهمة لكل منها.
لا يقدم المؤلفون WIEN-INR كبديل شامل لأساليب الضغط أو خفض البيانات الحالية. بل يمكن أن يعمل إلى جانبها كخيار إضافي في الحالات التي يكون فيها استعادة البنية الدقيقة على نطاق صغير لاحقاً مهمة بصورة خاصة.
كما ساهم باحثون من جامعة كاليفورنيا في ديفيس وجامعة كارنيغي ميلون في الدراسة. ودرّب الفريق شبكاته العصبية باستخدام الحاسوب العملاق Perlmutter في منشأة NERSC التابعة لوزارة الطاقة الأمريكية. ونُشرت الورقة البحثية بعنوان “Multi-resolution enhancement for full-spectrum neural representations” في Nature Machine Intelligence بتاريخ 24 أغسطس 2026.
تواجه البنية التحتية البحثية في أوروبا التحدي نفسه
تمتد إمكانات الطريقة إلى ما هو أبعد بكثير من أي جهاز واحد في SLAC. فالبنية التحتية الأوروبية لفيزياء الجسيمات، وعلوم السنكروترون، وعلم الفلك، وأبحاث المناخ، ورصد الأقمار الصناعية، تولّد أيضاً أحجاماً متزايدة بسرعة من البيانات.
المهم هنا هو المبدأ، وليس خوارزمية محددة بعينها. فعندما ينتج جهاز معلومات أكثر مما يكون عملياً تخزينه ونقله كاملاً، يتعين على مسار البيانات أن يقرر في وقت مبكر بصورة متزايدة أي معلومات يجب الحفاظ عليها وبأي مستوى من الدقة.
لذلك لم يعد دور الذكاء الاصطناعي في العلوم مقتصراً على العثور على الأنماط بعد إجراء التجربة. وقد تتمثل الخطوة المهمة التالية في تمثيل البيانات العلمية بصيغة تقلل متطلبات التخزين والحوسبة بصورة كبيرة، مع الحفاظ على البنى الدقيقة التي قد يتبين أنها مهمة للاكتشاف التالي.
الأجهزة العلمية تنتج بيانات أكثر مما تستطيع البنية التحتية استيعابه
ينطلق الدافع وراء الطريقة الجديدة من مشكلة عملية جداً في العلوم التجريبية الحديثة. إذ تزداد دقة المستشعرات ومعدلات القياس بسرعة كبيرة، بحيث بدأت أجهزة الجيل التالي تولّد تدفقات بيانات أصبحت مكلفة بصورة متزايدة لتخزينها كاملةً ونقلها ومعالجتها لاحقاً.
يمكن للضغط التقليدي مع فقدان البيانات تقليل أحجام الملفات، لكنه قد يزيل أيضاً الإشارات منخفضة السعة أو البنى الدقيقة. وقد لا يكون هذا الفقد مهماً في صورة عادية. لكن في قياس علمي، يمكن لتفصيل صغير أن يحتوي بالضبط على المعلومات الفيزيائية التي يبحث عنها الباحثون.
ويشير SLAC إلى البقع الصغيرة التي تظهر في قياسات الأشعة السينية كمثال. إذ يمكن لهذه البنى أن تكشف عن الترتيب الداخلي أو العيوب أو الديناميكيات داخل مادة ما. وإذا تعاملت خوارزمية ضغط معها باعتبارها ضوضاء، فقد تقلل ليس فقط حجم الملف، بل أيضاً القيمة العلمية للقياس.
تحليل المويجات يفصل المعلومات بحسب المقياس
تُسمى الطريقة المنشورة في Nature Machine Intelligence باسم WIEN-INR. وهي تجمع بين تحليل المويجات والتمثيلات العصبية الضمنية.
أولاً، يفصل تحليل المويجات مجموعة البيانات إلى مكوّنات عند مقاييس مكانية مختلفة، مميزاً بين البنى واسعة النطاق والتفاصيل الدقيقة. ثم تتعلم شبكة عصبية تمثيل المعلومات عند تلك المقاييس المختلفة بصورة مضغوطة.
تساعد هذه البنية على تجنب مشكلة شائعة في الضغط للأغراض العامة، حيث قد تُعامل بنية خلفية واسعة وميزة صغيرة لكنها مهمة علمياً بالطريقة نفسها تقريباً.
وبحسب الباحث في SLAC، يوان ني، خفّضت الطريقة عادةً أحجام الملفات بعوامل تراوح بين 10 و100، اعتماداً على البيانات المصدر والجودة المطلوبة. لكن لا ينبغي تفسير هذه النتيجة على أنها ضغط عديم الفقد بالكامل. إنها مقايضة مضبوطة بين حجم البيانات ودقة الإشارة، صُممت للحفاظ على السمات الدقيقة المهمة للتحليل بصورة أفضل من نهج ضغط عام.
وهذا وصف أدق من القول إن النظام «لا يفقد أي بيانات على الإطلاق».
يمكن للنظام فك ترميز المنطقة التي تحتاجها فقط
تظهر قوة رئيسية ثانية للطريقة عند استخدام البيانات لاحقاً. فإذا احتاج باحث إلى منطقة صغيرة فقط من مجموعة بيانات كبيرة مضغوطة، فلا حاجة إلى إعادة بناء الملف بأكمله.
يمكن لـ WIEN-INR فك ترميز منطقة اهتمام محددة فقط، والقيام بذلك عند مقاييس ودرجات دقة مختلفة. ويشير SLAC إلى أن فك ضغط ملف كبير كامل باستخدام برنامج ترميز تقليدي قد يستغرق دقائق أو ساعات أو حتى أياماً. ويجنب فك الترميز الانتقائي قدراً كبيراً من هذا العمل.
في بيئات الحوسبة العلمية الكبيرة، قد تكون هذه القدرة مهمة بقدر نسبة الضغط نفسها. فالمشكلة ليست ببساطة تكلفة التخزين. إذ إن نقل البيانات بين أنظمة التخزين وعُقد الحوسبة ومؤسسات البحث يستهلك سعة الشبكة والطاقة والوقت.
نجحت الطريقة عبر أنواع مختلفة جداً من البيانات
لم يقصر الباحثون اختباراتهم على نوع واحد من مجموعات بيانات الأشعة السينية. فقد طبقوا الطريقة على قياسات جزيئية وقياسات للمواد، وبيانات المجال المغناطيسي الشمسي، والصور العادية. وتمكنت الشبكة العصبية من التكيف مع أنواع البيانات المختلفة وتعلم السمات المهمة لكل منها.
لا يقدم المؤلفون WIEN-INR كبديل شامل لأساليب الضغط أو خفض البيانات الحالية. بل يمكن أن يعمل إلى جانبها كخيار إضافي في الحالات التي يكون فيها استعادة البنية الدقيقة على نطاق صغير لاحقاً مهمة بصورة خاصة.
كما ساهم باحثون من جامعة كاليفورنيا في ديفيس وجامعة كارنيغي ميلون في الدراسة. ودرّب الفريق شبكاته العصبية باستخدام الحاسوب العملاق Perlmutter في منشأة NERSC التابعة لوزارة الطاقة الأمريكية. ونُشرت الورقة البحثية بعنوان “Multi-resolution enhancement for full-spectrum neural representations” في Nature Machine Intelligence بتاريخ 24 أغسطس 2026.
تواجه البنية التحتية البحثية في أوروبا التحدي نفسه
تمتد إمكانات الطريقة إلى ما هو أبعد بكثير من أي جهاز واحد في SLAC. فالبنية التحتية الأوروبية لفيزياء الجسيمات، وعلوم السنكروترون، وعلم الفلك، وأبحاث المناخ، ورصد الأقمار الصناعية، تولّد أيضاً أحجاماً متزايدة بسرعة من البيانات.
المهم هنا هو المبدأ، وليس خوارزمية محددة بعينها. فعندما ينتج جهاز معلومات أكثر مما يكون عملياً تخزينه ونقله كاملاً، يتعين على مسار البيانات أن يقرر في وقت مبكر بصورة متزايدة أي معلومات يجب الحفاظ عليها وبأي مستوى من الدقة.
لذلك لم يعد دور الذكاء الاصطناعي في العلوم مقتصراً على العثور على الأنماط بعد إجراء التجربة. وقد تتمثل الخطوة المهمة التالية في تمثيل البيانات العلمية بصيغة تقلل متطلبات التخزين والحوسبة بصورة كبيرة، مع الحفاظ على البنى الدقيقة التي قد يتبين أنها مهمة للاكتشاف التالي.
