کشف ارتباط شگفت‌انگیز میان حرکت حباب‌های کف و فرآیند یادگیری هوش مصنوعی

کف: ماده‌ای آشنا با اسرار پنهان

کف‌ها در زندگی روزمره ما حضوری پررنگ دارند؛ از کف صابون و خامه گرفته تا امولسیون‌های غذایی مانند مایونز. برای دهه‌ها، دانشمندان معتقد بودند که این مواد مانند شیشه رفتار می‌کنند؛ به این معنی که اجزای میکروسکوپی آن‌ها در آرایشی نامنظم، اما بی‌حرکت «قفل» می‌شوند. اما این فرضیه اکنون با چالش جدی مواجه شده است.

مهندسان دانشگاه پنسیلوانیا کشف کرده‌اند که کف‌ها، حتی در حالی که شکل بیرونی پایدار خود را حفظ می‌کنند، در حالتی از حرکت درونی دائمی به سر می‌برند. از منظر ریاضی، این حرکت پنهان شباهت چشمگیری به «یادگیری عمیق» دارد؛ رویکردی که معمولاً برای آموزش سیستم‌های هوش مصنوعی مدرن به کار می‌رود.

این کشف نه تنها نشان می‌دهد که یادگیری، اگر به عنوان یک فرآیند ریاضی در نظر گرفته شود، ممکن است یک اصل مشترک در مواد فیزیکی، سیستم‌های زنده و مدل‌های محاسباتی باشد، بلکه راه‌های جدیدی برای طراحی موادی که می‌توانند در طول زمان تطبیق پیدا کنند، ارائه می‌دهد. علاوه بر این، این پژوهش می‌تواند بینش‌هایی درباره ساختارهای زیستی مانند اسکلت سلولی، که باید پیوسته خود را بازسازی کنند، ارائه دهد.

حباب‌هایی که مدام بازآرایی می‌شوند

در تحقیقات منتشر شده در نشریه معتبر Proceedings of the National Academy of Sciences، تیم پژوهشی با استفاده از شبیه‌سازی رایانه‌ای، مسیر حباب‌های درون یک کف مرطوب را دنبال کردند. برخلاف انتظار، حباب‌ها به جای تثبیت در موقعیت‌های ثابت، به پرسه زدن در میان طیف وسیعی از آرایش‌های ممکن ادامه دادند.

از منظر ریاضی، این رفتار به شدت شبیه نحوه عملکرد سیستم‌های یادگیری عمیق است. در طول فرآیند آموزش، یک هوش مصنوعی به طور مکرر پارامترهای خود را تنظیم می‌کند، به جای آنکه در یک پیکربندی نهایی قفل شود.

«کف‌ها مدام خود را بازسازی می‌کنند. این شگفت‌انگیز است که کف‌ها و سیستم‌های هوش مصنوعی مدرن ظاهراً از اصول ریاضی یکسانی پیروی می‌کنند. فهمیدن دلیل این اتفاق هنوز یک پرسش باز است، اما می‌تواند نحوه تفکر ما درباره مواد سازگارپذیر و حتی سیستم‌های زنده را دوباره شکل دهد.»
جان سی کروکر، استاد مهندسی شیمی و بیومولکولی و نویسنده ارشد مشترک مقاله

چرا مدل‌های سنتی کف ناکارآمد بودند؟

در مقیاسی که می‌بینیم و لمس می‌کنیم، کف‌ها اغلب مانند جامدات رفتار می‌کنند؛ شکل خود را حفظ می‌کنند و اگر فشار داده شوند، می‌توانند به حالت اول برگردند. با این حال، در مقیاس‌های بسیار کوچکتر، کف‌ها به عنوان مواد دو فازی طبقه‌بندی می‌شوند؛ متشکل از حباب‌هایی که در یک زمینه مایع یا جامد معلق هستند.

از آنجا که تولید و مشاهده کف‌ها آسان است و در عین حال رفتار مکانیکی پیچیده‌ای را نمایش می‌دهند، دانشمندان مدت‌هاست از آن‌ها به عنوان مدل‌های ساده‌شده برای مطالعه سایر سیستم‌های متراکم و پویا، از جمله سلول‌های زنده، استفاده کرده‌اند.

نظریه‌های قدیمی‌تر، حباب‌های کف را همچون اجسام سنگینی توصیف می‌کردند که در یک چشم‌انداز انرژی حرکت می‌کنند. در این تصویر، حباب‌ها به سمت پایین به موقعیت‌هایی می‌غلتند که به انرژی کمتری نیاز دارند و سپس در آنجا باقی می‌مانند. این چارچوب به توضیح اینکه چرا کف‌ها پس از تشکیل پایدار به نظر می‌رسند، کمک می‌کرد.

معمای دیرینه در فیزیک کف

بررسی دقیق‌تر داده‌های تجربی یک مشکل را آشکار کرد: رفتار واقعی کف‌ها با پیش‌بینی این نظریه‌ها مطابقت نداشت.

«وقتی در واقع به داده‌ها نگاه کردیم، رفتار کف‌ها با چیزی که نظریه پیش‌بینی می‌کرد، مطابقت نداشت. ما تقریباً از ۲۰ سال پیش شروع به دیدن این ناهمخوانی‌ها کردیم، اما آن زمان هنوز ابزارهای ریاضی برای توصیف آنچه واقعاً در حال رخ دادن بود را نداشتیم.»
جان سی کروکر

حل این تناقض نیاز به یک روش تفکر جدید داشت؛ روشی که بتواند سیستم‌هایی را توصیف کند که بدون آنکه هرگز در یک حالت ثابت و دائمی مستقر شوند، به تغییر ادامه می‌دهند.

بینشی قرض‌گرفته‌شده از هوش مصنوعی

سیستم‌های هوش مصنوعی مدرن با تنظیم مداوم پارامترهای عددی در طول آموزش یاد می‌گیرند. یادگیری عمیق بر تکنیک‌های بهینه‌سازی مرتبط با یک روش ریاضی به نام «نزول گرادیان» متکی است. این الگوریتم‌ها به طور مکرر سیستم را به سمت پیکربندی‌هایی هدایت می‌کنند که خطا را کاهش می‌دهند و گام به گام به سمت عملکرد بهتر حرکت می‌کنند.

با گذشت زمان، پژوهشگران دریافتند که وادار کردن سیستم‌ها به قرارگیری در عمیق‌ترین راه‌حل‌های ممکن مشکلاتی ایجاد می‌کند. مدل‌هایی که بیش از حد به داده‌های آموزشیشان برازش پیدا می‌کنند، اغلب در مواجهه با موقعیت‌های جدید مشکل دارند.

«بینش کلیدی این بود که بفهمیم شما در واقع نمی‌خواهید سیستم را به عمیق‌ترین دره ممکن برانید. نگه داشتن آن در قسمت‌های مسطح‌تر چشم‌انداز، جایی که بسیاری از راه‌حل‌ها تقریباً به یک خوبی عمل می‌کنند، در واقع همان چیزی است که به این مدل‌ها امکان تعمیم‌پذیری می‌دهد.»
رابرت ریگل‌من، استاد مهندسی شیمی و بیومولکولی و نویسنده ارشد مشترک مطالعه

کف و هوش مصنوعی: ریاضیات یکسان

هنگامی که محققان پنسیلوانیا شبیه‌سازی‌های کف خود را با استفاده از این چارچوب دوباره تحلیل کردند، تشابه به وضوح آشکار شد. حباب‌های کف در موقعیت‌های عمیق و پایدار مستقر نمی‌شوند. در عوض، آن‌ها در حرکت درون مناطقی وسیع باقی می‌مانند که در آن بسیاری از پیکربندی‌ها به یک اندازه امکان‌پذیر هستند.

این رفتار به شدت بازتاب‌دهنده نحوه یادگیری سیستم‌های هوش مصنوعی مدرن است. همان ریاضیاتی که توضیح می‌دهد چرا یادگیری عمیق مؤثر است، بازچینش مداومی را که درون کف رخ می‌دهد نیز توصیف می‌کند.

پیامدها برای مواد سازگارپذیر و زیست‌شناسی

این مطالعه بینش‌های جدیدی در زمینه‌ای ارائه می‌دهد که بسیاری پیش از این فکر می‌کردند به خوبی درک شده است. به چالش کشیدن این تفکر مرسوم شاید یکی از مهم‌ترین دستاوردهای آن باشد.

با نشان دادن اینکه حباب‌های کف در حالت‌های شیشه‌مانند به دام نمی‌افتند، بلکه به روشی مشابه الگوریتم‌های یادگیری حرکت می‌کنند، این پژوهش دانشمندان را ترغیب می‌کند تا رفتار سایر سیستم‌های پیچیده را نیز تحت این لنز ریاضی مورد بازنگری قرار دهند.

تیم کروکر اکنون در حال بازبینی سیستمی است که علاقه او به کف‌ها را برانگیخت: اسکلت سلولی. این داربست میکروسکوپی درون سلول‌ها که حیات را ممکن می‌سازد، مانند کف، باید ضمن حفظ ساختار کلی خود به طور مداوم خود را بازسازی کند.

«این پرسشی جذاب است که چرا ریاضیات یادگیری عمیق کف‌ها را به دقت توصیف می‌کند. این نشانه می‌دهد که این ابزارها ممکن است کاربردهایی فراتر از زمینه اصلی خود داشته باشند و درهایی را به سوی خطوط کاملاً جدید تحقیق بگشایند.»
جان سی کروکر