📄 معروضة نسخة «بسيط» — «متقدم» غير جاهزة بعد. أضفه إلى المفضّلة للمساعدة في تسريعها. اطلب التحليل الكامل

تسجيل من مسجّل صوتي في ساحة مدينة. يُسمع همهمة الحشد، وخطوات الأقدام، ومقاطع من أحاديث، وضجيج السيارات. وفي مكان ما وسط هذه الفوضى الصوتية، يعزف موسيقي الشارع لحنًا بسيطًا على الناي. ليس من السهل سماعه، فثمة الكثير من الأصوات المختلطة.

تقريبًا هذه هي المهمة التي تحلها خوارزمية جديدة باسم Edwin (ضغط إنتروبيا قصوى مع اكتشاف نماذج غير خطية قابلة للتفسير). تأخذ بيانات متعددة الأبعاد، مثل مئات القراءات من أجهزة استشعار أو آلاف البكسلات من فيديو، وتبحث فيها عن بساطة خفية. أولًا، تضغط الخوارزمية البيانات إلى عدد قليل من المتغيرات الرئيسية، كما لو كانت تعزل صوت الناي الصافي من تسجيل صاخب. ثم تستخرج المعادلات التي تصف كيف تتغير هذه المتغيرات مع الزمن. وكل ذلك دون فقدان الصلة بالواقع: يظل كل متغير مرتبطًا بكميات قابلة للقياس، ولا يتحول إلى رقم مجرد.

اختبر المؤلفون الطريقة على ستة أنظمة مختلفة. من بينها: سير عشوائي للجسيمات، وتجميع ذاتي للجزيئات، ونبض مجموعة من الخلايا العصبية، وحتى تجربة حقيقية على معقدات الرنا والجسيمات الشحمية حيث كانت البيانات مشوشة. في كل حالة، أنتج Edwin معادلة قصيرة لم تكن مجرد مطابقة للأرقام، بل كانت ذات معنى فيزيائي. على سبيل المثال، بالنسبة للانتشار، اشتق قانونًا يشبه معادلة التوصيل الحراري، وبالنسبة للخلايا العصبية، نموذجًا يشبه بندولًا مع احتكاك.

المفاجأة الكبرى كانت القوة التنبؤية. النماذج التي وُجدت في ظروف معينة عملت أيضًا في ظروف أخرى لم تتعلمها الخوارزمية. الأمر كما لو أنك إذا سمعت لحنًا بسرعة معينة، تعرفت عليه أيضًا بسرعة مختلفة أو بآلة موسيقية أخرى. هذا يعني أن Edwin يلتقط جوهر الظاهرة فعلًا، ولا يكتفي بحفظ البيانات.

يمكن لهذا النهج أن يغير الطريقة التي يبحث بها العلماء عن القوانين في الأنظمة المعقدة، من المناخ إلى الشبكات البيولوجية. فبدلًا من التخمين حول المتغيرات المهمة واختيار المعادلات يدويًا، يمكننا أن نعهد بذلك إلى خوارزمية تعمل كمستمع خبير يستخلص اللحن من الضوضاء.

الملخص الأصلي

كما كتبه المؤلفون، بالإنجليزية arXiv:2605.16724

Models (i.e., governing equations) are fundamental to science and engineering. Advances in data acquisition now make it possible to extract interpretable, low dimensional descriptions from high dimensional observations. However, existing approaches sacrifice either interpretability for reconstruction accuracy or infer symbolic dynamics without relating latent coordinates to physically meaningful observables. Here we present Edwin (maximum entropy driven compression with interpretable nonlinear model discovery), a unified framework that simultaneously performs dimensionality reduction using the dynamic maximum entropy (DME) principle and discovers sparse symbolic models governing latent dynamics, as well as the coupling between learned features and external metadata. We validate Edwin on diverse simulated systems, including stochastic diffusion, the Ornstein-Uhlenbeck process, self assembling particles, spiking neural populations, and low rank recurrent neural networks, as well as on a noisy experimental time series of aggregating RNA-liposome complexes. Across all systems, Edwin recovers low dimensional symbolic models that are physically interpretable and generalize to unseen conditions. Together, these results establish Edwin as a powerful framework for inferring interpretable, low dimensional dynamics directly from high dimensional data.