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.