مجموعة بيانات

كانت أربع خرائط قديمة ملقاة في أدراج مكتب مختلفة. على كل خريطة جينات مرتبطة بشيخوخة الخلايا، لكن الخرائط لم تكن متطابقة: أسماء مختلفة، ومقاييس مختلفة، ومفاتيح مختلفة. وكان الباحث الذي يفتّش عن جين لتجربته مضطرًا إلى مقارنتها يدويًا، مع خطر أن تفوته علامة مهمة. جمعت SenSASP هذه الخرائط في خريطة واحدة.

البروتين في الخلية ليس ثابتًا كدمية في واجهة عرض. فذراته تهتز باستمرار، وتتمدد وتنحني — تمامًا كوتر الغيتار المشدود الذي يستمر في الاهتزاز بعد نقرته. لفهم وظيفة البروتين، لا بد من تقدير صلابة الروابط بين أجزائه. يصف الفيزيائيون ذلك عبر مصفوفة المشتقات الثانية للطاقة، لكن يمكن تصورها ببساطة كخريطة «الزنبركات» بين الذرات: حيث يكون الرابط صلبًا وحيث يكون مرنًا.

تخيّل أن مصوّرَين يلتقطان صورًا لجبل واحد. الأول يلتقط مئة صورة من القمة وصورتين فقط من السفح، والثاني يفعل العكس. إذا حاولت مطابقة صورهما، قد تقرر الخوارزمية أن القمة في إحدى الصور تقابل القمة في الأخرى لمجرد وجود نقاط متشابهة كثيرة هناك، وليس لأنها نفس المكان. كثافة التصوير تسبب الارتباك.

تشبه الخلية الشمسية البيروفسكايتية رياضية شابة: تظهر أداءً مذهلاً في البداية، لكنها تتعب بسرعة. ففي غضون ثماني ساعات فقط، تنخفض كفاءتها بشكل ملحوظ، رغم عدم وجود عيوب ظاهرة — لا شقوق ولا غبار ولا انفصالات.

ينزلق البروتين على خيط الحمض النووي مثل مفتاح على حلقة مفاتيح، باحثًا عن قفله. أي انعطاف خاطئ، ويبقى الجين معطلاً. لفهم أين سيقبض البروتين بإحكام، يجب قياس قوة هذه القبضة — طاقة الارتباط. لكن استعراض كل المواقع الممكنة يدويًا مستحيل: جينوم الثدييات يتكون من مليارات "الحروف".

يشبه الرادار العادي ميكروفوناً في حشد صاخب: الأصوات الفردية تندمج في فوضى. يعمل PiVoT كمايسترو يميز في لحظة كل آلة موسيقية وسط فوضى الضبط. بدلاً من اختبار الفرضيات، يضيق الخوارزم الحلقة حول الأهداف الأكثر احتمالاً — سيارات، دراجات، مشاة.

النهج القياسي لرقمنة الكلام، الذي يقوم عليه النموذج القياسي للاتصالات الحديثة، هو أخذ عينات مباشر: آلاف المرات في الثانية يتم تسجيل شدة الإشارة اللحظية. تخيل أنك تتذوق المرق بملعقة صغيرة — كل رشفة تعطي لمحة خافتة عن الطعم، ولإدراك النكهة الكاملة عليك أن تغرف مرارًا وتكرارًا. وهكذا هنا: تتدفق البيانات وتتضخم، رغم أن الحمل الدلالي فيها ضئيل.

يشبه نظام الطاقة الحي كائنًا حيًا: خطوط نقل الكهرباء هي الأوعية الدموية، والتيار هو الدم. أما البيانات فهي النبضات العصبية التي كانت تُفقد سابقًا. تقوم mAIEnergy بتوصيل هذه «الأعصاب» بـ«دماغ» موحد. يضم مستودع البيانات هذا صور الأقمار الصناعية، وقراءات عدادات الكهرباء، والمقالات، وتقارير الطقس. من بين 25 مليون سجل، توجد قراءات تمتد لنحو نصف قرن، بمعدل قراءة لكل دقيقة.

المحقق الخبير لا يحسب مسار المجرم بحل معادلات تفاضلية للحركة — بل يرجع إلى ملف القضايا المشابهة. وهكذا يعمل أسلوب التنبؤ الجديد: أساسه ليس صيغًا معقدة، بل أرشيف ضخم من المسارات المحققة — حركات الكواكب، تقلبات أسعار العملات، إشارات من أعماق الكون.

التعلم الآلي لم يعد مجرد أداة — بل أصبح مستكشفاً، يستخلص قوانين الطبيعة من البيانات بنفسه. ولكن كيف يتوصل العقل السليكوني إلى الفهم؟ للإطلاع على هذه العملية، لجأ الفيزيائيون إلى نموذج صغير لكنه عميق — شبكة إيزينج، حيث تتراقص اللفات المغزلية تحت إملاء درجة الحرارة.

تخيل تجربة أداء في أوركسترا سيمفونية، حيث من بين مئات المتقدمين، لا يبقى إلا أولئك الذين تصدر آلاتهم صوتًا نقيًا وتصمد أمام التصعيد الهائل. في عالم المواد، تعلمت الحواسيب توليد 'نوتات ذرية' — آلاف البلورات الافتراضية التي تبشر بأن تصبح أساسًا للرقائق الكمومية أو الموصلات الفائقة.

تخيل: تعزف أوركسترا سيمفونية، لكن الميكروفون لا يلتقط سوى طنين مدمج - tutti، حيث اختلطت أصوات الكمان الأجهر والنايات والصنوج. مهمة مشابهة واجهها الفيزيائيون لعقود، محدقين في حقول الكثافة أو درجة الحرارة أو الحث المغناطيسي.

الشبكات العصبية التقليدية تتعلم من الأمثلة، كشخص يحفظ الألحان بالأذن: فهي تجمع الأنماط الإحصائية دون أن تفهم القواعد العميقة. أما النهج الآخر — الشبكات العصبية المزوّدة بالفيزياء — فتُدمج في بنيتها الأساسية القوانين الفيزيائية الجوهرية، مثل معادلات حفظ الطاقة أو معادلات الحركة.

في الأرشيفات المفتوحة OpenNeuro وNEMAR، يوجد 791 تسجيلًا للنشاط الكهربائي للدماغ من ما يقرب من أربعين ألف شخص. إجمالاً، هذا يمثل 86,051 ساعة من الإشارات — أي ما يعادل حوالي عشر سنوات من الاستماع المتواصل. في السابق، كان الحصول على تسجيل واحد فقط من هذه التسجيلات يتطلب كتابة آلاف الأسطر من التعليمات البرمجية: التنزيل، وفك الضغط، وإصلاح أخطاء التنسيق، وتقطيع البيانات إلى أجزاء بالطول المطلوب.

كثيرًا ما تُشبَّه النيوترينوات بإرسال إذاعي تلتقطه أجهزة استقبال مختلفة. محطة واحدة ترسل الإشارة، لكن الهوائيات في اليابان والقارة القطبية الجنوبية وقاع البحر الأبيض المتوسط تسمعها بشكل مختلف — بسبب المسافة والتشويش واتجاه الهوائي. حتى الآن، كان يُعتقد أنه لا يمكن دمج التسجيلات من هذه «الأجهزة» المختلفة في صورة واحدة ذات معنى: فالتفاصيل التقنية كثيرة جدًا. مجموعة من الفيزيائيين أثبتت العكس.

غالبًا ما يُتصوَّر الزمكان على أنه نسيج أملس. لكن على المستوى المجهري الأقصى، قد لا يكون هذا النسيج متصلًا، بل مكوَّنًا من «ذرات» منفصلة — أحداث مرتبطة بالسببية. هذه الصورة للعالم تُعرف بنظرية المجموعات السببية (causal sets).

تعزف الأوركسترا دون قائد. لكل عازف نوتة موسيقية — وهي الجينات. أما شدة الصوت والإيقاع فيعتمدان على صوتيات القاعة والمزاج والجيران على المسرح. هكذا تقريبًا تخلق الوراثة والحياة اليومية معًا سلوك المراهق. في الدراسة الجديدة، جمع العلماء بيانات آلاف الأطفال من مشروع ABCD طويل الأمد.

الحسابات الكمومية وصفة بمكونات مثالية، لكن الطاهي — الطبيعة — يطبخ على طريقته. النماذج الآلية للذرات تحفظ الوصفة عن ظهر قلب وتتنبأ بخصائص المادة في ثوانٍ بدلًا من أسابيع. المشكلة أن الوصفة نفسها — معادلات شرودنغر — تحتوي تبسيطات: في مكان ما أهملنا ارتجاف الإلكترونات، وفي مكان آخر استبدلنا التبادل المعقد بحقل متوسط.

مكتبة تضم 27 ألف كتاب، وكلها عن الخرسانة. في كل كتاب وصفة للخلطة، ودرجة حرارة، وقوة. لكن المعلومات متناثرة بين الفقرات والجداول والحواشي. الإنسان لو أراد جمعها في مكان واحد لاحتاج سنوات. أما البرنامج فقد أنجز المهمة في ساعة واحدة. أخذ العلماء نموذجًا لغويًا كبيرًا — وهو النموذج الذي يجيد قراءة النصوص وفهمها — وضبطوه للبحث عن بيانات الخرسانة. استخرج النموذج من المقالات مكونات الخليط وطريقة التحضير والخصائص النهائية.

إذا صوّرتَ الجبل نفسه بكاميرا فيلمية وبالهاتف الذكي الحديث، فستحصل على صورتين مختلفتين: في إحداهما تكون الألوان أكثر إشراقًا، وفي الأخرى تكون التفاصيل غير واضحة. وكذلك الأمر مع التلسكوبات: فكل أداة ترى السماء بطريقتها الخاصة، مضيفةً إلى الضوء الحقيقي للمجرات تشوهاتها الخاصة — مثل مرشح ننظر من خلاله. ويقدم العمل الجديد طريقة لإزالة هذا "المرشح".

يستمع علماء الزلازل إلى الأرض كما يستمع الطبيب إلى القلب. تنتشر الموجات السطحية الناتجة عن الزلازل عبر الكوكب، ومن خلال سرعتها يمكن الحكم على ما هو مخفي تحت الأقدام — صخور صلبة أو صهارة أو ماء. عادةً، تُبنى نماذج فيزيائية معقدة لهذا الغرض. الآن جاءت الشبكات العصبية للإنقاذ: فهي تتنبأ بسرعة بكيفية مرور الموجة عبر باطن الأرض، لكن ظل لغزًا لفترة طويلة ما إذا كانت تفهم الفيزياء نفسها أم أنها تحفظ البيانات فقط.

النموذج المعتاد للتعلم الآلي ينظر إلى كائن واحد في كل مرة: دماغ واحد، مريض واحد، محرك واحد. لكن علماء الأحياء يحتاجون إلى العام: كيف يُبنى دماغ النوع ككل، وليس فقط دماغ سمكة معينة. الطريقة الجديدة — التركيب الاحتمالي العميق للنماذج (DPMS) — تتعلم من نسخ متعددة في وقت واحد، مثل طاهٍ يتذوق عشرات التفاح ليفهم طعم الصنف، لا طعم ثمرة واحدة.

الهيدروجين بطل في الطاقة لكل كيلوغرام، لكن تخزينه متعب. في حالته الغازية يشغل حجمًا هائلًا، وإذا تم ضغطه أو تبريده إلى سائل، نحتاج إلى أسطوانات ثقيلة وطاقة كبيرة. هناك طريق ثالث: بعض المواد الصلبة تمتص الهيدروجين مثلما تمتص الإسفنجة الماء، وتحتفظ به داخلها. سخّن المادة — يخرج الهيدروجين، برّدها — يُمتص مرة أخرى.

في البطارية العادية، يكون الإلكتروليت سائلاً، وتتحرك الجسيمات المشحونة (الأيونات) بحرية. أما في النسخة الصلبة، فإنها تندفع عبر "ممرات" ذرية، مثل المشاة في ممرات ضيقة. لكي تعمل البطارية بسرعة، نحتاج إلى مادة ذات موصلية أيونية جيدة. لكن البحث عن هذه المواد بشكل أعمى هو سنوات من التجربة والخطأ.

يعمل كاشف الجسيمات في مصادم الهدرونات الكبير لسنوات دون توقف. تنتج أجهزة الاستشعار فيه جبالًا من البيانات كل ثانية، وبينها يجب رصد الخلل بسرعة — مثل ارتفاع الحرارة أو قناة معطوبة. في السابق كانت قواعد بسيطة تراقب ذلك، لكنها كثيرًا ما تخطئ. الآن جاءت الشبكة العصبية DepthViT للنجدة — خفيفة وسريعة، كفنيّ يقظ يعرف كيف يبدو العمل الطبيعي.

يبدو التدفق المضطرب للماء في أنبوب واهتزازات البندول مختلفين. لكن بينهما قاسم مشترك: كلاهما يخضع لقوانين حركة خاصة يمكن وصفها بالأرقام. شبكة عصبية تدرّبت على واحدة فقط من هذه «رقصات الأرقام» تبدأ فجأة في فهم الأخرى — دون أي مثال إضافي. هذا مثل موسيقي تعلم لحنًا واحدًا، ثم يعزف مقطوعة غير مألوفة من النظرة الأولى بعد أن يلتقط تناغمها.

بلورة تشبه من الداخل إسفنجة ذات متاهة من المسام، تبين أنها قادرة على إجراء الحسابات. المادة المسماة DUT-8 تتكون من عقد معدنية وجسور عضوية تشكل شبكة مخرمة. تحت تأثير غازات مختلفة، يتغير شكل هذه الشبكة قليلًا — مثل بيت من ورق يعيد ترتيب نفسه عند نسمة هواء خفيفة. وجّه العلماء أشعة سينية إلى العينة وتابعوا تشتتها.

تحتفظ سجلات الطقس القديمة بمفاجآت: عمود مقياس الحرارة يقفز فجأة نصف درجة، ليس بسبب الطقس، بل لأن المحطة استبدلت الجهاز. مثل هذه القفزات الحادّة في البيانات تُسمى نقاط التغيّر، وفصلها عن الإشارات المناخية الحقيقية مهمة يتصدى لها الإحصائيون. الطرق التقليدية إمّا ترى قفزات كثيرة جدًا أو تفوّت المهمّة، خاصة عندما تكون البيانات «تتذكّر» ماضيها.

تعمل المعادن المسامية المعروفة بالزيوليتات مثل إسفنجات صغيرة ذات ثقوب بأحجام محددة بدقة. تمر عبر هذه الثقوب جزيئات من نوع واحد بينما تعلق جزيئات أخرى — وهذا أساس تنقية المياه وفصل الغازات والتحفيز في البتروكيماويات. لكن ابتكار زيوليت جديد على الورق أسهل بكثير من زراعته في المختبر: يجب أن تتوفر عشرات الشروط الدقيقة للبلورة.

في كاشف المصادم، يترك كل تصادم بروتونات أثرًا من عشرات الجسيمات، مثل رذاذ الماء المتطاير عند رمي حجر في بركة. فهم هذا الرذاذ ومعرفة ما حدث بالضبط لحظة الاصطدام مهمة لم يعد الإنسان قادرًا على إنجازها بمفرده. تأتي الشبكات العصبية للإنقاذ، وEveNet واحدة من أكثرها طموحًا: فقد دربت على 500 مليون تصادم محاكى. تنظر EveNet إلى كل حدث كسحابة من الجسيمات: لكل جسيم اتجاه وطاقة ونوع معروف.

التصوير المقطعي المحوسب يشبه الأشعة السينية التي تلتقط مئات الصور من زوايا مختلفة ثم تجمعها في صورة ثلاثية الأبعاد للجسم. لكن كل صورة تعني جرعة صغيرة من الإشعاع، ويحتاج الأطباء إلى معرفة مقدار ما يتلقاه كل عضو. حاليًا، غالبًا ما يُقدَّر هذا بشكل تقريبي باستخدام جداول متوسطة، وليس بناءً على حالة المريض نفسه.

السكين السويسري بسيط: هيكل واحد، شفرات متعددة، كل شفرة لمهمتها. تسحب ما تحتاجه وتعمل. في علم المواد، ظلت الشبكات العصبية الرسومية لفترة طويلة تشبه أدوات متناثرة: MEGNet في درج TensorFlow، وM3GNet في درج PyTorch، وCHGNet في صندوق منفصل ببرامجه الخاصة. لنقل نموذج إلى بيانات جديدة أو مقارنة البنى، كان عليك ابتكار محولات. مكتبة MatGL تجمع هذه الشفرات في هيكل واحد.