شبكة عصبية بثلاث طبقات تكشف أسرارها: كيف تسعى "سامبات" لجعل الذكاء الاصطناعي قابلاً للفهم

فكرة أن تشرح الشبكة العصبية نفسها بمعادلة جبرية صريحة، بدلاً من أن تبقى صندوقاً أسود مليئاً بالأوزان (Weights) غير المفهومة، هي جوهر "سامبات" (SAMPAT)، وهي بنية جديدة جاء وصفها التفصيلي في ورقة بحثية نُشرت على أرشيف الأبحاث (arXiv) بتاريخ 10 يوليو 2026. الاسم اختصار لعبارة "التقريب السلس عبر كثيرات الحدود متعددة المتغيرات والتحويلات التحليلية" (Smooth Approximation via Multivariate Polynomials and Analytic Transformations)، ويؤكد الباحثون أن أداءها يوازي نماذج أكثر تعقيداً بكثير، مع الحفاظ على شفافية كاملة في كل ما تحسبه.

تقوم البنية الأساسية على شبكة من ثلاث طبقات فقط. تشير الورقة إلى أن طبقتين تكفيان لإنجاز عدد كبير من المهام، بينما يسمح إضافة وصلات القفز (Skip Connections) والتوسع إلى أربع أو ست طبقات لـ"سامبات" بتمثيل نطاق واسع من الأساليب المستخدمة حالياً في الذكاء الاصطناعي وتعلم الآلة. هذه المرونة هي جوهر الفكرة المطروحة: فالباحثون لا يقدمون نموذجاً ضيقاً واحداً، بل إطاراً عاماً يمكن ضبط عمقه وترابطه الداخلي بحسب تعقيد المشكلة المطروحة.

ما الذي يجعلها قابلة للتفسير؟

على عكس الشبكات العميقة (Deep Networks) التقليدية، التي يصعب فك تمثيلاتها الداخلية بشكل معروف، يمكن كتابة مخرجات "سامبات" كتعبير جبري وتحليلي مكثف ومباشر. هذا يعني أن الدالة التي يتعلمها نموذج "سامبات" المدرَّب لا تُقارَب تقريبياً فقط، بل يمكن قراءتها كصيغة رياضية واضحة. تزعم الورقة أن هذا يمنح البنية قابلية تفسير كاملة (Interpretability)، وهي خاصية تزداد أهميتها يوماً بعد يوم، في وقت تطالب فيه الجهات التنظيمية والشركات بأنظمة ذكاء اصطناعي يمكن تدقيق قراراتها وتفسيرها، لا التعامل معها كتنبؤات غامضة المصدر.

من الناحية الرياضية، يبيّن الباحثون أن "سامبات" قادرة على توليد أنواع متعددة من التقريبات (Approximants)، تشمل كثيرات الحدود العادية والمثلثية (Trigonometric Polynomials)، والتعبيرات النسبية (Rational Expressions)، ودوال غاوس (Gaussians) ومزائجها. كما يقدمون ضماناً رياضياً صريحاً: يمكن لـ"سامبات" أن تتعلم دالة مستمرة وقابلة للتفاضل في كل نقطة، وقادرة على تقريب أي دالة سلسة (Smooth Function) بدرجة دقة اختيارية. هذا يضع البنية في نفس الإطار النظري لنتائج التقريب العام (Universal Approximation) التي استُخدمت طويلاً لتبرير قوة التعلم العميق، لكن بمخرجات صريحة يمكن للإنسان قراءتها، لا بمخرجات ضمنية مغلقة.

أين يمكن تطبيقها؟

إلى جانب دورها كأداة عامة لتقريب الدوال، تشير الورقة إلى استخدامات أكثر تحديداً، من أبرزها تفكيك كثيرات الحدود (Polynomial Factorization) ونمذجة الأنظمة الديناميكية غير الخطية (Nonlinear Dynamical Systems). كلا المجالين يعتمد بشكل كبير على الحلول الصريحة والمباشرة (Closed-form Solutions)، سواء في الحوسبة الرمزية، أو أنظمة التحكم، أو النمذجة العلمية حيث يكون فهم المعادلة الكامنة خلف النتيجة لا يقل أهمية عن النتيجة نفسها.

ويدعم الباحثون تصريحاتهم بتجارب أُجريت على مجموعات بيانات تركيبية ومعيارية، أظهرت أن "سامبات" تحقق نتائج تنافسية باستخدام تمثيلات أبسط بكثير من نماذج الصندوق الأسود التقليدية. صُنّفت الورقة تحت أربعة تخصصات في أرشيف الأبحاث: تعلم الآلة، والذكاء الاصطناعي، ورؤية الحاسوب والتعرف على الأنماط (Computer Vision and Pattern Recognition)، والتحليل الدالي (Functional Analysis)، ما يعكس هويتها المزدوجة كنموذج تطبيقي وإسهام رياضي رصين في الوقت نفسه. وفي مجال يخضع لتدقيق متزايد بشأن غموض أقوى أنظمته، فإن بنية مصممة من الأساس لتكون واضحة ومقروءة قد تحمل ثقلاً يتجاوز نتائجها على المعايير القياسية بكثير.