باحث في مايكروسوفت ومتعاون معه يجمعون أفكارًا رياضية جديدة مع ذكاء اصطناعي موجَّه بشريًا لحلّ مشكلة مركزية في الهندسة والاحتمالات عالية الأبعاد
نظرة سريعة
- اختراق علمي أساسي: حلّ الباحثون فرضية كانان-لوفاس-سيمونوفيتس (KLS)، وهي مشكلة عمرها 31 عامًا يُنظر إليها على نطاق واسع باعتبارها واحدة من الأسئلة المفتوحة المركزية في الهندسة عالية الأبعاد، ولها آثار على الإحصاء والتحسين والخوارزميات وعلوم الحاسوب.
- مبدأ هندسي شامل: يُرسيّ النتيجة مبدأً هندسيًا شاملًا للتوزيعات اللوغاريتمية المقعرة، موضحًا أن القطوع المستوية البسيطة يمكنها التقاط أضيق اختناقاتها ضمن عامل ثابت، بغض النظر عن البُعد.
- تعاون الإنسان والذكاء الاصطناعي: ظهر هذا الاختراق من عملية بحث وكيلية موجَّهة بشريًا استكشف فيها أنظمة الذكاء الاصطناعي الإمكانيات الرياضية بينما قيّم الباحثون نتائجها وقلّصوها وأعادوا توجيه البحث.
- تأكيد مستقل: تحقق باحثون مستقلون متعددون من صحة هذا البحث، محددين معيارَه المركزي بوصفه الاختراقَ الرئيسي، تلا ذلك تحقق رسمي مُتحقق منه آليًا.
منذ عقود، ظلّ سؤال جوهري حول صعوبة الحساب في الفضاءات عالية الأبعاد يقاوم الإثبات. ويحلّ البحث الجديد هذا السؤال، مزيلًا عقبة نظرية كبرى في طريق فهم كفاءة الخوارزميات العشوائية المستخدمة في العلوم والحوسبة.
طُرحت فرضية كانان–لوفاس–سيمونوفيتس (KLS) عام 1995. وهي تسأل عما إذا كان، لمجرد واسع من التوزيعات الاحتمالية عالية الأبعاد، القطعُ المستوي أو القطعُ بمستوٍ فائق أفضلَ القطوعِ من أي شكل تقريبًا. وبعبارة أدق، تتنبأ KLS بأن الاثنين لا يختلفان بأكثر من ثابت شامل، بغض النظر عن عدد الأبعاد. هذا من شأنه أن يرسيّ مبدأً هندسيًا مستقلًا عن البُعد له آثار مهمة على الهندسة عالية الأبعاد والاحتمالات وعلوم الحاسوب النظرية. ولأن هندسة هذه القطوع تحكم مدى سرعة استكشاف التجوالات العشوائية للتوزيع، تلعب KLS أيضًا دورًا مركزيًا في نظرية المعاينة عالية الأبعاد.
منذ عام 1995، تراكمت لدى الرياضيين أدلة على صحة الفرضية، لكن الإثبات الكامل ظل بعيد المنال. والآن، أنجز باحثان، من بينهما شين تشي زانغ من مجموعة تعلم الآلة والتحسين في Microsoft Research، إثبات فرضية KLS (يفتح في علامة تبويب جديدة). لقد أظهرا أن العلاقة تنطوي بحدٍّ ثابت، بغض النظر عن عدد أبعاد الشكل. وقبل هذا العمل، كانت أفضل نتيجة معروفة (يفتح في علامة تبويب جديدة)، التي أُثبتت في يوليو 2026، تسمح بنمو هذا الحد ببطء مع ازدياد عدد الأبعاد. يرسيّ هذا العمل مبدأً هندسيًا أساسيًا: الفضاءات عالية الأبعاد أفضل سلوكًا مما كان معروفًا سابقًا، والعوائق أمام التنقل فيها لا تنمو بلا حدود مع ازدياد الأبعاد.
كانت أهمية فرضية KLS معترفًا بها في جميع أنحاء المجال العلمي قبل حلّها بوقت طويل. في تقريره السنوي لعامي 2017-18، وصفها معهد العلوم الرياضية للأبحاث (MSRI) (يفتح في علامة تبويب جديدة) بـ"المسألة المفتوحة المركزية في الهندسة المحدبة عالية الأبعاد". وصفها معهد سيمونز (يفتح في علامة تبويب جديدة) بـ"واحدة من أهم المسائل المفتوحة في الهندسة المحدبة". وفي أعمال المؤتمر الدولي لعلماء الرياضيات لعام 2022 (ICM) (يفتح في علامة تبويب جديدة)، أشار رونين إلدان إلى آثارها الواسعة على الهندسة المحدبة والحسابية عالية الأبعاد. وكتبت مجلة كوانتا (يفتح في علامة تبويب جديدة) أن KLS "تقع في قلب أسئلة كثيرة في الإحصاء وعلوم الحاسوب".
تفاصيل تقنية
بدأ المؤلفون بتحسين نتيجة يوليو 2026 من أجل جعل الحد الرياضي أكثر دقة. وبالعمل مع وكلاء ذكاء اصطناعي في عملية منظمة وموجَّهة بشريًا، استكشفوا أكثر من 100 نهج مرشح، كثير منها تضمن حسابات طويلة بمتعددات حدود من رتب عليا. وأسفر ذلك عن معيار رياضي جديد أصبح أساس الإثبات النهائي.
ثم اكتشف المؤلفون أن المعيار الجديد يمكن تطبيقه تكراريًا. فكل حدود مُحسَّنة كان يمكن إعادتها إلى الحجة نفسها لإنتاج حد أدغن منها. وفي نسخة الورقة بتاريخ 1 أكتوبر 2026، قلّل هذا من الاعتماد على البُعد إلى اللوغاريتم المُكرَّر. وهذه الدالة تنمو ببطء استثنائي، لكنها تظل تنمو مع البُعد، ولذلك لم تُحلّ التخمين بعد بشكل كامل.
كانت الخطوة الأخيرة هي تكرار التحسين التكراري بأكمله، بدلًا من تطبيقه مرة واحدة فقط. جاءت هذه الفكرة مستوحاة من عمل المؤلفين السابق حول الخوارزميات السريعة للبرمجة الخطية. أثبت المؤلفون أن الأخطاء الصغيرة المُدخلة في كل مرحلة تتقلص بسرعة كافية بحيث يبقى مجموعها محدودًا بثابتة شاملة، مستقلة عن البُعد. أدى ذلك إلى إزالة الاعتماد على عدد الأبعاد وأكمل البرهان في نسخة 4 أكتوبر 2026 من الورقة البحثية.
الطريقة التكرارية، وتطبيقها المتكرر، وبرهان بقاء الأخطاء المتراكمة محدودة هي مساهمات أصلية للباحثين. ساعدت أدوات الذكاء الاصطناعي في استكشاف المقاربات المرشحة، وتنفيذ الاشتقاقات التفصيلية، وإعداد المخطوطة، وإجراء فحوصات داخلية للبرهان. أما الباحثون فقد حددوا الاتجاه الرياضي، واختاروا الأفكار الواعدة، وجمعوها في الحجة النهائية، وتحققوا من صحة البرهان.
تأكيد مستقل
وفي اليوم نفسه الذي نشر فيه المؤلفون برهانهم الكامل، نشرت مجموعة منفصلة من كبار الخبراء برهانًا كاملًا (يفتح في علامة تبويب جديدة) طوّروه بالتوازي. بُني عملهم على النتائج الواردة في النسخة الأولى (يفتح في علامة تبويب جديدة) من ورقة مايكروسوفت، واصفين إياها بأنها "الخطوة الحاسمة في البرهان". أما البرهان الثالث (يفتح في علامة تبويب جديدة) الذي ظهر بشكل منفصل في اليوم نفسه فيعتمد على فكرة وثيقة الصلة. إضافة إلى ذلك، تم إصدار صيغة رسمية باستخدام Lean 4 (يفتح في علامة تبويب جديدة) لاحقًا، تجمع بين المعيار الرئيسي من الورقة الأولى لمايكروسوفت وأبحاث إضافية.
تُعد البراهين المستقلة من أقوى أشكال التحقق في الرياضيات لأنها تثبت أن النتيجة لا تستند إلى سلسلة استدلال واحدة. وقد يعزز الظهور اللاحق لمقاربات بديلة والتحقق الرسمي الثقة بأن المجال قد كشف عن مبدأ أساسي حقيقي وليس حجة تقنية هشة. كما قصّر المؤلفون برهانهم وتحققوا من الحجة المبسّطة في Lean؛ ويخططون لإصدار كليهما بعد المراجعة النهائية. معًا، توفر هذه التطورات أشكالًا متكاملة من التأكيد.
التوجيه البشري–الآلي
في عملية برهنة KLS، يُظهر هذا البحث أيضًا قوة قيام الباحثين بتوجيه الذكاء الاصطناعي بدلًا من مجرد مطالبة الذكاء الاصطناعي بحل مشكلة معقدة من خلال تشغيل واحد من البداية إلى النهاية لنموذج أو وكيل رائد. استخدم المؤلفون عملية بحث وكيلة مع "تقليم" تكراري بمساعدة بشرية: فبينما استكشف عدة وكلاء تنويعات لفكرة بالتوازي، فحص الباحث نتائجهم الوسيطة، واستبعد الاتجاهات غير الواعدة، ومرر النتيجة الأكثر وعدًا إلى الجولة التالية. واستُكشفت نحو مئة مسار بحثي قبل ظهور الاختراق الرئيسي.
وفي مسار منفصل من المشروع، حاول المؤلفون مرارًا وبدون توجيه حل المشكلة نفسها باستخدام عدة نماذج ذكاء اصطناعي رائدة، مستخدمين ميزانية رموز إجمالية تقارب ميزانية العملية الرئيسية. لكن ذلك الجهد قصر عن الهدف. ويعود النجاح النهائي إلى قدرات أنظمة الذكاء الاصطناعي والحكم الرياضي للباحثين معًا.
الخاتمة
وبشكل جماعي، فإن حل KLS يحسم مشكلة مركزية في الهندسة عالية الأبعاد. ويمكن الآن التعبير عن مجموعة واسعة من النتائج التي كانت تعتمد سابقًا على هذه التخمين كافتراض بشكل غير مشروط. ويوفر البرهان بالتالي أساسًا أقوى للأبحاث في الهندسة المحدبة والاحتمالات وعلوم الحاسوب النظرية.
كما يُظهر العمل كيف يمكن للتعاون الموجه بعناية بين الإنسان والذكاء الاصطناعي أن يسهم في اكتشاف علمي حقيقي مع تعزيز البصيرة البشرية بدلًا من استبدالها. ويبرز العمل الأهمية المستمرة للحكم العلمي في تحديد الاتجاهات الواعدة، وإدراك الروابط المفاهيمية، ورؤية متى تشير بصيرة جزئية نحو نتيجة أعمق. ويعمل المؤلفون الآن على تبسيط البرهان وتوسيع تحققه الرسمي حتى تتمكن مجتمعات الرياضيات وعلوم الحاسوب النظرية من فحص النتيجة والبناء عليها بسهولة أكبر.
شكر وتقدير
شكرًا لمؤلفنا المشارك تشاو سونغ (Zhao Song) على إسهاماته في هذا العمل، ولكلٍّ من فيكتور رايس (Victor Reis) (يفتح في علامة تبويب جديدة) و إيشاي مناشه (Ishai Menache) على المناقشات المفيدة طوال المشروع.
ظهرت تدوينة حل تحدٍّ رياضي كبير عمره 31 عامًا – تخمين KLS أول مرة على مايكروسوفت ريسيرش.