شبكات كولموغوروف–أرنولد تبلغ مستوى MLP بعدد عيّنات أقل بنسبة 40%

اختبر باحثون نشروا الورقة 2610.10627 على arXiv حجم البيانات التي تحتاجها شبكات كولموغوروف–أرنولد (KAN) في التعلّم المعزَّز. والنتيجة: تحتاج KAN إلى بيانات أقل بنسبة 40% مما يحتاجه البيرسبترون متعدد الطبقات (MLP)، إذا كان الهدف بلوغ جودة مماثلة. وخلال التدريب بلغ المكسب النسبي لـ KAN نحو 50%. أُجريت التجارب على مجموعة بيانات Feynman ومعيار Gymnasium، ولم يُلغِ الضجيج في المكافآت هذه الأفضلية.

لماذا تُعدّ العيّنات العملة الرئيسية في RL

يتفوق التعلّم المعزَّز العميق منذ مدة على أساليب التحكم الكلاسيكية. لكنه يصطدم في الأنظمة الواقعية بتكلفة الخبرة. فكل عيّنة تعني دقائق أو ساعات من عمل الروبوت، وتآكلاً في أجزائه الميكانيكية، وانشغالاً لمنصة الاختبار، وخطر عطل. المحاكيات أرخص، لكن الفجوة بين المحاكاة والواقع تظل بحاجة إلى بيانات حيّة لسدّها. لذلك فإن الطريقة التي تبلغ النتيجة المطلوبة بعدد أقل من التفاعلات مع البيئة أثمن من طريقة تزيد المكافأة القصوى.

اقتُرحت KAN عام 2024. وتستند الفكرة إلى نظرية كولموغوروف–أرنولد: فبدلاً من دوال التنشيط الثابتة في العُقد، تتعلم الشبكة دوالّ أحادية البعد على الحواف، وتكون عادةً على شكل منحنيات سبلاين. وسبق أن نُسبت إلى هذه الشبكات ميزتان: عدد أقل من المعاملات للمهمة نفسها، وقابلية تفسير أفضل، خصوصاً حين يلزم استعادة علاقة فيزيائية. وتضيف الدراسة الجديدة محوراً ثالثاً هو استهلاك البيانات.

ماذا قاس الباحثون وكيف

قارن المؤلفون بين KAN وMLP عبر منحنيات التعلّم. المنصة الأولى هي Feynman، وهي مجموعة مهام لاستعادة العلاقات الفيزيائية. والثانية هي Gymnasium، وهي مجموعة بيئات قياسية للتعلّم المعزَّز. واختبروا كذلك مقاومة الضجيج: فشوّهوا المكافآت بمستويات مختلفة وتحققوا من بقاء الفارق.

أبرز النتائج الواردة في الملخص:

• تتحقق جودة مماثلة بعدد عيّنات أقل بنسبة 40%؛
• يصل التحسن النسبي خلال التدريب إلى 50%؛
• تبقى الأفضلية عند مستويات ضجيج مختلفة في المكافآت؛
• المعياران: Feynman وGymnasium؛
• الشيفرة مفتوحة، والمستودع هو DerKevinRiehl/neurips26_kan_training على GitHub (ويلمّح الاسم إلى التقديم لمؤتمر NeurIPS 2026).

ما الذي لا يزال غير واضح

لا يكشف الملخص عن خوارزميات RL والبيئات التي شملتها العيّنة، ومن دون ذلك يصعب تقدير مدى انتقال النتيجة إلى مهام أخرى. أما عبارة «حتى 50%» فتصف ذروة في مراحل معيّنة من التدريب، لا متوسط المكسب. وهذه نسخة أولى من ورقة تمهيدية، ولم تخضع للمراجعة العلمية.

وثمة جانب حسابي أيضاً. فشبكات KAN ذات السبلاين على الحواف أغلى عادةً من MLP من حيث زمن خطوة التدريب الواحدة. وتوفير العيّنات لا يساوي توفير ساعات GPU، ومن المفيد في الورقة النظر في كيفية احتساب المؤلفين لذلك. وأخيراً، بُنيت مهام Feynman على علاقات فيزيائية ملساء، أي في المجال الذي تتفوق فيه KAN تاريخياً. أما التدريب من البكسلات أو في ديناميكيات شديدة الانقطاع، فيجب التحقق من انتقال المكسب إليها بشكل منفصل.

ماذا تفعل الفرق عملياً

من تكلّفهم الخبرة كثيراً، مثل العاملين في الروبوتات وإدارة المعدات والعمليات الصناعية، فمن المنطقي أن يجرّبوا KAN بديلاً عن MLP في السياسة (policy) أو الناقد (critic) على مهمتهم الخاصة. الشيفرة مفتوحة، فتستغرق المقارنة أياماً لا أشهراً.

يجب أن يكون الحساب بالمال: تكلفة العيّنة الواحدة مقابل تكلفة الحوسبة اللازمة للتدريب. فإذا كانت العيّنة من منصة اختبار حقيقية أغلى من ساعات GPU بأضعاف مضاعفة، فإن KAN تُعوّض كلفتها حتى لو كانت بطيئة. وإذا كانت البيئة تُحاكى بتكلفة شبه معدومة، فالأفضلية مشكوك فيها. وهناك ميزة إضافية هي قابلية التفسير: يمكن تصوير منحنيات السبلاين المتعلَّمة والتحقق من اتساقها مع فيزياء النظام، وهو أمر مفيد عند اعتماد خوارزميات التحكم. ولا تتعلق النتيجة مباشرةً بنماذج LLM، فهي تخص نماذج التحكم المدمجة.