في مجال تعلم الآلة، كانت معالجة البيانات المتماثلة تمثل تحدياً دائماً، لأن النماذج التقليدية قد لا تتمكن من التعرف بدقة على نفس الجسم بعد الدوران أو التحويل. قدم باحثو MIT بحثاً جديداً يقترح طريقة مبتكرة لمعالجة البيانات المتماثلة في تعلم الآلة. يقترح البحث طريقة تعلم آلة ثبت فعاليتها من حيث الحجم الحسابي وكمية البيانات المطلوبة، وهي الأولى التي تضمن دقة النموذج عند معالجة البيانات المتماثلة.

توجد البيانات المتماثلة على نطاق واسع في العلوم الطبيعية والفيزياء، مثل هياكل الجزيئات أو تغيرات مواقع الأجسام في الصور. قد تنخفض دقة نماذج تعلم الآلة التقليدية عند مواجهة هذه البيانات بسبب عدم قدرتها على التعرف على تماثلها. من خلال التقييم النظري، استكشف فريق MIT التوازن بين الإحصاء والحوسبة في تعلم الآلة للبيانات المتماثلة، وصمم خوارزمية فعالة. تستعير هذه الخوارزمية أفكاراً من الجبر والهندسة، وتدمجها في مشكلة تحسين، مما يبسط عملية معالجة البيانات المتماثلة. قال المؤلف الرئيسي المشارك بهروز طهماسبي: "لقد أثبتنا الآن أن تعلم الآلة باستخدام البيانات المتماثلة أمر ممكن." لا تقلل هذه الخوارزمية فقط من كمية عينات البيانات اللازمة للتدريب، بل تحسن أيضاً دقة النموذج وقدرته على التكيف مع التطبيقات الجديدة.

لا يقدم هذا البحث إجابات للمشكلات الأساسية فحسب، بل يفتح أيضاً طرقاً جديدة لتطوير نماذج تعلم آلة أقوى. ستُطبق هذه النماذج على نطاق واسع في مجالات مثل اكتشاف مواد جديدة، والتعرف على الشذوذ الفلكي، وكشف أنماط المناخ المعقدة. أضاف المؤلف الأول المشارك أشكان سليماني: "بمجرد فهمنا الأفضل لمبادئ معالجة البيانات المتماثلة، يمكننا تصميم هياكل شبكات عصبية أكثر تفسيراً وقوة وكفاءة." عُرض البحث في مؤتمر التعلم الآلي الدولي (ICML 2025) الذي عُقد في فانكوفر من 13 إلى 19 يوليو، ونُشر على خادم النسخ المسبقة arXiv.