الاسترخاء العشوائي وتوزيعات غيبس والاستعادة البايزية للصور

عندما تلتقط الكاميرا مشهداً ما، يتسلّل التشويش إلى كل بكسل في الصورة. النتيجة أنّ الصورة المُلاحَظة $y$ هي نسخة مشوَّهة من الصورة الأصلية $x$: قد تكون العلاقة بسيطة مثل $y = x + \text{تشويش}$، أو أكثر تعقيداً وتتضمن تمويهاً وتشوّهاً غير خطي. السؤال المطروح: إذا كان لدينا $y$، كيف نسترجع $x$؟

هذه مسألة عكسية غير محدّدة المعالم — أي أنّ صوراً نظيفة كثيرة كان يمكن أن تُنتج الملاحَظة $y$ نفسها. لاختيار الأفضل بينها نحتاج إلى مكوّنين من الاستدلال البايزي:

• المُسبق $P(x)$ — كيف تبدو الصور النظيفة في العادة؟ البكسلات المتجاورة تميل إلى التشابه، والحواف الحادة قليلة نسبياً.

• الإمكان $P(y|x)$ — لو كانت الصورة النظيفة هي $x$، ما احتمال أن نحصل على الصورة المشوَّشة $y$ التي نراها؟

مبرهنة بايز تدمج هذين المكوّنين في التوزيع البَعدي $P(x|y) \propto P(y|x) \, P(x)$. أفضل استعادة ممكنة هي الصورة $x$ التي تُعظِّم هذا التوزيع البَعدي، وهو ما يُعرف بتقدير الأرجحية القصوى البَعدية (MAP).

لكنّ التحدي الحقيقي يكمن في حجم الفضاء: صورة بأبعاد 256×256 بكسل و256 مستوى رمادي تُنتج فضاءً من الصور الممكنة حجمه $256^{65536}$ حالة. لا توجد خوارزمية قادرة على فحصها جميعاً. ما نحتاجه هو طريقة لاستكشاف هذا الفضاء بكفاءة، يقودها التوزيع البَعدي. وهنا بالضبط يظهر دور توزيع غيبس وعيّنة غيبس.

الفكرة الجوهرية الأولى في الورقة هي الكشف عن رابط عميق بين عالَمين يبدوان مختلفين تماماً.

العالم الأول: حقول ماركوف العشوائية — وهي أسلوب لنمذجة الصور بحيث تعتمد قيمة كل بكسل على جيرانه المباشرين فقط، لا على بكسلات بعيدة. وهذا نموذج طبيعي جداً للصور: هل البكسل فاتح أم داكن؟ الإجابة في الغالب تتحدّد بما يحيط به مباشرة.

العالم الثاني: توزيعات غيبس القادمة من الفيزياء الإحصائية — وهي توزيعات احتمالية على تشكيلات نظام ما، تُعرَّف من خلال دالة طاقة. الفكرة مستوحاة من الفيزياء: ذرّات البلّورة ترتّب نفسها لتقليل الطاقة، والتشكيلات منخفضة الطاقة (الشبكات البلورية المنتظمة) أكثر احتمالاً بفارق أُسّي مقارنةً بالتشكيلات عالية الطاقة (الحالات المضطربة).

مبرهنة هامرسلي-كليفورد أثبتت أنّ هذين العالَمين هما في الحقيقة شيء واحد: كل حقل ماركوف عشوائي يقابله توزيع غيبس والعكس صحيح. النتيجة العملية لهذا التكافؤ أننا نستطيع تصميم نماذج للصور بمجرد كتابة دالة طاقة — وهذا أسهل بكثير وأكثر بديهية من محاولة تحديد الاحتمالات الشرطية لكل بكسل على حدة.

تصوّر الأمر كأنك تنظر إلى تضاريس جغرافية: دالة الطاقة ترسم تلالاً ووديان فوق فضاء جميع الصور الممكنة. كل وادٍ يمثّل صورة معقولة. توزيع غيبس يُحدّد لك احتمال كل نقطة في هذه التضاريس — كلما كان الوادي أعمق ازداد احتمال التشكيلة المقابلة. أما الحرارة فهي تتحكّم في مدى حدّة تمركز الاحتمال في الوديان: عند حرارة مرتفعة يتجوّل النظام بحرّية في كل مكان، وعند حرارة منخفضة يستقرّ في أعمق الوديان.

تُبنى الطاقة $U(x)$ من مساهمات محلية صغيرة تُسمّى جهود الزُّمَر. والزُّمرة هي مجموعة بكسلات كلّها جيران لبعضها البعض — وفي أبسط صورها مجرد زوج من بكسلين متلاصقين.

في سياق استعادة الصور، تتكوّن الطاقة من شقّين:

• طاقة المُسبق — تُعاقب التشكيلات التي لا تبدو كصور طبيعية. مثال بسيط: $\sum_{\text{جيران } i,j} (x_i - x_j)^2$. هذا الحدّ يُعاقب الفروق الكبيرة بين الجيران، فيدفع الصورة نحو النعومة. نماذج أكثر تقدماً تُضيف حدوداً تحفظ الحوافّ وتسمح بانتقالات حادة بين المناطق.

• طاقة البيانات — تُعاقب التشكيلات التي تبتعد عن الصورة المُشوَّشة المرصودة. الشكل المعتاد: $\sum_i (y_i - x_i)^2$ في حالة تشويش غاوسي تجميعي.

الطاقة الكلية $U(x) = \text{طاقة المسبق} + \lambda \cdot \text{طاقة البيانات}$ تُحقّق التوازن بين النعومة والأمانة للبيانات. المُعامل $\lambda$ هو من يتحكّم في هذه المقايضة: قيمة كبيرة لـ $\lambda$ تعني ثقة أكبر بالبيانات، وقيمة صغيرة تعني اتّكالاً أكبر على المُسبق.

أناقة عيّنة غيبس تكمن في بساطتها. إذا أردت سحب عيّنة من توزيع مشترك معقّد $P(x_1, x_2, \ldots, x_n)$، لا يلزمك أن تعرف هذا التوزيع كاملاً دفعة واحدة. يكفي أن تعرف كيف تسحب قيمة لكل متغير بشرط تثبيت بقية المتغيرات.

تمرّ الخوارزمية على جميع البكسلات واحداً تلو الآخر. عند كل بكسل $x_i$:

• ثبّت جميع البكسلات الأخرى عند قيمها الحالية.

• احسب التوزيع الشرطي $P(x_i \mid x_{\text{الجيران}})$ — وبفضل خاصية ماركوف هذا التوزيع يعتمد على الجيران فقط.

• اسحب قيمة جديدة لـ $x_i$ من هذا التوزيع الشرطي.

حين تمرّ على كل بكسل مرة واحدة تكون قد أتممت مسحة كاملة، أي تكرارة واحدة. والمبرهنة الأساسية تقول: كلما زاد عدد المسحات، تقارب توزيع التشكيلة بأكملها نحو التوزيع المشترك المستهدف $P(x)$. بمعنى آخر، كل مسحة تُقرّب الصورة من كونها عيّنة حقيقية من التوزيع البَعدي.

عيّنة غيبس عند حرارة ثابتة تُولّد عيّنات من التوزيع البَعدي — وهذا مفيد لحساب المتوسّطات وتقدير حالة عدم اليقين. لكنّ جيمان وجيمان كانا يريدان شيئاً آخر لاستعادة الصور: الصورة الأفضل على الإطلاق، أي تقدير MAP. وهذه مسألة أمثَلة لا مسألة أخذ عيّنات.

الحيلة مستوحاة من الفيزياء: التلدين المحاكي. عند حرارة عالية، يكون توزيع غيبس شبه منتظم فيتجوّل المُعيّن بحرّية ويستكشف الفضاء. ومع انخفاض الحرارة تدريجياً يتركّز الاحتمال على الحالات الأقل طاقةً. وحين تقترب $T$ من الصفر يتجمّع كل الاحتمال في النهاية الصغرى الشاملة.

الشرط الأساسي هو أنّ التبريد يجب أن يكون بطيئاً بما يكفي. أثبت جيمان وجيمان أنّه إذا انخفضت الحرارة وفق $T(t) = c / \log(1 + t)$ حيث $c$ ثابت كبير بدرجة كافية، فإنّ الخوارزمية تتقارب نحو الحل الأمثل الشامل باحتمال 1. كان هذا أول ضمان تقارب صارم للتلدين المحاكي على مسألة عامة.

من الناحية العملية، الجدول اللوغاريتمي بطيء للغاية. لذلك يستخدم الممارسون عادةً تبريداً أسرع (أُسّياً أو خطياً) ويقبلون بحلول تقريبية — وهي في الغالب حلول ممتازة. لكنّ قيمة الضمان النظري تبقى كبيرة لأنه أثبت أنّ الأساليب العشوائية قادرة على حلّ مسائل الأمثَلة الشاملة في فضاءات توافقية، وهذه نتيجة امتدّ أثرها إلى علم الأمثَلة في كل فروع الحوسبة.

عيّنة غيبس هي في جوهرها حالة خاصة من خوارزمية ميتروبوليس-هيستينغز. كلتاهما من طرق مونت كارلو بسلاسل ماركوف، وتبنيان سلسلة ماركوف توزيعها المستقر هو التوزيع المستهدف. الفرق بينهما يكمن في طريقة اقتراح التحديثات:

• ميتروبوليس-هيستينغز تقترح تغييراً عشوائياً ثم تقرّر قبوله أو رفضه بناءً على نسبة القبول. كل رفض يعني هدر حسابات — السلسلة تبقى مكانها دون تقدّم.

• عيّنة غيبس تسحب مباشرة من التوزيع الشرطي الدقيق، لذا كل اقتراح يُقبَل تلقائياً. لا خطوات مهدورة ولا حاجة لضبط توزيع الاقتراحات.

أما المقايضة فهي أنّ عيّنة غيبس تشترط قدرتك على حساب كل توزيع شرطي $P(x_i \mid x_{-i})$ والسحب منه — وهذا سهل في حقول ماركوف العشوائية بفضل خاصية ماركوف، لكنه صعب في نماذج لا تتمتع بترافق شرطي. في المقابل، ميتروبوليس-هيستينغز تعمل مع أي نموذج طالما تستطيع حساب نسبة الكثافة.

تقوم الورقة على نتيجتَي تقارب أساسيتين:

إرغودية عيّنة غيبس. عند أي حرارة ثابتة $T > 0$، تكون سلسلة ماركوف الناتجة عن عيّنة غيبس إرغودية — بمعنى أنها تستطيع الانتقال من أي تشكيلة إلى أي تشكيلة أخرى. يترتّب على ذلك أنّ لها توزيعاً مستقراً وحيداً هو بالضبط توزيع غيبس. وبعد عدد كافٍ من المسحات تصبح العيّنات ممثّلة بأمانة لـالتوزيع البَعدي.

تقارب التلدين. إذا انخفضت الحرارة ببطء كافٍ — تحديداً $T(t) \geq c / \log(1+t)$ حيث $c$ ثابت مرتبط بارتفاع حواجز الطاقة — فإنّ احتمال وجود النظام في نهاية صغرى شاملة يتقارب نحو 1. المُعيّن هنا لا يكتفي بالاستكشاف: مع التلدين يتحوّل إلى أداة أمثَلة.

حين نضع النتيجتين معاً يتّضح أنّ عيّنة غيبس تمنحنا عيّنات صحيحة من التوزيع البَعدي (وهذا ما نحتاجه في الاستدلال البايزي)، وحين نُضيف إليها التلدين تمنحنا الحل الأمثل الشامل (وهذا ما نحتاجه لتقدير MAP).

أثر هذه الورقة يتجاوز استعادة الصور بمراحل. أصبحت عيّنة غيبس المحرّك الحسابي الذي يقف وراء الاستدلال البايزي في آلاف التطبيقات. في كل مرة يبني فيها باحثٌ نموذجاً هرمياً أو يُشغّل نموذج موضوعات أو يُجري تعلّماً بنيوياً بايزياً، فإنه يستند إلى الأساس الذي وضعه جيمان وجيمان عام 1984.