السَّمْت

التحسين1805تأسيسي9 دقيقة قراءة

طُرُق جديدة لتحديد مدارات المذنّبات (طريقة المربعات الصغرى)

Nouvelles méthodes pour la détermination des orbites des comètes (Method of Least Squares)

Legendre, A.-M. — Firmin Didot, Paris

المشكلة

كان الفلكيّون يرصدون المذنّبات ويسجّلون مواقعها عبر الزمن، لكن كل قياس يأتي محمَّلاً بنسبة من الخطأ — اهتزاز المنظار، تشوّهات الغلاف الجوي، عدم دقّة الراصد البشري. المشكلة أن عدد القياسات أكبر بكثير من عدد المجاهيل التي تصف المدار، فيصبح ولا يقبل حلاً دقيقاً واحداً يرضي جميع القياسات في آنٍ واحد. قبل لوجاندر، لم تكن هناك طريقة منهجية عامة تُمكِّن العلماء من استخلاص أفضل قيم ممكنة للمعاملات من منظومة معادلات مُشوَّشة ومُفرطة التحديد.

الإسهام

اقترح لوجاندر فكرة بسيطة وفعّالة: خُذ الفرق بين كل قيمة متوقعة وقيمتها المرصودة، ربِّع هذا الفرق، ثم اجمع كل المربعات — واختر المعاملات التي تجعل هذا المجموع أصغر ما يمكن. حين نساوي المشتقات الجزئية بالصفر نحصل على ما يُعرف ، وهي نظام معادلات خطية يمكن حلّه مباشرةً بالجبر. بهذا حلّت وصفة حسابية واضحة محلّ التقدير الشخصي الذي كان يختلف من عالِم لآخر.

الأثر

المربعات الصغرى هي الركيزة التي بُني عليها الانحدار الإحصائي الحديث، وهي الجَدّ المباشر لدوال الخسارة التي تُدرَّب بها كل شبكة عصبية اليوم. متوسط الخطأ التربيعي الذي يصغّره الانتشار العكسي في 2026 هو نفس فكرة مجموع مربعات البواقي التي نشرها لوجاندر عام 1805 لحساب مدارات المذنّبات. في كل مرة تسمع عبارة «صغِّر الخسارة»، فأنت تسمع صدى هذه الورقة البحثية.

تخيّل أنك خيّاط تصنع بدلةً لزبون لم تقابله من قبل. خمسة من أصدقائك خمّنوا قياس صدره: 98 سم، 101 سم، 99 سم، 103 سم، 100 سم — لا يتّفق اثنان منهم، ولا يمكنك سؤال الزبون مباشرة.

طريقة تقول: اختر الرقم الذي يجعل مجموع مربعات الفروقات بينه وبين كل تخمين أصغر ما يمكن. يتبيّن أن هذا الرقم هو المتوسط — 100.2 سم — وبدلة مبنيّة على هذا الرقم ستكون أفضل من الاعتماد على أي تخمين منفرد.

لوجاندر فعل الشيء ذاته تماماً، لكنه بدلاً من قياس صدر كان يحسب مدار مذنّب بأكمله، وبدلاً من خمسة أصدقاء كان لديه عشرات القراءات الفلكية.

المشكلة: قياسات كثيرة ولا حلَّ دقيق

بحلول أواخر القرن الثامن عشر، أصبح بإمكان الفلكيين رصد موقع المذنّب في عدة ليالٍ متتالية. كل رصد يُنتج معادلة تربط المدار (وهي المجاهيل) بالزاوية والزمن المقاسَين. لكن عدد القياسات كان دائماً أكبر من عدد المجاهيل، أي أن النظام كان مُفرَط التحديد.

الأسوأ من ذلك أن كل قياس يحمل نسبة من ، فيصبح النظام غير متسق أيضاً: لا يوجد طقم واحد من المعاملات يحقّق جميع المعادلات في آنٍ واحد. فكان السؤال المطروح: إذا لم يكن هناك حلٌّ مثالي، فما أفضل حلٍّ تقريبي يمكن الوصول إليه؟

قبل لوجاندر، كان الفلكيّون يعتمدون على حكمهم الشخصي — يختارون قياسَين أو ثلاثة يعتبرونها «موثوقة»، يحلّون النظام منها بدقة، ويتجاهلون الباقي. النتيجة أن فلكيَّين مختلفين كانوا يخرجون بإجابات مختلفة من البيانات نفسها. العلم كان بحاجة إلى قاعدة موضوعية قابلة للتكرار.

افتح في المختبر
ستة قياسات (النقاط البرتقالية) لا يمكن أن تقع جميعها على خط واحد. اسحب الخط وراقب كيف تتغيّر مساحات المربعات الحمراء. خط المربعات الصغرى هو الذي يجعل مجموع هذه المساحات أصغر ما يمكن.
تستيقظ التجربة عند وصولك…

الفكرة: اجعل مجموع مربعات الأخطاء أصغر ما يمكن

فكرة لوجاندر كانت بسيطة ومُحكمة: عرِّف «أفضل» المعاملات بأنها تلك التي تُصغّر رقماً واحداً — هو . هو الفرق بين القيمة التي يتنبأ بها والقيمة التي رُصدت فعلاً. نربّع كل فرق (حتى لا تتلاشى الأخطاء الموجبة مع السالبة)، ثم نجمع كل المربعات، ونختار المعاملات التي تجعل هذا المجموع أصغر ما يمكن.

لكن لماذا نربّع الأخطاء بدلاً من أخذ قيمتها المطلقة؟ ثلاثة أسباب عملية:

  • التربيع قابل للاشتقاق في كل نقطة — يمكنك استخدام التفاضل لإيجاد القيمة الدنيا مباشرةً، بينما القيمة المطلقة فيها زاوية حادة عند الصفر تُعقّد عملية .

  • التربيع يعاقب الأخطاء الكبيرة بقسوة أكبر — قياس واحد شاذّ يهيمن على المجموع ويسحب الحل بعيداً عن القيم الشاذة. الحَدس وراء ذلك أن الخطأ الكبير ليس مجرد ضِعف الخطأ الصغير في سوئه، بل هو أسوأ بنسبة غير متناسبة.

  • المعادلات الناتجة — وهي المعادلات السوية — تكون خطية، ما يعني أنه يمكن حلّها بالجبر الأساسي، بل وحتى يدوياً.

الصيغة: من الحَدس إلى الجبر

لنفترض أن لدينا nn قياساً. لكل قياس ii يتنبأ النموذج بقيمة y^i\hat{y}_i تعتمد على معاملات يمكننا ضبطها، بينما القيمة المقاسة فعلياً هي yiy_i. الفرق بينهما — أي الباقي — هو ei=yi−y^ie_i = y_i - \hat{y}_i. هدفنا هو تصغير مجموع مربعات هذه الفروقات:

S=∑i=1nei2=∑i=1n(yi−y^i)2S = \sum_{i=1}^{n} e_i^2 = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
دالة هدف المربعات الصغرى — الرقم المراد تصغيره — تقيس طريقة المربعات الصغرى مدى توافق تنبؤات النموذج مع البيانات المرصودة. ويسهم كل خطأ في التنبؤ في قيمة الهدف، لكن الأخطاء الكبيرة تُعاقَب بصورة أشد لأن قيمها تُربَّع. والغاية هي إيجاد معلمات النموذج التي تجعل الفارق الكلي بين التنبؤات والمشاهدات أصغر ما يمكن. وتمثل هذه المعلمات أفضل نموذج ملائم للبيانات وفق معيار المربعات الصغرى.

في حالة الخط المستقيم y^i=a+bxi\hat{y}_i = a + bx_i تصبح دالة الهدف S(a,b)=∑(yi−a−bxi)2S(a, b) = \sum (y_i - a - bx_i)^2. لإيجاد القيمة الدنيا، نأخذ بالنسبة لكل معامل ونساويها بالصفر:

∂S∂a=0⟹∑yi=n⋅a+b∑xi\frac{\partial S}{\partial a} = 0 \quad \Longrightarrow \quad \sum y_i = n \cdot a + b \sum x_i
المعادلة السوية الأولى — لحساب نقطة التقاطع
∂S∂b=0⟹∑xiyi=a∑xi+b∑xi2\frac{\partial S}{\partial b} = 0 \quad \Longrightarrow \quad \sum x_i y_i = a \sum x_i + b \sum x_i^2
المعادلة السوية الثانية — لحساب الميل

هاتان المعادلتان خطيّتان في aa وbb — يمكن حلّهما بالقلم والورقة. هذا كان الإنجاز العملي الحقيقي: وصفة حسابية يستطيع أي عالِم تطبيقها بشكل آلي، مهما اختلفت البيانات.

افتح في المختبر
أدخل نقاط البيانات وشاهد المعادلات السوية تتشكّل وتُحلّ لحظياً. اسحب النقاط لترى كيف يتغيّر الخط الأمثل.
تستيقظ التجربة عند وصولك…

الصياغة الحديثة: المصفوفات تختصر كل شيء

في الترميز الحديث، نرصّ كل القياسات في معادلة مصفوفية واحدة: y=Xβ+e\mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \mathbf{e}. هنا X\mathbf{X} هي (كل صف يمثّل قياساً وكل عمود يمثّل سمة)، وβ\boldsymbol{\beta} هو متجه المعاملات، وe\mathbf{e} هو متجه الأخطاء. عندها تتحوّل المعادلات السوية إلى معادلة مصفوفية واحدة مُختصرة:

β^=(X⊤X)−1X⊤y\hat{\boldsymbol{\beta}} = (\mathbf{X}^\top \mathbf{X})^{-1} \mathbf{X}^\top \mathbf{y}
الحل المباشر للمربعات الصغرى — المعادلة السوية في صيغتها المصفوفية — توفّر هذه المعادلة طريقة مباشرة لحساب معلمات نموذج الانحدار الخطي من دون الحاجة إلى خوارزميات تحسين تكرارية. فهي تجمع معلومات عن العلاقات بين السمات المدخلة ومعلومات عن مدى ارتباط هذه السمات بالقيم المستهدفة. والناتج هو متجه المعلمات الذي يحقق أصغر مجموع ممكن لمربعات أخطاء التنبؤ، مما يجعله الحل الأمثل وفق معيار المربعات الصغرى.

يمكن قراءة هذه الصيغة هندسياً كالتالي: «أسقِط متجه القياسات y\mathbf{y} على الخاص بـX\mathbf{X}.» القيم المتوقعة y^=Xβ^\hat{\mathbf{y}} = \mathbf{X}\hat{\boldsymbol{\beta}} تمثّل أقرب نقطة في فضاء الأعمدة إلى متجه القياسات — أي أنها له. متجه البواقي e=y−y^\mathbf{e} = \mathbf{y} - \hat{\mathbf{y}} يكون عمودياً على كل عمود في X\mathbf{X}. شرط التعامد هذا هو بالضبط ما تعبّر عنه المعادلات السوية — ومن هنا جاء اسمها «سوية» (من الكلمة اللاتينية التي تعني «عمودي»).

افتح في المختبر
متجه القياسات y (البرتقالي) يُسقَط على فضاء أعمدة X (المستوي الأخضر). متجه البواقي (الأحمر) عمودي عليه — وهذا بالضبط ما تفرضه المعادلات السوية.
تستيقظ التجربة عند وصولك…

الفكرة بلغة البرمجة

المربعات الصغرى — الحل المباشر والحل التكراري معاًpython

مبسَّط لإظهار الفكرة — ليس التنفيذ الحقيقي.

import numpy as np

# === الحل المباشر (المعادلة السوية) ===
def least_squares_closed(X, y):
    """حل β = (XᵀX)⁻¹Xᵀy مباشرةً."""
    return np.linalg.inv(X.T @ X) @ X.T @ y

# === النزول التدريجي (لمحة عن أسلوب تعلّم الآلة الحديث) ===
def least_squares_gd(X, y, lr=0.01, steps=1000):
    """تصغير ‖y − Xβ‖² بالنزول التدريجي."""
    beta = np.zeros(X.shape[1])
    for _ in range(steps):
        residuals = y - X @ beta          # البواقي (الأخطاء)
        gradient = -2 * X.T @ residuals   # اتجاه أشدّ صعود
        beta -= lr * gradient              # خطوة عكس اتجاه التدرّج
    return beta

# --- عرض توضيحي: ملاءمة خط y = a + b·x لبيانات مُشوَّشة ---
np.random.seed(1805)  # سنة نشر لوجاندر
x = np.linspace(0, 10, 20)
y_true = 2.0 + 0.5 * x
y_noisy = y_true + np.random.normal(0, 0.5, size=len(x))

# مصفوفة التصميم: عمود آحاد (نقطة التقاطع) + عمود قيم x
X = np.column_stack([np.ones_like(x), x])

beta_closed = least_squares_closed(X, y_noisy)
beta_gd     = least_squares_gd(X, y_noisy)

# كلتا الطريقتين تتقاربان نحو الإجابة نفسها:
# beta ≈ [2.0, 0.5] — نقطة التقاطع والميل الحقيقيان
print(f"الحل المباشر: a={beta_closed[0]:.3f}, b={beta_closed[1]:.3f}")
print(f"النزول التدريجي: a={beta_gd[0]:.3f}, b={beta_gd[1]:.3f}")

الجسر نحو تعلّم الآلة: من مدارات المذنّبات إلى الشبكات العصبية

الفكرة الجوهرية للمربعات الصغرى — حدِّد مقياساً للخطأ ثم صغِّره — هي القالب الأساسي لكل . حين تُدرِّب فأنت تقوم بثلاث خطوات تعود أصولها إلى هذه الورقة:

  • (عادةً في مهام الانحدار) ما هي إلا مجموع مربعات البواقي الذي ابتكره لوجاندر، مقسوماً على nn.

  • هو البديل التكراري للمعادلات السوية: بدلاً من حل ∇S=0\nabla S = 0 دفعةً واحدة، نخطو خطوات صغيرة في اتجاه تناقص الخطأ. المعادلات السوية تصلح فقط للنماذج الخطية، أما النزول التدريجي فيعمل مع أي نموذج قابل للاشتقاق، بما في ذلك الشبكات العميقة.

  • هو تطبيق التفاضلية لحساب ∇S\nabla S بكفاءة عبر الطبقات — لكن SS لا يزال هو نفسه مجموع الأخطاء المربّعة الذي صاغه لوجاندر.

السلسلة الفكرية واضحة ومباشرة: لوجاندر (1805) ← غاوس (1809، التبرير الاحتمالي) ← النزول التدريجي (كوشي، 1847) ← النزول التدريجي العشوائي (روبنز ومونرو، 1951) ← الانتشار العكسي (روملهارت وهنتون وويليامز، 1986) ← كل شبكة عصبية حديثة.

افتح في المختبر
شاهد فكرة مجموع الأخطاء المربّعة وهي تتطوّر من الحل اليدوي عند لوجاندر إلى النزول التدريجي الحديث. بدِّل بين الحل المباشر والحل التكراري.
تستيقظ التجربة عند وصولك…

خلاف الأسبقية: لوجاندر في مواجهة غاوس

نشر لوجاندر طريقة المربعات الصغرى عام 1805 في ملحق من تسع صفحات ضمن هذا الكتاب عن مدارات المذنّبات. بعد أربع سنوات، نشر كارل فريدريش غاوس عمله في الميكانيكا السماوية وادّعى أنه كان يستخدم الطريقة بشكل شخصي منذ عام 1795 — أي قبل عقد كامل من نشر لوجاندر — لكنه لم يقدّم أي وثيقة مكتوبة من تلك الفترة تُثبت ذلك.

غضب لوجاندر غضباً شديداً، وكتب لغاوس أن ادّعاء الأسبقية بدون نشر مسبق أمرٌ غير لائق على أقل تقدير. المؤرّخون اليوم ينسبون عموماً أوّلية النشر إلى لوجاندر، وينسبون التأسيس الاحتمالي إلى غاوس: أثبت غاوس عام 1809 أنه إذا كانت أخطاء القياس تتبع (الغاوسي)، فإن المربعات الصغرى تُنتج للمجاهيل. ثم عزّز لابلاس هذا الربط عام 1810.

المفارقة اللطيفة أن المنحنى الجرسي الذي نسمّيه اليوم «التوزيع الغاوسي» سُمّي باسم غاوس جزئياً بسبب ارتباطه بالمربعات الصغرى، رغم أن دي موافر درس هذا التوزيع قبله. في الرياضيات، كثيراً ما يُكافَأ من يكشف الرابط الأعمق، لا من يكتشف الفكرة أولاً.

  1. 1805

    لوجاندر يَنشر: أول وصف مكتوب للمربعات الصغرى

    ملحق من تسع صفحات في كتابه عن مدارات المذنّبات يعرض الطريقة ويطبّقها على تحديد شكل الأرض.

  2. 1809

    غاوس: التأسيس الاحتمالي وربط المربعات الصغرى بالأرجحية القصوى

    في كتابه «نظرية الحركة» يُبرهن غاوس على أن المربعات الصغرى تعطي تقدير الأرجحية القصوى حين تكون الأخطاء موزّعة طبيعياً، ويدّعي أنه استخدمها مستقلاً منذ عام 1795.

  3. 1810

    لابلاس: نظرية النهاية المركزية تدعم المبررات

    يُبرهن لابلاس على نظرية النهاية المركزية ويبيّن أن متوسطات عدد كبير من الأخطاء تؤول إلى التوزيع الطبيعي، ممّا يوسّع نطاق الحالات التي تكون فيها المربعات الصغرى هي الحل الأمثل.

  4. 1847

    كوشي: النزول التدريجي

    يقدّم كوشي طريقة النزول الأشد انحداراً — وهي بديل تكراري لحل المعادلات السوية، يُتيح أمثلة الدوال غير الخطية أيضاً.

  5. 1951

    روبنز ومونرو: التقريب العشوائي

    يؤسّس التقريب العشوائي القاعدة النظرية للنزول التدريجي العشوائي — حيث نستخدم عيّنة واحدة مُشوَّشة في كل خطوة بدلاً من البيانات كلها.

  6. 1986

    الانتشار العكسي: المربعات الصغرى تدخل عالم الشبكات العميقة

    يطبّق روملهارت وهنتون وويليامز قاعدة السلسلة لحساب تدرّجات دالة الخسارة التربيعية عبر شبكات متعددة الطبقات، ما يفتح الباب أمام التعلم العميق.

  7. 2026

    اليوم — كل شبكة عصبية تصغّر دالة خسارة

    GPT وClaude وكل نموذج عميق يُدرَّب عبر تصغير دالة خسارة. الوصفة هي ذاتها — حدِّد الخطأ، ربِّعه، صغِّره — فكرة لوجاندر من عام 1805 بعد أن تحوّلت إلى صناعة.

المرجعLegendre, A.-M.. Nouvelles méthodes pour la détermination des orbites des comètes. Firmin Didot, Paris, 1805.

مصطلحات هذه الورقة