طريقة مونتي كارلو

في عام 1946 كان الفيزيائي ستانيسلاڤ أولام يتعافى من مرض، وأثناء لعبه الورق (سوليتير) خطر له سؤال بسيط: ما احتمال الفوز؟ حاول الحساب بالتوافيق فاستسلم بسرعة — عدد ترتيبات الورق الممكنة هائل لدرجة لا يمكن التعامل معها. عندها ومضت الفكرة: بدلاً من أن أحسب، دعني ألعب مئة جولة وأعدّ كم مرة أفوز.

نفس المشكلة — رياضيات واضحة لكن حوسبة مستحيلة — كانت تؤرّق فيزيائيي مختبر لوس ألاموس النووي. كانوا يحتاجون إلى محاكاة سلوك النيوترونات وهي تتشتّت وتُمتَص وتتضاعف داخل المواد الانشطارية. كل نيوترون يسلك مساراً يعتمد على تصادمات عشوائية في فضاء عالي الأبعاد، ولا توجد صيغة تحليلية تستطيع الإحاطة بكل ذلك.

المنهج التقليدي — تقسيم الفضاء إلى شبكة دقيقة وتقييم كل نقطة فيها — ينهار تماماً في الأبعاد العالية. تكامل من 10 أبعاد بعشر نقاط لكل محور يتطلّب $10^{10}$ عملية حسابية. ضاعِف الأبعاد فقط وستحتاج $10^{20}$. هذا التضخّم الأُسِّي هو ما يُسمّى لعنة الأبعاد.

تقوم طريقة مونتي كارلو على ملاحظة بسيطة وعميقة في الوقت ذاته: أي تكامل يمكن صياغته كقيمة متوقعة، وأي قيمة متوقعة يمكن تقديرها بأخذ متوسط عيّنات عشوائية.

لنأخذ مثالاً: تريد حساب التكامل $I = \int_a^b f(x)\, dx$. يمكنك إعادة صياغته كالتالي: $I = (b - a) \cdot \mathbb{E}[f(X)]$ حيث $X$ متغير عشوائي يتبع توزيعاً منتظماً على الفترة $[a,b]$. الآن اسحب $n$ نقطة عشوائية $x_1, x_2, \ldots, x_n$ من هذه الفترة واحسب:

$\hat{I}_n = (b - a) \cdot \frac{1}{n} \sum_{i=1}^{n} f(x_i)$

بمقتضى قانون الأعداد الكبيرة يقترب هذا المتوسط من التكامل الحقيقي كلما زاد $n$. بكلمات أخرى: لقد حوّلت مسألة تفاضل وتكامل إلى مسألة إحصائية — والإحصاء لا يكترث بعدد الأبعاد.

الأمر يشبه استطلاع الرأي: لا تحتاج أن تسأل كل مواطن — يكفي أن تختار ألف شخص عشوائياً وتأخذ متوسط إجاباتهم لتحصل على تقدير جيد لرأي السكان ككل. التكامل هنا يلعب دور «المتوسط العام» للدالة، وكل نقطة عشوائية تُقيَّم عندها الدالة تمثّل شخصاً واحداً في الاستطلاع.

المثال الكلاسيكي هو تقدير π: ارسم دائرة نصف قطرها 1 داخل مربع ضلعه 2. مساحة الدائرة π ومساحة المربع 4، فالنسبة بينهما π/4. ألقِ نقاطاً عشوائية منتظمة داخل المربع، واحسب نسبة ما يقع منها داخل الدائرة ($x^2 + y^2 \le 1$)، ثم اضرب الناتج في 4.

لاحظ في العرض أدناه كيف يتأرجح التقدير بشدة في البداية ثم يبدأ بالاستقرار تدريجياً حول 3.14159… مع كل دفعة جديدة من العيّنات. هذا هو قانون الأعداد الكبيرة وأنت تراه يعمل — كل عيّنة تُضيف معلومة، والضوضاء تتلاشى بالتوسيط.

خطأ مُقدِّر مونتي كارلو — مقاساً بالانحراف المعياري — يتقلّص بمعدل $1/\sqrt{n}$. عملياً هذا يعني:

• لـتنصيف الخطأ تحتاج إلى أربعة أضعاف العيّنات.
• لإضافة خانة عشرية واحدة من الدقة تحتاج إلى مئة ضعف.

يبدو هذا بطيئاً، وهو كذلك بالفعل في بُعد واحد. لكن النقطة الجوهرية هي: هذا المعدل لا يتغيّر مهما زاد عدد الأبعاد. تكامل ذو بُعد واحد وتكامل ذو ألف بُعد كلاهما يتقارب بمعدل $1/\sqrt{n}$. في المقابل، أساليب الشبكات تحتاج في ألف بُعد إلى $10^{3000}$ نقطة. مونتي كارلو يحتاج العدد نفسه من العيّنات سواء كنت في بُعد واحد أو في ألف.

ليست كل مسألة تناسب نموذج «ارمِ سهاماً وعُدّ». في بعض الحالات تحتاج إلى استكشاف الفضاء خطوة بخطوة — كنيوترون يرتدّ داخل المادة، أو جزيء يتحرّك عشوائياً في غاز.

المشي العشوائي ببساطة هو أن تبدأ من نقطة ما، تختار اتجاهاً ومسافة عشوائيين، تنتقل إليهما وتسجّل ما تجد، ثم تكرّر. بعد عدد كبير من الخطوات يكون هذا المشي قد غطّى منطقة واسعة من الفضاء، والملاحظات التي جمعتها تمنحك صورة إحصائية عن سلوك المنظومة.

هكذا فعل متروبوليس وأولام لمحاكاة سلاسل النيوترونات: كل نيوترون ينطلق من مصدر، يقطع مسافة عشوائية، يصطدم بذرة، ثم يحدث أحد ثلاثة أشياء — يتشتّت (يرتدّ في اتجاه جديد)، أو يُمتَص (يتوقف)، أو يُسبِّب انشطاراً (فتخرج نيوترونات جديدة). بتكرار هذه المحاكاة آلاف المرات حصلوا على إحصائيات التفاعل المتسلسل من غير أن يحلّوا المعادلات التفاضلية المعقدة التي تحكمه.

معدل التقارب $1/\sqrt{n}$ يبدو ثابتاً ولا مجال لتحسينه، لكن هناك عامل مخفي يمكن التحكّم به: σ، وهو الانحراف المعياري لِما تعتينه. إذا نجحت في تقليل σ دون أن تغيّر القيمة المتوقعة، فإن كل عيّنة ستحمل قدراً أكبر من المعلومات وستصل إلى تقارب أسرع بعدد السحوبات نفسه.

أقوى أداة لتحقيق ذلك هي الاعتيان بالأهمية (Importance Sampling). الفكرة: بدلاً من أن تعتين بشكل منتظم من كل مكان، ركّز عيّناتك في المناطق التي تكون فيها الدالة كبيرة — أي حيث «تُحدث فرقاً» — ثم عوِّض عن هذا التحيّز بإعادة ترجيح كل عيّنة. تخيّل مُستطلِع رأي ذكي يُكثر من سؤال سكان الولايات المتأرجحة (حيث الآراء أكثر تنوّعاً) ثم يعيد الترجيح ليعكس التوزّع الوطني الحقيقي.

رياضياً، بدلاً من سحب $X \sim \text{Uniform}(a,b)$، تسحب من توزيع مقترح $q(x)$ وتحسب:

$\hat{I}_n = \frac{1}{n} \sum_{i=1}^{n} \frac{f(x_i)}{q(x_i)}$

إذا كان $q(x) \propto |f(x)|$ ينعدم التبايُن تماماً — كل عيّنة تعطيك الإجابة الصحيحة بالضبط. في الواقع لا يمكن تحقيق هذا المثالي بدقة، لكن حتى تقريب خشن لشكل الدالة يُحقّق تحسينات كبيرة.

كانت ورقة 1949 نقطة انطلاق. بعدها بأربع سنوات نشر متروبوليس وزملاؤه عملاً آخر غيّر المشهد: خوارزمية متروبوليس (1953). السؤال الذي أجابت عنه: كيف تسحب عيّنات من توزيع لا تستطيع الاعتيان منه مباشرةً — مثل توزيع بولتزمان لتشكيلات الجزيئات؟

المبدأ: صمِّم مشياً عشوائياً بحيث يزور، بعد عدد كافٍ من الخطوات، الحالات بنِسَب تتوافق مع احتمالاتها. في كل خطوة تقترح انتقالاً جديداً؛ إن كان يزيد الاحتمال تقبله مباشرة، وإن كان ينقصه تقبله باحتمال يساوي نسبة الاحتمالين. مع مرور الوقت يتقارب التوزيع الإحصائي للمشي نحو التوزيع المستهدف.

هذه هي سلاسل ماركوف مونتي كارلو (MCMC) — وبها انفتح باب الاستدلال البايزي والفيزياء الإحصائية، ولاحقاً تدريب منظومات الذكاء الاصطناعي الحديثة. في كل مرة ينتقي فيها نموذج لغوي كبير رمزاً أثناء التوليد، يكون مبدأ مونتي كارلو حاضراً في قلب العملية.

ما بدأ كحيلة ذكية في الفيزياء النووية تحوّل إلى واحدة من أوسع الأدوات استخداماً في عالم الحوسبة. هكذا تفرّعت الفكرة عبر العقود:

من سلاسل النيوترونات في المفاعلات النووية إلى سلاسل الرموز في النماذج اللغوية، الخيط واحد لم ينقطع: حين تكون المسألة أعقد من أن تُحلّ تحليلياً، حاكِها بالعشوائية ودع قانون الأعداد الكبيرة يتكفّل بالباقي.