من النظرية إلى التطبيق
بمجرد أن تتعلم كيف تتعرف على القيم الذاتية، ستراها في كل مكان. يستخدم Google القيم الذاتية لترتيب مليارات صفحات الويب. تعتمد علوم البيانات على القيم الذاتية لضغط أبعاد البيانات الهائلة. تصف سلاسل ماركوف التوزيعات السكانية طويلة الأمد عبر القيمة الذاتية الخاصة λ = 1. ويستخدم المهندسون المدنيون والميكانيكيون القيم الذاتية لحساب الترددات الطبيعية للهياكل وتجنب كوارث الرنين.
في هذا الدرس، نأخذ النظرية المجردة التي تعلمناها — Av = λv والتقطير A = PDP⁻¹ — ونرى كيف تُشكّل حلولًا حقيقية لمشكلات حقيقية. كل تطبيق يُختزل في نفس السؤال الجوهري: ما هي المتجهات التي لا تتغير اتجاهاتها تحت تحويل معين؟
PageRank من Google
في عام 1998، ابتكر لاري بيدج وسيرجي برين محرك بحث يرتّب صفحات الويب بناءً على أهميتها. الفكرة الأساسية: صفحة مهمة هي تلك التي يُشير إليها كثير من الصفحات المهمة الأخرى. هذا التعريف الدوري هو بالضبط ما تحله القيم الذاتية.
صوِّر الويب كرسم بياني موجَّه: n صفحة، ورابط من صفحة j إلى صفحة i يعني أن j تُشير إلى i. عرِّف مصفوفة الروابط A حيث Aᵢⱼ = 1/kⱼ إذا كانت j تُشير إلى i (وkⱼ عدد الروابط الصادرة من j)، وإلا فصفر. لكن هذه المصفوفة وحدها لها مشاكل: بعض الصفحات "طريق مسدود" لا ترابط منها، وبعض المواقع يشكّل جزرًا معزولة.
الحل هو إضافة معامل تخفيف d (عادةً d = 0.85): بنسبة d يتبع المستخدم رابطًا عشوائيًا، وبنسبة (1−d) يقفز إلى صفحة عشوائية بالكامل. هذا يُعطي مصفوفة Google M:
متجه r الناتج هو التوزيع الثابت لـ"قافز عشوائي": المتجه الذاتي لـ M المقابل لـ λ=1. مكوّنات r تُعطي الأهمية النسبية لكل صفحة، والصفحة ذات الدرجة الأعلى تحتل مرتبة أعلى في نتائج البحث. وGoogle تحسب هذا على مليارات الصفحات باستخدام طريقة تكرار القدرة.
لماذا القيمة الذاتية 1؟
المعادلة Mr = r تقول إن تطبيق M على r يتركه كما هو — أي أن r نقطة ثابتة لتحويل المصفوفة. تخيّل الأمر هكذا: الضرب في M يكافئ ترك القافز العشوائي يخطو خطوة أخرى، وتوزيع PageRank الموصوف بـ r لا يتغير بخطوة إضافية. إنه التوزيع المستقر للسير العشوائي على رسم الويب البياني.
تحليل المكونات الرئيسية (PCA)
تخيّل أن لديك بيانات في فضاء ذي ألف بعد — مثل صورة 1000 بكسل أو قياس جيني لـ1000 جين. معظم هذه الأبعاد مترابطة: هي ليست مستقلة حقًا. يطرح PCA السؤال: ما هي الاتجاهات التي تُفسّر أكبر قدر من التباين في البيانات؟
الخطوة الأولى: احسب مصفوفة التباين المشترك Σ = (1/m)XᵀX، حيث X مصفوفة البيانات (كل صف نقطة بيانات، موسطة). Σ مصفوفة متماثلة موجبة شبه نهائية — إذ vᵀΣv = (1/m)‖Xv‖² ≥ 0 لأي v، فلا قيمة ذاتية سالبة. وبمبرهنة الطيف، لها قيم ذاتية حقيقية غير سالبة ومتجهات ذاتية متعامدة.
لضغط البيانات، نختار أكبر k قيمة ذاتية ومتجهاتها الذاتية المقابلة، ثم نُسقط كل نقاط البيانات على هذه الاتجاهات الـk. النتيجة تمثيل بـk بعدًا يحافظ على معظم التباين. فإذا فسّرت أكبر عشر قيم ذاتية 90% من إجمالي التباين (مجموع كل القيم الذاتية)، كفى تمثيل من عشرة أبعاد لمجموعة بيانات من ألف بعد — أي ضغط بمعامل مئة.
الصورة الهندسية
تخيّل سحابة من نقاط البيانات على شكل قطع ناقص مسطوح في فضاء عالي الأبعاد. المتجهات الذاتية لمصفوفة التباين تشير على طول المحاور الرئيسية لذلك القطع الناقص، والقيم الذاتية تخبرك بأطوال تلك المحاور. وما يفعله PCA هو تدوير نظام إحداثياتك ليتوافق مع محاور القطع الناقص الطبيعية، فتصبح الاتجاهات الأكثر إفادة هي اتجاهات الإحداثيات نفسها.
التعرف على الوجوه (الوجوه الذاتية eigenfaces)، وضغط الصور، وعلوم الجينوم، والتمويل (نماذج العوامل)، وتقليل الضوضاء — كلها تقوم على PCA. وحين تبني Netflix نموذج توصية، تستخدم تقنية قريبة (SVD، وهو شديد الصلة بالتحليل الطيفي) لتجد تمثيلًا منخفض الأبعاد لأذواق المستخدمين وخصائص الأفلام.
سلاسل ماركوف والحالة المستقرة
سلسلة ماركوف هي نموذج عشوائي يصف تسلسلًا من الحالات، حيث تعتمد الحالة التالية فقط على الحالة الحالية (لا على التاريخ). مصفوفة الانتقال P تُعطي الاحتمالات: Pᵢⱼ هو احتمال الانتقال من الحالة j إلى الحالة i. ومثل A في PageRank، فإن P عشوائية بالأعمدة: كل عمود يجمع إلى 1.
ابدأ من أي توزيع احتمالي ابتدائي π₀، وبعد خطوات كثيرة يتقارب التوزيع إلى التوزيع الثابت π∞ — المتجه الذي لا يتغير تحت تطبيق P. وهذا التوزيع الحدّي يحقق معادلة قيم ذاتية:
مثال: نموذج الطقس
لنفترض أن طقس الغد يعتمد على طقس اليوم فقط: إذا كان اليوم مشمسًا، فاحتمال الشمس غدًا 90% والمطر 10%؛ وإذا كان ممطرًا، فاحتمال المطر غدًا 50% والشمس 50%. مصفوفة الانتقال هي P = [[0.9, 0.5], [0.1, 0.5]]. والتوزيع الثابت يحقق Pπ = π مع π₁ + π₂ = 1، وحلّه π = [5/6, 1/6]ᵀ ≈ [0.833, 0.167]. أي أن 83% من الأيام مشمسة على المدى الطويل — أيًّا كان طقس اليوم.
وسلاسل ماركوف تُنمذج كل شيء: من انثناء البروتينات إلى التصنيفات الائتمانية إلى سلوك القافز العشوائي عند Google، وكذلك نمذجة سلوك العملاء وتسلسلات DNA وخوارزميات مونتي كارلو بالسلسلة الماركوفية (MCMC) في الإحصاء البايزي. والرياضيات الجامعة لها واحدة دائمًا: جد المتجه الذاتي المهيمن لمصفوفة الانتقال.
تحليل الاهتزاز الهيكلي
عندما يهتز جسر أو مبنى أو جناح طائرة، يتحرك وفق أشكال اهتزاز طبيعية تسمى أشكال الأوضاع (mode shapes)، كل منها يتذبذب بتردد طبيعي خاص. إيجاد هذه الترددات يُختزل مباشرة إلى مسألة قيم ذاتية.
معادلة الاهتزاز الحر لنظام ميكانيكي: Kx = ω²Mx، حيث K مصفوفة الصلابة، M مصفوفة الكتلة، x متجه الإزاحة، وω التردد الزاوي. هذه هي مسألة القيم الذاتية المعممة. إذا كانت M قابلة للعكس، تتحول إلى M⁻¹Kx = ω²x — مسألة قيم ذاتية قياسية.
الأهمية الهندسية
إذا اقتربت قوة خارجية (رياح، زلزال، أقدام سائرة) من تردد طبيعي للهيكل، يحدث الرنين: تضخيم كارثي للاهتزازات. انهار جسر تاكوما ناروز عام 1940 بسبب الرنين مع الرياح. تحليل القيم الذاتية يُمكّن المهندسين من حساب الترددات الطبيعية مسبقًا والتأكد من أنها لا تتصادف مع ترددات الإثارة المتوقعة من المرور والرياح والزلازل.
وأشكال الأوضاع لا تقل أهمية: هي تكشف أي أجزاء الهيكل تتحرك أكثر من غيرها في كل نوع من الاهتزاز، فتدلّك على المكان الذي تضيف فيه التخميد أو التقوية. والوضع الأول — أدنى تردد وأطول طول موجي — يصحبه عادةً أكبر إزاحة، وهو الأخطر.
Kv = ω²Mv مسألة قيم ذاتية معممة، وتُختزل إلى الصورة القياسية Av = λv بكتابة A = M⁻¹K (إن كانت M قابلة للعكس) أو باستخدام تحليل تشولسكي لـ M. وقيم M⁻¹K الذاتية هي ωᵢ²، وهي موجبة دائمًا في الأنظمة الإنشائية حسنة الطرح.
طريقة تكرار القدرة
كل التطبيقات السابقة تحتاج إلى حساب قيم ذاتية أو متجهات ذاتية لمصفوفات ضخمة جدًا: رسوم ويب بمليارات العقد، ومصفوفات تباين بآلاف الميزات. والطرق المباشرة — كحساب كثيرة الحدود المميزة — غير قابلة للتنفيذ عند هذه الأحجام. هنا تأتي طريقة تكرار القدرة: خوارزمية بسيطة وقابلة للتوسع تجد المتجه الذاتي المهيمن.
والفكرة أنيقة: ابدأ بأي متجه x₀ واضربه في A مرارًا، مع تطبيع النتيجة بعد كل خطوة:
لماذا تعمل الطريقة؟
اكتب المتجه الابتدائي x₀ بأساس المتجهات الذاتية: x₀ = c₁v₁ + c₂v₂ + … + cₙvₙ. وبعد k تطبيقًا لـ A:
Aᵏx₀ = c₁λ₁ᵏv₁ + c₂λ₂ᵏv₂ + … + cₙλₙᵏvₙ = λ₁ᵏ(c₁v₁ + c₂(λ₂/λ₁)ᵏv₂ + …)
فإذا كان |λ₁| > |λ₂|، تذهب الحدود (λᵢ/λ₁)ᵏ إلى الصفر لكل i ≥ 2. وبعد التطبيع يتقارب Aᵏx₀/‖Aᵏx₀‖ إلى v₁. واقرأ المعدل من العبارة نفسها: الخطأ الباقي في المتجه يحمله الحدّ (λ₂/λ₁)ᵏ، فكل خطوة تضرب الخطأ في العامل |λ₂/λ₁| < 1 — أي إن الاتجاه المهيمن يكسب |λ₁/λ₂| على أقرب منافسيه في كل مرور. وكلما اتسعت الفجوة بين القيمتين كان التقارب أسرع، والنسبة القريبة من 1 تجعله زحفًا.
وحساب PageRank الأصلي عند Google كان تكرار قدرة على مصفوفة روابط الويب حرفيًا — يتقارب في نحو 50 إلى 100 تكرار حتى لرسم بمليارات العقد، لأن بنية رسم الويب تضمن فجوة جيدة بين أكبر قيمتين ذاتيتين. وكل تكرار ليس إلا ضرب مصفوفة في متجه، والمصفوفة متفرقة جدًا لأن كل صفحة تحمل روابط قليلة.
تكرار القدرة يجد المتجه الذاتي المهيمن وحده. ولإيجاد كل المتجهات الذاتية — كما في PCA — يستخدم المهندسون تكرار QR، وهو خوارزمية أرقى تُقارب كل القيم الذاتية في الوقت نفسه. أما في المسائل الإنشائية، فتحوّل طريقة العناصر المنتهية الهيكل إلى مصفوفتَي K وM، ثم تجد خوارزمية لانتشوس (أو مكتبة ARPACK) أصغر القيم الذاتية — أي أدنى الترددات الطبيعية — بكفاءة في المصفوفات المتفرقة الكبيرة دون حساب كثيرة الحدود المميزة. وكل هذه الخوارزميات تنبع من الحدس نفسه: الضرب المتكرر يُضخّم الاتجاهات المهيمنة.
القيم الذاتية تُشغّل أربعة تطبيقات أساسية: PageRank — متجه الرتبة هو المتجه الذاتي المهيمن لمصفوفة Google (λ=1)؛ PCA — قيم ذاتية مصفوفة التباين تُحدد الاتجاهات الأكثر تباينًا في البيانات، مما يُتيح الضغط إلى k بُعد؛ سلاسل ماركوف — التوزيع الثابت هو المتجه الذاتي لمصفوفة الانتقال المقابل لـ λ=1؛ الاهتزاز الهيكلي — الترددات الطبيعية هي جذور القيم الذاتية لمسألة Kx=ω²Mx، وأشكال الأوضاع هي المتجهات الذاتية. طريقة تكرار القدرة تُحسب المتجه الذاتي المهيمن عمليًا حتى لمصفوفات ضخمة جدًا.