ورقة علمية: الشبكة المتداخلة من المثلثات المنتظمة
المؤلفون: كلوديو تورتوريشي، نوفل ويرغي، ستيفانو بيريتي
طور علماء الحاسوب على مر السنين عدة طرق لتمثيل البيانات التي تم جمعها من العالم ثلاثي الأبعاد لتطوير الواقع الافتراضي وتحسين مستوى التعرف على الأشياء وتمكين السيارات ذاتية القيادة. وقد واجهت الأساليب المختلفة صعوبات متعددة إما من توليد الكثير من البيانات أو لتمثيل التفاصيل بدقة عالية.
وقام الآن الباحثون في معهد الابتكار التكنولوجي في دولة الإمارات العربية المتحدة باتباع منهجية مبتكرة أطلقوا عليها اسم تقنية التشكيل المنتظم من تقاطعات الدوائر (CSIOR) التي تمثل بكفاءة التفاصيل الدقيقة للأنسجة ثلاثية الأبعاد، مثل نسج القماش والفروق الدقيقة في الفخار القديم أو الشكل ثلاثي الأبعاد للوجه.
وفي هذا الإطار، قال كلوديو تورتوريشي، كبير الباحثين في معهد الابتكار التكنولوجي: ""يبدو الأمر كما لو وجدت طريقة لإنشاء صورة عالية الجودة من البيانات الأولية في الكاميرا، إذ يمكنك الحصول على نتائج أفضل من الخوارزميات الأخرى التي حللت الصورة"".
ويمكن أن يساهم ذلك في تحسين التقاط الواقع ثلاثي الأبعاد وتحسين تطبيقات الواقع الافتراضي على المدى القصير.
وفي نهاية المطاف قد يثمر عن تحسينات في خوارزميات الذكاء الاصطناعي المستخدمة لفهم العالم من حولنا.
تمثيل العالم
عادة ما تستخدم الطائرات المسيرة نظام ليدار (LiDAR) أو الكاميرات المجسمة لالتقاط البيانات السحابة النقطية حول العالم، وتمثل السحابة النقطية المسافات بين الطائرة المسيرة والنقاط الموجودة على أسطح الأشياء في المناطق المجاورة. ولكن هذا لا يجسد العلاقة بين النقاط، إذ قد تكون نقطتان متقاربتان جزءاً من نفس الجسم أو أجزاء من جسمين منفصلين بجوار بعضهما البعض.
ولذلك طور علماء الحاسوب عدة طرق لالتقاط هذه المعلومات بوضوح - فوكسل ومشعبات التشابكات.
ومن الجدير بالذكر أن الفوكسل يمثل العالم باستخدام عناصر حجمية ثلاثية الأبعاد، وهو المكافئ ثلاثي الأبعاد من البكسل والرسومات النقطية. وتعد هذه طريقة ممتازة لتمثيل البيانات الهيكلية ثلاثية الأبعاد الدقيقة لمجالات مثل الهندسة. ومع ذلك، تهدر الفوكسل أيضاً موارد البيانات لتمثيل المساحة الفارغة أو عمق الأشياء التي لا يمكنك رؤيتها أو حتى التقاطها باستخدام نظام ليدار.
وتتسع مجموعة بيانات الفوكسل أيضاً في الأبعاد ثلاثية الأبعاد، مما يعني أن التقاط جسم بضعف المقياس يزيد البيانات بمقدار 8 مرات، وهذا الأمر يدفع الحاجة إلى توفر ذاكرة وقوة معالجة ومتطلبات الشبكات.
ومن الأساليب الشائعة أيضاً تحويل البيانات السحابية النقطية الأولية إلى مشعب تشابكات تستخدم المثلثات لربط النقاط السحابية. ويعد مشعب التشابكات المكافئ ثلاثي الأبعاد للناقلات الرسومية، وهذا الأسلوب يمثل البيانات بشكل أكثر فعالية.
تتوفر مشعبات التشابكات منذ سنوات عدة، ولكنها غالباً ما تستخدم مثلثات بأحجام متنوعة، وهذا الامر يؤدي إلى وجود اثنين من القيود؛ أولها فقدان بعض التفاصيل الدقيقة في تصوير تفاصيل الأشياء، والثاني هو أن هذه المثلثات غير المنتظمة الشكل تربك خوارزميات الذكاء الاصطناعي والتحليلات. وعلّق تورتوريشي على ذلك قائلاً: ""سيكون الأمر أشبه بمحاولة تحليل صورة مكونة من وحدات بكسل مختلفة الأحجام""، وأضاف: ""نحن نحاول تنظيم حجم المثلثات"".
تشابكات أفضل
تسمى التقنية الجديدة خوارزمية التشكيل المنتظم من تقاطعات الدوائر (CSIOR) لأنها تستخدم عملية دائرية لاختيار البت التالي للمعالجة، كما تطبق عملية تكرارية تعمل على توسيع تغطية السطح التي تتوسع في دائرة من نقطة أولية.
تولد هذه العملية مشعباً تشابكياً يتكون من مثلثات من نفس الشكل والحجم، الأمر الذي يساهم في توحيد مجموعة البيانات. ويذكر أيضاً أن بإمكانه تبسيط العديد من أنواع تطبيقات معالجة الرسومات مثل قص الخطوط العريضة للوجه من مجموعة بيانات ثلاثية الأبعاد بحيث يمكن تحليلها أو لصقها في مشهد آخر ثلاثي الأبعاد.
يعاني مشعب التشابك الآخر من إحدى هاتين المشكلتين.
وتفقد في بعض الحالات التفاصيل المعقدة على السطح، وفي حالات أخرى تكون جيدة في حفظ المعلومات ولكن مع مثلثات مختلفة الحجم. وفي هذا الإطار، قال تورتوريشي: ""سيكون ذلك مثل استخدام بكسل غير منتظم الحجم"".
تقوم خوارزمية التشكيل المنتظم من تقاطعات الدوائر (CSIOR) بإنشاء مجموعات بيانات بنفس حجم لأساليب معالجة مشعبات التشابكات الأخرى، ولكنها أفضل بكثير في تمثيل تفاصيل تركيبية أكثر دقة في مختلف الأشياء. فعلى سبيل المثال، سيكون لكأس أُحضر من الإمبراطورية الصينية شكل مختلف تماماً عن كأس أُحضر من الإمبراطورية الرومانية.
ويعتقد تورتوريشيفي مستقبلاً أن هذه التقنية يمكن أن تحسن كفاءة الخوارزميات الأخرى المستخدمة للتصفية والمعالجة الترشيحية والتعلم الآلي والذكاء الاصطناعي.
ولا تقوم خوارزمية التشكيل المنتظم من تقاطعات الدوائر (CSIOR) بذلك مباشرة، ولكنها تساعد الخوارزميات الأخرى في الحصول على نتائج أفضل في هذه المهام.وقال تورتوريشيفي: ""يمكن أن تسمح لنا الشبكة المنظمة بتشغيل خوارزميات لا يمكن تشغيلها على شبكات غير منتظمة"". وأضاف: ""نعتقد أن هذا سيحسن نتائج الخوارزميات التي تسترد نمط السطح وتصنف الأسطح وتقطع الأسطح.""
ويمكن النظر إلى الشكل أدناه للتوضيح: