هویت کجا جای دارد: فاز، نور و بستر بازنمایی

این نوشته، نسخه‌ی فنی و تفصیلی جستار فاز، نور و هندسه‌ی داده: سه نشانه از جایگاه واقعی بازنمایی است.

کدام بخش از یک تصویر به مدل طبقه‌بند می‌گوید که با چه چیزی روبه‌روست؟ پاسخ ساده «پیکسل‌ها» است، اما پرسش دقیق‌تر این است: وقتی سیگنال تصویر را تجزیه می‌کنیم، کدام مؤلفه هویت را در خود دارد؟ این پرسشی دقیق است و اوپنهایم و لیم در سال ۱۹۸۱ برای تصاویر طبیعی پاسخی روشن یافتند. اگر تصویری را تنها از روی فاز فوریه‌اش بازسازی کنیم و دامنه را کنار بگذاریم، تصویر همچنان قابل‌تشخیص می‌ماند؛ اما اگر برعکس عمل کنیم، چیزی جز نویز باقی نمی‌ماند. هویت در فاز نهفته است و دامنه بیشتر توزیع انرژی را مشخص می‌کند.

نکته‌ی جذاب مقاله‌ی اهمیت فاز در بازنمایی‌های عصبی آنجاست که این یافته را دیگر صرفاً ویژگی تصاویر نمی‌داند، بلکه آن را فرضیه‌ای علی درباره‌ی شبکه‌ها تلقی می‌کند. نویسنده آزمونی درونی به سبک اوپنهایم-لیم طراحی کرده است. دو تصویر انتخاب می‌کنیم و بازنمایی آن‌ها را در لایه‌های پنهان به دست می‌آوریم. سپس در لایه‌ای مشخص، فاز یکی را روی دامنه‌ی دیگری پیوند می‌زنیم و این ترکیب را به ادامه‌ی شبکه می‌سپاریم تا ببینیم پیش‌بینی نهایی به کدام تصویر وفادار می‌ماند. این مداخله‌ای تمیز است؛ نه یک سنجش همبستگی، بلکه نوعی پیوند. خروجی شبکه همان نتیجه‌ی این مداخله را آشکار می‌کند.

این پیوند در عمل چه می‌گوید

در معماری‌های PRISM2D، GFNet و ViT-B/16 پیش‌بینی همواره به دهنده‌ی فاز (یا علامت) وفادار می‌ماند و حذف کامل دامنه‌ی اختصاصی هر تصویر تأثیری ناچیز بر دقت دارد (Yıldırım, 2026). این یافته برای هر کسی که مدل بینایی را به محیط عملیاتی می‌برد، پیامدی روشن دارد. آماره‌های دامنه در هر کانال — همان‌ها که با وسواس نرمال‌سازی و افزون‌سازی می‌کنیم و نگرانشان هستیم — برای تعیین هویت تا حد زیادی به کار بازخوانی نهایی نمی‌آیند. اطلاعاتی که کلاس را تعیین می‌کند، بر ساختار فاز سوار است.

مدل ResNet-50 در نگاه نخست مثالی نقض به نظر می‌رسد، اما همین که چرا مثال نقض نیست، سودمندترین بخش مقاله است. اگر علامت را پس از لایه‌های ReLU پیوند بزنیم، هیچ اتفاقی نمی‌افتد؛ و این کاملاً انتظارمی‌رود، چون ReLU پیش‌تر بیت علامت را در سمت منفی دور انداخته است. اما اگر مداخله را پیش از ReLU انجام دهیم، کد علامت پنهان و نیرومندی در بلوک‌های پایانی شبکه آشکار می‌شود. کد هویت بر پایه‌ی فاز یا علامت آنجا هست؛ یک‌سوسازی فقط آن را در پایه‌ای دیگر پنهان می‌کند. آزمون کنترلی مبتنی بر فرکانس صفر هم نشان می‌دهد که لایه‌ی بازخوانی، میانگین مکانی هر کانال را مصرف می‌کند. معماری‌ها کد هویت یکسانی دارند، اما هر یک — بسته به یک‌سوسازی و هندسه‌ی بازخوانی — آن را در پایه‌ای متفاوت نمایان می‌سازد (Yıldırım, 2026).

همین یک جمله، آن تبیین سازوکاری‌ای بود که برای فهم شکاف بافت و شکل میان شبکه‌های کانولوشنی و مدل‌های توجه به آن نیاز داشتم. به‌تجربه می‌دانستیم که CNNها بیشتر بر بافت تکیه می‌کنند و ViTها بیشتر به شکل توجه دارند. اکنون علت دیگر مرموز نیست؛ همه چیز به این بازمی‌گردد که کد هویت در کجای جبر سیستم جای دارد و تابع غیرخطی پیش از مرحله‌ی بازخوانی چه بر سرش می‌آورد. برای مهندسی که روی مقاوم‌سازی در برابر حملات خصمانه یا کاهش اثر جابه‌جایی دامنه کار می‌کند، نتیجه صریح است. اگر می‌خواهید هویت را مختل یا محافظت کنید، باید بر فاز و علامت دست بگذارید و مداخله را حتماً در سمت درست یک‌سوساز انجام دهید؛ وگرنه کاری بی‌اثر کرده‌اید که آن را به اشتباه نشانه‌ی مقاومت می‌خوانید.

اگر عملگر خطی است، آیا باید دیجیتال باشد؟

اگر از بینایی به سری‌های زمانی برویم، پرسشی در سطح بستر سر برمی‌آورد. مدل‌های ساده‌ی خطی و حوزه‌ی فرکانس همچنان در پیش‌بینی افق‌بلند به‌سرسختی رقابت‌پذیر می‌مانند و شواهد سازوکاری نشان می‌دهد که بنچمارک‌های استاندارد شاید به آن بازنمایی‌های متراکم و هم‌نهاده‌ای که ترنسفورمرها را در جاهای دیگر نیرومند می‌کند، نیازی نداشته باشند (HAMON, 2026). اگر عملگر اصلی پیش‌بینی غالباً کم‌پیچیدگی و تقریباً خطی است، اصلاً چرا آن را در قالب آمیختن زمانی دیجیتال آموخته‌شده پیاده کنیم؟

پاسخ HAMON این است که آمیزه را از نور بسازیم. مقادیر تاریخی روی یک روزنه‌ی نوری کدگذاری می‌شوند، موقعیت‌های آینده تاریک می‌مانند، و مجموعه‌ای آبشاری از ماسک‌های فاز آموزش‌پذیر همراه با پراش در فضای آزاد، پیش‌بینی را مستقیماً در میدان خروجی شکل می‌دهد. در زمان استنتاج هیچ لایه‌ی دیجیتالی آموزش‌پذیر برای آمیختن توالی وجود ندارد؛ پیش‌بینی تنها از یک عبور نوری منفعل حاصل می‌شود (HAMON, 2026). اگر این را در کنار مقاله‌ی فاز بخوانیم، هم‌نوایی‌شان آشکار است. در هر دو، فاز همان درجه‌ی آزادی آموزش‌پذیر و حامل هویت است. یک مقاله فاز را در حال انجام کار درون شبکه‌های دیجیتال می‌یابد و دیگری پیش‌بینی‌گری می‌سازد که تنها پارامترهای آموخته‌شده‌اش ماسک‌های فاز هستند.

آیا کار می‌کند؟ بر پایه‌ی اعداد گزارش‌شده، HAMON در مجموعه‌ی ETTm2 در همه‌ی افق‌ها و در ETTh2 در همه‌ی افق‌ها جز طولانی‌ترین، از قوی‌ترین مدل‌های پایه‌ی دیجیتال پیشی می‌گیرد و میانگین مربعات خطا را تا ۱۴ درصد بهبود می‌بخشد؛ آن هم نه به‌صورت نقطه‌ای، بلکه به‌طور پایدار در سراسر افق‌ها. روی Weather رقابتی است و در دیگر سناریوهای ETT و در مجموعه‌های پرکانال Traffic و Electricity عقب می‌ماند (HAMON, 2026). همین موازنه بخش صادقانه‌ی ماجراست. یک هسته‌ی فوریه-اپتیک منفعل ذاتاً کم‌کانال است؛ همین که به آمیختن صدها کانال هم‌بسته نیاز شود، پراش در فضای آزاد دیگر جای مناسبی برای انجام کار نیست. اما در همان رژیمی که عملگر به‌راستی نزدیک به خطی است، حرف اصلی درباره‌ی انرژی است. انتشار منفعل است، ضرب در دل فیزیک رخ می‌دهد، و آزمون برآشفتن فاز در کنار وارسی متقابل با شبیه‌ساز TorchOptics تأیید می‌کند که پیش‌بینی از میدان حامل داده می‌آید، نه از یک بخش دیجیتال پنهان.

خوانش کاربردی این است: HAMON یک محصول نیست، یک هدف است. این پژوهش مشخصات روشنی برای سخت‌افزار نوری و آمیزش فیزیکی منفعل توالی تعریف می‌کند. اگر بار کاری پیش‌بینی شما از نوع کم‌پیچیدگی است — و بخش بزرگی از تله‌متری صنعتی چنین است — پرسش دیگر «کدام ترنسفورمر» نیست، بلکه «آیا این اصلاً به هسته‌ی تنسوری دیجیتال نیاز دارد» است.

قاب وسیع‌تر: محاسبه به‌مثابه‌ی یک منظر، نه یک گراف پیش‌خور

اگر یک گام عقب بنشینیم، هر دو مقاله درون تحولی بزرگ‌تر جای می‌گیرند که آموزش مدل‌های دینامیکی مبتنی بر انرژی آن را به‌خوبی ترسیم می‌کند. استدلال آنجا این است که سیستم‌های دینامیکی محاسبه می‌کنند — شبکه‌های هاپفیلد زمان‌پیوسته، ماشین‌های بولتزمن، حافظه‌های تداعی‌گر متراکم، شبکه‌های نوسانگر برای بهینه‌سازی، و دینامیک‌های فرود نزدیک — با کدگذاری اطلاعات در جریان‌های گرادیان و منظرهای انرژی، نه در پس‌انتشار پیش‌خور (Montanari et al., 2026). یک شبکه‌ی نوسانگر پاسخش را در روابط فاز ذخیره می‌کند. یک پشته‌ی نوری پراشی محاسبه‌اش را در یک پروفایل فاز نگه می‌دارد. و آن‌گونه که پیداست، یک طبقه‌بند آموزش‌دیده هم هویت را در یک کد فاز یا علامت ذخیره می‌کند. شیء پیونددهنده فاز است و ادعای پیونددهنده این است که بستر — نور، نوسانگرها، جریان گرادیان — می‌تواند خود رایانه باشد، نه فقط شبیه‌ساز آن.

اینجا همان نقطه‌ای است که هندسه وارد می‌شود. مرور فضای شکل استدلال می‌کند که داده‌ی هندسی واقعی بر منیفولدهای غیرخطی جای دارد و روش‌های مسطح یادگیری ماشین اغلب توان احترام به این ساختار را ندارند (Choi et al., 2026). فاز در معنای واقعی یک مختصات روی دایره است؛ فضایی خمیده، نه برداری. وقتی مقاله‌ی اوپنهایم-لیم می‌گوید ResNet همان کد هویت را «در پایه‌ای دیگر» نمایان می‌کند، گزاره‌ای هندسی بیان می‌کند: همان منیفولد، اما خوانده‌شده از طریق چارتی متفاوت که یک‌سوساز آن را تعیین کرده است. یافته‌های پیش‌بینی و بینایی دو کنجکاوی جدا نیستند؛ دو خوانش از یک درس واحدند، که هویت و محاسبه در هندسه‌ی بازنمایی جای دارند و این هندسه اغلب همان فاز است.

اما به‌عنوان کسی که باید سیستم را به محصول برساند، نکته‌ای را گوشزد می‌کنم: هیچ‌یک از این‌ها رایگان نیست. نتیجه‌ی فاز یک ابزار تحلیلی است، نه هنوز یک دستورالعمل مقاوم‌سازی؛ دانستن اینکه هویت بر فاز سوار است، تنها جای مداخله را می‌گوید، نه چگونگی انجامش بدون آسیب به کالیبراسیون. بردهای HAMON واقعی‌اند، اما به رژیم نزدیک‌به‌خطی کم‌کانال محدودند، و در یک بازبینی استقرار، همان جمله‌ی «روی Weather رقابتی، در Traffic عقب» است که خوانده می‌شود. نسخه‌ی صادقانه‌ی این هیجان باریک‌تر و سودمندتر است: فاز در سیستم‌های بیشتری از آنچه می‌پنداشتیم مختصات باربر است، و بستری که فاز را دستکاری می‌کند لازم نیست GPU باشد. این پیش از آنکه انقلابی برای اعلام باشد، یک محدودیت طراحی شایسته‌ی توجه است.

منابع

• The Importance of Phase in Neural Representations: An Internal Oppenheim-Lim Test of Image Classifiers — arXiv · cs.AI · 2026-06-15
• HAMON: Passive Optical Sequence Mixing for Long-Horizon Forecasting — arXiv · cs.AI · 2026-06-15
• Learning the Geometry of Data: A Mathematical Review of Shape Space Analysis — arXiv · cs.LG · 2026-06-15
• [2604.05042] Energy-Based Dynamical Models for Neurocomputation, Learning, and Optimization — Manual / ad-hoc · 2026-06-17