في عالم الذكاء الصناعي، تتطلب التحليلات الكمية لبنية الأعصاب ثلاثية الأبعاد فهمًا معقدًا لكل من الشكل الطوبولوجي والشكل الهندسي المكاني. ومع ذلك، فإن الشبكات العصبية البيانية الحالية (Graph Neural Networks - GNNs) محصورة بتأثير اختبار 1-Weisfeiler-Lehman (1-WL)، مما يحد من قدرتها على التقاط الدورات الناتجة عن القرب المكاني.

للتغلب على هذه القيود، قدم فريق من الباحثين مفهوم مسبق هندسي دقيق يعتمد على الهندسة الجبرية الاستوائية (Tropical Algebraic Geometry). باستخدام التحويل الاستوائي لأبل-جاكوب (tropical Abel-Jacobi transform) والمسافات القطبية، قمنا بتطبيق هذه التقنيات على التعلم الآلي للبيانات المهيكلة على شكل شجر.

تتضمن العملية التحويلية الهيكلية تحسين فضاء الدورات وبناء فضاء الحصة لتحويل الأشجار المكانية إلى رسوم بيانية معيارية دورية مناسبة للإدماج في الجاكوب الاستوائي. يعتبر حساب مسافات القطبية الاستوائية الدقيقة أمرًا معقدًا، حيث يتطلب حل مشكلة المتجه الأقرب (Closest Vector Problem - CVP) على شبكات الأعداد الصحيحة، ولكن بدلاً من الاعتماد على تقريب صريح مع أخطاء التكميم، اتخذنا نهجًا مستمرًا على الغطاء العالمي لطور الألباني.

أظهر القياس الناتج، الذي يُحسب بالتفصيل من خلال المعكوس العام لنظام لابليسيان (Laplacian) للرسوم البيانية، أنه ينفصل بشكل دقيق عن المقياس الداخلي للطرق ناقص المسافة القطبية غير المكممة، متجنبًا عمليات البحث في شبكات الأعداد الصحيحة.

تقدم هذه التقنية واصفين: حيث توفر القيم الذاتية (eigenvectors) تنسيقًا هيكليًا على مستوى العقد، بينما توفر طيف القيم الذاتية الثابت في ترتيب تناوب توقيعًا على مستوى الرسم البياني. عند اختبارها على معيار BREC، أثبتت صيغة القيم الذاتية قدرتها التعبيرية التي تتجاوز حدود 1-WL.

عند تطبيقها على مجموعات بيانات مورفولوجيا ثلاثية الأبعاد (مثل ACT-4، JML-4، BIL-6)، يندمج الطيف بسلاسة في الهياكل الشائعة (VAEs، GNNs، Tree-LSTMs) دون الحاجة إلى عناصر قابلة للتدريب إضافية، مما يعزز بدوره دقة التصنيف مقارنة بالنماذج المكانية القائمة.