الحزمة الحاسوبية مفتوحة المصدر للرياضيات (2025): مكتبات، سير عمل قابل للتكرار ومجموعات بيانات موصى بها

مقدمة: لماذا تحتاج فرق الرياضيات التطبيقية إلى "Stack" مفتوح المصدر قائم على إعادة الإنتاج؟

تزايد تعقيد الحسابات العلمية — من حل المعادلات التفاضلية الجزئية عالية الأبعاد إلى التحليل العددي المتوافق مع GPU — يجعل اختيار أدوات موثوقة وقابلة لإعادة التشغيل أمراً أساسياً. هذا الدليل يقدّم مجموعة عملية من المكتبات المفتوحة، ممارسات سير العمل (workflows) القابلة للتكرار، ومصادر بيانات معيارية يمكن استخدامها في البحوث والنمذجة الهندسية والتعليم المتقدم.

المحتوى يركز على أدوات ذات اعتماد مجتمعي واسع، حلول قابلة للتوسيع على الحواسب المتوازية، وممارسات تبنّي سهلة (حاويات، تكامل مستمر)، مع أمثلة لمجموعات بيانات معيارية لاختبار الخوارزميات والنتائج.

المكتبات الأساسية والبيئات: ماذا تختار ولماذا

فيما يلي قائمة من الأدوات والمكتبات المعيارية مرتبة حسب الاستخدام الشائع في الرياضيات الحسابية والبحث العلمي.

لغة Python (حزمة علمية وسلاسل سرعة)

• NumPy / SciPy: أساسيات الصفائف، الجبر الخطي العددي، والدوال العلمية؛ تحديثات NumPy الحديثة حسّنت دعم تعدد الخيوط وبيئات البناء.
• JAX: تسريع بالحساب التفاضلي الآلي على XLA مع دعم قوي للـGPU/TPU — مناسب للتجارب التي تجتمع فيها التعلم الآلي والرياضيات العددية.
• PyTorch + PyTorch Lightning: حين تُحتاج إلى بناء شبكات عصبية أو تحقيق تجارب مُتسلسلة مع تحكم دقيق في الدقة العددية.
• CuPy: بديل NumPy على GPU لعمليات المصفوفات الكبيرة.

لغة Julia (أداء عددي عالي وسير عمل متكامل)

• DifferentialEquations.jl: حزمة متقدمة لحل كل أنواع المعادلات التفاضلية مع واجهات للحساسية، التوازي وGPU؛ تعتبر ركيزة مهمة في منظومة SciML لعام 2025.
• ModelingToolkit.jl و Flux.jl: أدوات للنمذجة الرمزية والـML المدمج.

حزم نظم عالية الأداء ولغات منخفضة المستوى

• PETSc: مجموعة أدوات متوازية للحل العددي للمعادلات التفاضلية الجزئية والمشاكل الخطية/غير الخطية الكبيرة — مستخدمة على نطاق واسع في الحوسبة العلمية عالية الأداء.
• Trilinos / Eigen / SuiteSparse: مكتبات أساسية للجبر الخطي المتوازي والمصفوفات المتفرقة.

ملاحظة عملية: اختيار المكدس يعتمد على حجم المشكلة (محلي مقابل عنقودي)، احتياج GPU، والدعم المجتمعي/التوثيق. الجمع بين Python للمرونة وJulia أو PETSc للأداء يمكن أن يوازن بين إنتاجية المطور والسرعة التنفيذية.

سير العمل القابل للتكرار: أدوات وممارسات عملية

إعادة إنتاج النتائج العلمية تتطلب نهجاً متعدد المستويات: ضبط بيئة التشغيل، إدارة البيانات، تنفيذ اختبارات استقرار عددية، وتكامل اختبارات مستمرة CI.

حاويات وبيئات تنفيذية

• Docker: لبناء صور قابلة للتوزيع في كثير من حالات التطوير والتجارب السحابية.
• Apptainer (سابقاً Singularity): خيار شائع في بيئات الحوسبة عالية الأداء (HPC)؛ توجيهات الهجرة من Singularity متاحة ويوصى باستخدام Apptainer للحفاظ على توافق الصور على المجموعات الحاسوبية.

التكامل المستمر (CI) والاختبارات العددية

• GitHub Actions / GitLab CI: ضبط اختبارات بناء/تشغيل تلقائية (matrix builds) لفحص توافق الإصدارات والدقة العددية على منصات مختلفة. توظيف runners ذات GPU عند الحاجة.
• اختبارات الخصوصية العددية: اختبارات تحسس الدقة (floating‑point sensitivity), اختبار توافق الاختصارات (determinism)، ومقارنات أخطاء التقريبات عبر إصدارات المكتبات.

بيئات تفاعلية وقابلية المشاركة

• Jupyter / JupyterLab + Binder: تحويل المستودعات العامة إلى بيئات تفاعلية قابلة للتشغيل عبر cloud باستخدام BinderHub — مفيد لعرض تجارب قابلة للتشغيل للمراجعين والطلاب.
• Binder / BinderHub: ينشئ صورة Docker من مستودعك ويشغّلها مؤقتاً عبر شبكة Hub، ما يسهل إظهار إعادة الإنتاج بدون إعداد محلي معقد.

إدارة البيانات والنسخ (Data Provenance)

• DVC / Quilt / Git LFS: أدوات لإدارة ملفات البيانات الكبيرة وربط إصدارات البيانات بنتائج الكود.
• تخزين الدوال والنتائج: تسجيل البنية التجريبية (environment.yml, requirements.txt, Dockerfile), seed وملف تشغيل نموذجي لتسهيل الاستنساخ.

النصيحة العملية: صمم سير عمل CI يتحقق من (1) بناء الصورة، (2) تشغيل عينات اختبارات عددية سريعة، و(3) مقارنة مخرجات رقمية ضمن حدود خطأ محددة، ثم اجعل Binder أو صورة Docker مرفقة بالورقة/المستودع.

مجموعات بيانات معيارية وبنشرات اختبارية موصى بها

اختيار مجموعات البيانات لاختبار الخوارزميات والأداء أمر أساسي؛ فيما يلي مصادر عملية ومقبولة في المجتمع:

• SuiteSparse Matrix Collection: مجموعة واسعة من مصفوفات متفرقة حقيقية/صناعية لاختبار خوارزميات الجبر الخطي العددي (sparse linear algebra).
• Matrix Market: مستودع قديم وموثوق لمصفوفات معيارية.
• SNAP / Network Repository: مجموعات بيانات الرسوم البيانية لشبكات كبيرة — مفيدة لاختبار طرق التمثيل الرسومي والتحليل الطيفي.
• M4 / M5 / UCR Time Series / PhysioNet: مجموعات معيارية لسلاسل زمنية وبيانات طبية زمنية لاختبار طرق التنبؤ والقدرات العددية.
• QM9, OpenCatalyst, Imagenet/MNIST (للمقارنات المختلطة): مفيدة عند الحاجة لبيانات كيميائية أو صور لاختبار أجزاء من خط الأنابيب التي تتقاطع مع ML.

نصائح لتصميم بنشماركات قابلة للمقارنة

1. وثّق بدقّة بيئة التشغيل (الإصدار، البنية، أدوات البنية مثل BLAS/MKL).
2. أدرج حالات اختبار صغيرة وسريعة للـCI بالإضافة إلى بنشمارك طويل للقياس.
3. نشر نتائج البنشمارك مع الحاوية/المستودع ورابط إلى البيانات (أو مثال استرجاع بيانات موثوقة).

خاتمة سريعة

في 2025، أفضل الممارسات تجمع بين مكتبات قوية (NumPy/Python للجاذبية، Julia/SciML للحل العددي المتقدم، PETSc للحوسبة الموزعة) وسير عمل قابل للتكرار يعتمد على الحاويات، CI، وأدوات إدارة البيانات. توثيق كل مستوى من التجربة (بيئة، مدخلات، إعدادات التوافق العددي) يجعل نتائجك أكثر مصداقية وقابلية للاعتماد من المجتمع البحثي.

مراجع موجزة: صفحات توثيق NumPy، حالة منظومة SciML (DifferentialEquations.jl)، وثائق PETSc، SuiteSparse Matrix Collection، ودليل BinderHub.