نماذج ومنصات الذكاء الاصطناعي
شبكات عصبية سائلة: تعريف وتطبيقات وتحديات
النقاط الرئيسيةتتكيف الشبكات العصبية السائلة باستمرار بعد التدريب على عكس النماذج التقليدية الثابتة.
عرض المزيد
- تتكيف الشبكات العصبية السائلة باستمرار بعد التدريب على عكس النماذج التقليدية الثابتة.
- تتعامل مع البيانات المتسلسلة بفعالية لمهام الوقت الحقيقي مثل الملاحة الذاتية.
- هيكلها الديناميكي الأصغر يوفر قابلية أكبر للتفسير وقدرة أفضل على مقاومة التشويش.
الشبكة العصبية (NN) هي خوارزمية لتعلم الآلة التي تحاكي هيكل وخصائص تشغيل الدماغ البشري لتعرف الأنماط من بيانات التدريب. من خلال شبكتها من العصبونات الاصطناعية المترابطة التي تعالج وتنقل المعلومات، يمكن للشبكات العصبية أداء مهام معقدة مثل التعرف على الوجه، فهم اللغة الطبيعية، والتحليل التنبؤي بدون مساعدة بشرية.
على الرغم من كونها أداة قوية في الذكاء الاصطناعي، فإن الشبكات العصبية لها بعض القيود، مثل:
- تتطلب كمية كبيرة من بيانات التدريب المُصنفة.
- تعالج البيانات بشكل غير متسلسل، مما يجعلها غير كفؤة في التعامل مع البيانات في الوقت الفعلي.
لذلك، قدم فريق من الباحثين في معمل علوم الحاسوب والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (CSAIL) “شبكات عصبية سائلة أو LNN – نوع من الشبكات العصبية التي تتعلم أثناء التشغيل، وليس فقط خلال مرحلة التدريب”.
دعونا نستكشف الشبكات العصبية السائلة بالتفصيل أدناه.
ما الشبكات العصبية السائلة (LNN)؟ — نظرة معمقة
الشبكة العصبية السائلة هي شبكة عصبية متكررة (RNN) مستمرة في الزمن تعالج البيانات بشكل متسلسل، وتحافظ على ذاكرة المدخلات السابقة، وتعدل سلوكها بناءً على مدخلات جديدة، ويمكنها التعامل مع مدخلات بطول متغير لتعزيز قدرات فهم المهمة للشبكات العصبية.
تختلف هيكلة الشبكات العصبية السائلة عن الشبكات العصبية التقليدية بسبب قدرتها في معالجة البيانات المستمرة أو بيانات السلاسل الزمنية بشكل فعال. إذا كانت هناك بيانات جديدة، يمكن للشبكات العصبية السائلة تغيير عدد العصبونات والاتصالات في كل طبقة.
الرواد في شبكات عصبية سائلة، رامين هاساني، ماثياس ليشنر، وغيرهم، اخذوا الإلهام من الديدان الخيطية الميكروسكوبية C.elegans، دودة بطول 1 ملم مع نظام عصبي منظم بدقة، مما يسمح لها بأداء مهام معقدة مثل العثور على الطعام، النوم، والتعلم من البيئة.
“إنها تحتوي فقط على 302 عصبونًا في نظامها العصبي”، يقول هاساني، “ومع ذلك، يمكنها توليد ديناميات معقدة بشكل غير متوقع”.
تقلد الشبكات العصبية السائلة الاتصالات الكهربائية المتشابكة أو النبضات في دودة الديدان لتنبؤ بسلوك الشبكة بمرور الوقت. تعبر الشبكة عن حالة النظام في أي لحظة معينة. هذا هو انحراف عن النهج التقليدي للشبكات العصبية الذي يعرض حالة النظام في وقت معين.
لذلك، تتميز الشبكات العصبية السائلة بسمتين رئيسيتين:
- الهيكلة الديناميكية: عصبوناتها أكثر قدرة على التعبير من العصبونات في شبكة عصبية عادية، مما يجعل الشبكات العصبية السائلة أسهل تفسيرًا. يمكنها التعامل مع البيانات المتسلسلة في الوقت الفعلي بشكل فعال.
- التعلم المستمر والتكيف: تتقن الشبكات العصبية السائلة التكيف مع البيانات المتغيرة حتى بعد التدريب، مما يجعلها تقلد دماغ الكائنات الحية بدقة أكبر مقارنة بالشبكات العصبية التقليدية التي تتوقف عن التعلم بعد مرحلة تدريب النموذج. لذلك، لا تتطلب الشبكات العصبية السائلة كميات كبيرة من البيانات المُصنفة لتحقيق نتائج دقيقة.
نظرًا لأن عصبونات LNN توفر اتصالات غنية يمكن أن تعبر عن المزيد من المعلومات، فهي أصغر في الحجم مقارنة بالشبكات العصبية العادية. لذلك، يصبح من الأسهل على الباحثين تفسير كيفية وصول الشبكة العصبية السائلة إلى قرار. بالإضافة إلى ذلك، يمكن أن يجعل حجم النموذج الأصغر وحسابات أقل الشبكات أكثر قابلية للتطوير على مستوى المؤسسة. بالإضافة إلى ذلك، تكون هذه الشبكات أكثر مقاومة للضوضاء والاضطراب في الإشارة المدخلة مقارنة بالشبكات العصبية.
3 حالات استخدام رئيسية لشبكات عصبية سائلة

تتميز الشبكات العصبية السائلة في الحالات التي تتضمن بيانات متسلسلة متواصلة، مثل:
1. معالجة بيانات السلاسل الزمنية والتنبؤ
يواجه الباحثون عدة تحديات أثناء نمذجة بيانات السلاسل الزمنية، بما في ذلك التبعيات الزمنية، عدم الثبات، والضوضاء في بيانات السلاسل الزمنية.
الشبكات العصبية السائلة مصممة خصيصًا لمعالجة بيانات السلاسل الزمنية والتنبؤ. وفقًا لهاساني، بيانات السلاسل الزمنية حاسمة وشائعة لفهم العالم بشكل صحيح. “العالم الحقيقي هو كل شيء عن السلاسل. حتى إدراكك – أنت لا تدرك الصور، أنت تدرك سلاسل الصور”، يقول.
2. معالجة الصور والفيديو
يمكن للشبكات العصبية السائلة أداء مهام معالجة الصور والرؤية، مثل تتبع الكائنات، تقسيم الصور، والتعرف. طبيعتها الديناميكية تسمح لها بالتحسين المستمر بناءً على تعقيدات البيئة، الأنماط، والديناميات الزمنية.
على سبيل المثال، وجد الباحثون في معهد ماساتشوستس للتكنولوجيا أن الطائرات بدون طيار يمكن توجيهها بواسطة نموذج LNN صغير يحتوي على 20,000 معامل يؤدي بشكل أفضل في التنقل في بيئات لم تُشاهد من قبل مقارنة بالشبكات العصبية الأخرى. يمكن استخدام هذه القدرات الملاحية الممتازة في بناء مركبات ذاتية القيادة أكثر دقة.
3. فهم اللغة الطبيعية
بسبب قابليتها للتكيف، وقدرات التعلم في الوقت الفعلي، والطوبولوجيا الديناميكية، فإن الشبكات العصبية السائلة جيدة جدًا في فهم تسلسلات النصوص الطويلة للغة الطبيعية.
لنتأمل تحليل المشاعر، وهو مهمة في معالجة اللغة الطبيعية تهدف إلى فهم المشاعر الكامنة وراء النص. تساعد قدرة الشبكات العصبية السائلة على التعلم من البيانات الآنية في تحليل اللهجات المتغيرة والعبارات الجديدة، مما يسمح بتحليل المشاعر أكثر دقة. يمكن أن تثبت هذه القدرات مفيدة في الترجمة الآلية أيضًا.
قيود وتحديات شبكات عصبية سائلة

على الرغم من أن الشبكات العصبية السائلة قد تفوقت على الشبكات العصبية التقليدية التي كانت غير مرنة، تعمل على أنماط ثابتة وسياق مستقل. ومع ذلك، فإنها تتمتع ببعض القيود والتحديات أيضًا.
1. مشكلة تلاشي التدرج
مثل النماذج المستمرة في الزمن الأخرى، يمكن للشبكات العصبية السائلة أن تواجه مشكلة تلاشي التدرج عند التدريب باستخدام الانحدار المتدرج. في الشبكات العصبية العميقة، تحدث مشكلة تلاشي التدرج عندما تصبح التدرجات المستخدمة لتحديث أوزان الشبكة العصبية صغيرة جدًا. هذا يمنع الشبكات العصبية من الوصول إلى الأوزان المثالية. يمكن أن يحد هذا من قدرتها على تعلم التبعيات طويلة الأمد بشكل فعال.
2. ضبط المعلمات
مثل الشبكات العصبية الأخرى، فإن الشبكات العصبية السائلة تتضمن أيضًا تحدي ضبط المعلمات. ضبط المعلمات هو عملية تستغرق وقتًا وتكلفة كبيرة للشبكات العصبية السائلة. تحتوي الشبكات العصبية السائلة على معلمات متعددة، بما في ذلك اختيار محلل المعادلات التفاضلية العادية (ODE)، معلمات الانتظام، وهيكل الشبكة، والتي يجب تعديلها لتحقيق الأداء الأمثل.
يحتاج العثور على إعدادات معلمات مناسبة غالبًا إلى عملية تكرارية، مما يأخذ وقتًا. إذا كان ضبط المعلمات غير كفء أو لم يتم إجراؤه بشكل صحيح، يمكن أن يؤدي إلى استجابة شبكة غير مثالية وخفض الأداء. ومع ذلك، يحاول الباحثون التغلب على هذه المشكلة من خلال تحديد كيفية الحصول على عدد أقل من العصبونات لأداء مهمة معينة.
3. نقص الأدبيات البحثية
الشبكات العصبية السائلة لديها أدبيات بحثية محدودة عن التنفيذ والتطبيقات والفوائد. يجعل البحث المحدود من الصعب فهم الإمكانيات والقيود القصوى للشبكات العصبية السائلة. وهي أقل شهرة من الشبكات العصبية الالتفافية (CNN)، والشبكات العصبية المتكررة (RNN)، وبنية Transformer. لا يزال الباحثون يختبرون إمكانياتها.
تطورت الشبكات العصبية من البرسيبترون متعدد الطبقات (MLP) إلى الشبكات العصبية السائلة. الشبكات العصبية السائلة أكثر ديناميكية، وتكيفية، وكفاءة، ومتانة من الشبكات العصبية التقليدية، ولها العديد من التطبيقات المحتملة.
نبني على أكتاف العمالقة؛ ومع استمرار تطور الذكاء الاصطناعي بسرعة، سنرى تقنيات جديدة متقدمة تعالج تحديات التقنيات الحالية وقيودها وتقدم فوائد إضافية.
لمزيد من المحتوى المتعلق بالذكاء الاصطناعي، قم بزيارة unite.ai












