الاستفادة من كامل مزايا التطبيقات القائمة على الذكاء الاصطناعي

يسعى عالمان في جامعة محمد بن زايد للذكاء الاصطناعي إلى إحراز تقدم في إحدى المقاربات الناشئة لتصميم الشبكات العصبية يمكنها تحسن القدرة الحاسوبية وكفاءة الطاقة لهذه الشبكات.

يعمل بن غو، الأستاذ المساعد في قسم تعلم الآلة، وهوان شيونغ، الأستاذ المساعد في قسم تعلم الآلة، على تطوير مفاهيم مبتكرة وجديدة لإنتاج نسخة عملية أكثر من نماذج حاسوبية تُعرف باسم الشبكات العصبية النبضية. وسيقدم العالمان دراستهما الجديدة حول الشبكات العصبية النبضية إلى مؤتمر الذكاء الاصطناعي الذي تنظمه جمعية النهوض بالذكاء الاصطناعي والذي سيُعقد هذا الشهر في مدينة فانكوفر في كندا.

ويقول غو في هذا السياق: “نرى أن الشبكات العصبية النبضية هي مستقبل الشبكات العصبية، لاسيما بالنسبة للأجهزة المحمولة. ومع تقدم التطبيقات القائمة على الذكاء الاصطناعي، سنرغب في تشغيل تطبيقات على غرار نماذج جي بي تي العاملة بالشبكات العصبية على أجهزتنا المحمولة كي نستفيد بالكامل من مزاياها. وبإمكان الشبكات العصبية النبضية ذات كفاءة الطاقة العالية أن تحوّل ذلك إلى حقيقة.”

التطلع نحو الطبيعة

د. بن غو

الشبكات العصبية هي نماذج حاسوبية مستلهمة من هندسة الخلايا العصبية الحيوية الموجودة في الأجسام الحية مثل الإنسان. وتتألف هذه الشبكات من مجموعات مترابطة من الخلايا العصبية الصناعية، أو ما يُعرف غالباً بالعُقَد. وتتوزع هذه العُقَد على طبقات متعددة، فتعمل طبقة المدخلات على استقبال البيانات، فيما تعالج طبقة أو أكثر تُعرف بالطبقات الخفية هذه البيانات، وتسلّم طبقة المخرجات النتائج، وقد تكون هذه الأخيرة عبارة عن تنبؤات أو تصنيفات بحسب التطبيق.

بالإضافة إلى ذلك، تستند العديد من تطبيقات الذكاء الاصطناعي إلى الشبكات العصبية التي تمتلك القدرة على تعلم المعلومات المعقدة ونمذجتها. كما تُستخدم هذه الشبكات للتعرف إلى الصور والكلام، ومعالجة اللغات الطبيعية، وتحليل الصور الطبية، وغيرها من المهام المتعلقة بالرؤية الحاسوبية مثل تلك المُستخدمة في السيارات ذاتية القيادة. ولا شك في أن ما يجعل هذه الشبكات أداة مفيدة للغاية هو قدرتها على التعلم انطلاقاً من البيانات التي تتعرض لها، ومن ثم تحسين أدائها مع الوقت من دون الحاجة إلى برمجتها باستخدام قواعد محددة.

ولكن تتوفر بعض الطرق للارتقاء بهذه الشبكات.

فالشبكات العصبية النبضية هي بديل عن الشبكات العصبية التقليدية، ومع أن مفهوم الشبكات العصبية النبضية ليس بجديد وتم طرحه منذ عقود، أصبح مؤخراً مجالاً مليئاً بالابتكارات المهمة ويجذب اهتمام الكثيرين.

د. هوان شيونغ

وبالمقارنة مع الشبكات العصبية التقليدية، تنجح الشبكات العصبية النبضية أكثر في محاكاة علم الأحياء إذ إنها تعالج المعلومات ضمن أحداث متقطعة أو 'نبضات' يتم في خلالها نقل المعلومات بين العُقَد. وقد يؤدي هذا الفرق الأساسي إلى تحقيق مزايا متعددة، وخاصة في مجال كفاءة الطاقة. نظراً لأنه يتم تحفيز العُقَد في الشبكات العصبية النبضية في أوقات محددة وليس بشكلٍ دائم، بإمكانها أن تستخدم كمية أقل بكثير من الطاقة مقارنة مع الشبكات العصبية التقليدية. وتثير هذه الميزة الاهتمام بشكلٍ خاص في التطبيقات التي تطرح مشكلة من حيث استهلاك الطاقة، مثل تلك التي يتم تشغيلها على الأجهزة المحمولة.

ويسفّر غو: 'إذا أردنا أن نشغل نموذجاً شبيهاً بنماذج جي بي تي على جهاز محمول، سيستخدم النموذج كمية هائلة من الطاقة حتى ولو كان متوسط الحجم ليس إلا. ولن يود أي شخص أن يستخدم مثل هذا التطبيق لأن ذلك يعني إعادة شحن الجهاز بوتيرة أعلى.'

علاوة على ذلك، تحقق الشبكات العصبية النبضية أداءً متميزاً في معالجة المعلومات القائمة على الوقت، وهي مهام تشكل تحدياً بالنسبة للشبكات العصبية التقليدية، كما أنها تستطيع أن تنجز المهام بوتيرة أسرع. ولكن على الرغم من هذه المزايا، لا تزال بعض التحديات تحول دون تبني الشبكات العصبية النبضية وتطويرها، ويعود ذلك بشكلٍ أساسي إلى تعقيد عملية تطوير الأجهزة الضرورية لتشغيل هذه النماذج وعملية تدريبها واستخدامها.

ويضيف غو: “بإمكان الشبكات العصبية النبضية أن تقدم لنا مزايا كبيرة مقارنة مع الشبكات العصبية التقليدية، لكن الأجهزة المصنعة اليوم لا تدعم سوى الشبكات التقليدية.”

في حين أنه لم يتم إثبات هذه المزايا عملياً بعد، يرى الأستاذان غو وشيونغ أن عملهما الرامي إلى تطوير مقاربات ابتكارية لتدريب الشبكات العصبية النبضية سيؤدي إلى زيادة الاهتمام بهذه الشبكات وقدراتها، ما يؤدي بدوره إلى زيادة الاستثمار في الأجهزة التي تدعم تشغيلها.

الجيل القادم من الشبكات العصبية النبضية

تقترح دراسة حديثة قدمها الأستاذان غو وشيونغ وزملاؤهما إلى مؤتمر نظم معالجة المعلومات العصبية السابع والثلاثين مقاربة جديدة لتدريب الشبكات العصبية النبضية.

ويقول شيونغ تعليقاً على الموضوع: “هذه خطوة مهمة جداً لتطوير طرق يمكن استخدامها لتدريب الشبكات العصبية النبضية بفعالية أكبر.”

تجدر الإشارة إلى أنه تتوفر طرق متعددة اليوم لتدريب الشبكات العصبية النبضية، ونذكر منها التدريب الموجه والانتشار العكسي، الذي يعدّل معاملات الشبكة استناداً إلى الأخطاء التي تنتجها في المخرجات.

غالباً ما يسجل الانتشار العكسي أداءً جيداً لتدريب الشبكات العصبية التقليدية، لكنه يطرح بعض الصعوبات للشبكات العصبية النبضية بسبب الطبيعة المتقطعة لخاصية التفعيل في هذه الأخيرة، ما يجعل من مقاربة الانتشار العكسي طريقة غير فعالة. في هذا الصدد، تذكر الدراسة استخدام “طرق وكيلة” لتخطي هذه القيود، لكن هذه المقاربة تتطلب موارد كثيفة بسبب الطبيعة المعقدة والزمنية للشبكات العصبية النبضية.

استجاب غو وشيونغ وزملاؤهما لهذه التحديات من خلال اقتراح نهج جديد للتدريب يُدعى “الترتيب الصفري المحلي” (LOCALZO) يطبق تقنيات الترتيب الصفري التي تحدد الحدود القصوى والدنيا للوظيفة على مستوى الخلية العصبية في الشبكات العصبية النبضية. يعزز هذا النهج من اتساق عملية التدريب ويزيد من متانتها، ويقترح أيضاً طريقة جديدة لإدارة التدرجات قد تؤدي إلى تعزيز كفاءة الطاقة أثناء التدريب.

ويفيد غو: “نحن أول من يطبق تقنية الترتيب الصفري في الشبكات العصبية النبضية. ونرى أن هذه المساهمة هي ذات أهمية تحويلية بالنسبة للمجتمع لأن حل مشكلة عدم التفاضل في الدالة الدرجية في الشبكات العصبية النبضية هو أحد التحديات الأساسية عند تدريب هذه الشبكات.”

ساهم في الدراسة المقدمة إلى مؤتمر نظم معالجة المعلومات العصبية كل من باسكار موخوتي وفاليبور بويكوفتش وويليام دو فازيلهس من جامعة محمد بن زايد للذكاء الاصطناعي، وزياوهان زاو من كلية الذكاء الاصطناعي في جامعة جيلين، وجوليا دي ماسي من معهد بحوث الروبوتات المستقلة في معهد الابتكار التكنولوجي، وجامعة نانجينغ لعلوم وتكنولوجيا المعلومات، ومعهد الروبوتات الحيوية، وكلية سانت آنا للعلوم المتطورة.

سيقدم غو وشيونغ وزملاؤهما بحوثًا إضافية حول تطوير الشبكات العصبية النبضية في مؤتمر جمعية النهوض بالذكاء الاصطناعي الذي سيُعقد هذا الشهر. وتقترح الدراسة المقدمة إلى المؤتمر نهجاً مبتكراً يُدعى “الشبكات العصبية النبضية للشبكات الديناميكية” (DySIGN). وبحسب ما كتبه المؤلفون: “ما تقترحه أساساً الشبكات العصبية النبضية للشبكات الديناميكية هو التعمق في استكشاف كيفية تطبيق الشبكات العصبية النبضية على الشبكات الديناميكية، ومعالجة تحدي خسارة المعلومات واستهلاك الذاكرة من خلال استخدام آلية تعويض المعلومات والتفاضل الضمني عند حالة التكافؤ، وهي مصممة لتصنيف العُقَد ضمن الشبكات الديناميكية.”

وبحسب الباحثين، لا يقدم هذا العمل أداة جديدة لتحليل الشبكات الديناميكية فحسب، بل يفتح أيضاً المجال لإمكانيات جديدة لتطبيق الشبكات العصبية النبضية على البيانات الشبكية، ما يقدم طريقة أكثر فعالية وكفاءة لمواجهة تحديات معالجة الشبكات الديناميكية.

ساهم في الدراسة المقدمة إلى مؤتمر جمعية النهوض بالذكاء الاصطناعي كل من نان يين من جامعة محمد بن زايد للذكاء الاصطناعي، ومينغزو وانغ من جامعة خبي للتكنولوجيا، وزينغهان شين من جامعة بكين، وجوليا دي ماسي من معهد الابتكار التكنولوجي.