Quantization-Aware Neuromorphic Architecture for Skin Lesion Classification on Resource-Constrained Devices
تقدم الورقة البحثية QANA، وهي بنية عصبية مدركة للكمية تتيح تصنيفاً قوياً وعالي الدقة لآفات الجلد على الأجهزة ذات الموارد المحدودة من خلال تحسين عملية تحويل الشبكات العصبية التلافيفية (CNN) إلى الشبكات العصبية النبضية (SNN) وتحقيق أداء وكفاءة زمنية وطاقة فائقة على معالج BrainChip Akida.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول تعليم روبوت التعرف على وجه صديق، ولكن ليس لديك سوى ساعة صغيرة تعمل بالبطارية للقيام بعملية التفكير. هذا هو عالم الحوسبة الطرفية (Edge Computing): تشغيل برامج ذكية مباشرة على أجهزة صغيرة مثل الهواتف أو الأجهزة القابلة للارتداء، بدلاً من إرسال البيانات إلى خادم سحابي ضخم يستهلك الكثير من الطاقة. الأمر يشبه محاولة حل مسألة رياضية معقدة في رأسك أثناء السير في شارع مزدحم، بدلاً من الاتصال بحاسوب خارق لطلب المساعدة. التحدي يكمن في أن "الأدمغة" التي نستخدمها عادةً لهذا الغرض — والتي تسمى الشبكات العصبية الالتفافية (CNNs) — تشبه الشاحنات الثقيلة المستهلكة للطاقة؛ فهي بارعة في رصد الأنماط، مثل بقع الجلد، لكنها تستهلك الكثير من البطارية وتستغرق وقتاً طويلاً للعمل على ساعة صغيرة.
ولحل هذه المشكلة، يستكشف العلماء الحوسبة النيورومورفية (Neuromorphic Computing)، والتي تستخدم نوعاً مختلفاً من الأدمغة يسمى الشبكة العصبية النبضية (SNN). فكر في الشبكة العصبية الالتفافية القياسية (CNN) كأنها كشاف ضوئي يسطع باستمرار، يفحص كل بكسل طوال الوقت. أما الشبكة العصبية النبضية (SNN)، فهي تشبه مصباح مستشعر الحركة: فهي لا "تطلق" أو ترسل شرارة كهربائية صغيرة ("نبضة") إلا عندما يحدث شيء مثير للاهتمام. وهذا يجعلها سريعة للغاية وموفرة للطاقة بشكل مذهف، مما يجعلها مثالية لجهاز يحتاج إلى العمل طوال اليوم بشحنة واحدة. ولكن هناك عقبة: هذه الأدمغة النبضية متطلبة للغاية. إذا حاولت إجبار دماغ "الكشاف الضوئي" القياسي على العمل مثل دماغ "مستشعر الحركة"، فإنه غالباً ما يصاب بالارتباك، أو يفقد ذاكرته، أو يبدأ في ارتكاب الأخطاء، خاصة عندما تكون البيانات غير منظمة أو غير متوازنة.
هنا تبدأ قصة QANA. أراد الباحثون، بقيادة هايتيان وانغ وزملائه، بناء مصنف لآفات الجلد يمكنه العمل على شريحة نيورومورفية صغيرة وموفرة للطاقة (تحديداً شريحة BrainChip Akida) دون أن يفقد قدرته على التمييز بين شامة حميدة وسرطان ميلانوما خطير. أدركوا أن مجرد أخذ نموذج ذكاء اصطناعي قياسي وتحويله إلى نموذج نبضي يشبه محاولة وضع وتد مربع في ثقب مستدير؛ فغالباً ما ينكسر أو يؤدي إلى أداء ضعيف.
لذلك، صمموا بنية جديدة تسمى QANA (بنية النيورومورفيك الواعية بالكمية) والتي تعمل كجسر بين هذين العالمين. فبدلاً من مجرد أخذ نموذج قياسي والأمل في أن يتحول بشكل جيد، قاموا ببناء "عمود فقري" لشبكة عصبية التفافية واعية بالكمية، مصمم خصيصاً ليصمد خلال عملية التحويل. لقد استخدموا حيلة ذكية تسمى وحدات الشبح (Ghost modules)، وهي تشبه الطاهي الماهر الذي يصنع وجبة ضخمة ولذيذة باستخدام عدد قليل جداً من المكونات عبر استغلالها ببراعة وتوسع. سمح هذا للنظام بتوليد ميزات غنية دون الحاجة إلى قدر هائل من قوة الحوسبة. كما أضافوا آليات "انتباه" خاصة تعمل مثل كشاف الضوء، مما يساعد الذكاء الاصطناعي على التركيز على الأجزاء الأكثر أهمية في صورة الجلد مع تجاهل الضوضاء في الخلفية.
وعلى نحو حاسم، حلوا مشكلة "فشل التحويل". عادةً، عندما تقوم بتحويل ذكاء اصطنا_ي قياسي إلى ذكاء اصطناعي نبضي، تصبح الأرقام فوضوية وتنخفض الدقة. تستخدم QANA تقنية تسمى التدريب الواعي بالكمية (Quantization-aware training)، وهي تشبه التدرب على أغنية مع بندول إيقاع (Metronome) لا يصدر نقرات إلا في إيقاعات محددة. ومن خلال تدريب النموذج على توقع هذه "النقرات" المحددة والمحدودة (الأرقام ذات البتات المنخفضة) منذ البداية، يتعلم النموذج كيف يظل مستقراً حتى عند تحويله لاحقاً إلى تنسيق نبضي. كما استخدموا طريقة تسمى SMOTE في "فضاء التضمين الرقمي" (تمثيل رياضي للصورة) لمساعدة الذكاء الاصطناعي على التعلم بشكل أفضل عن أنواع آفات الجلد النادرة، مما يضمن عدم تجاهله للحالات الأقل شيوعاً ولكنها خطيرة.
كانت النتائج مبهرة. فعند اختبارها على مجموعة بيانات عامة كبيرة لصور الجلد تسمى HAM10000، حققت QANA معدل دقة بلغ 91.6%، وهو أفضل بكثير من النماذج المحولة الأخرى. والأكثر إثارة هو أنه عند تشغيلها على الأجهزة النيورومورفية الفعلية (BrainChip Akida)، كان النظام سريعاً وفعالاً للغاية؛ حيث عالج صورة واحدة في غضون 1.5 مللي ثانية فقط، واستخدم 1.7 مللي جول فقط من الطاقة. ولو وضعت ذلك في الاعتبار، فقد كانت أسرع بنسبة 21% وأكثر كفاءة في استهلاك الطاقة بنسبة 23% من أفضل النماذج المنافسة ذات الحجم المماثل. كما اختبروها على مجموعة بيانات سريرية واقعية من مستشفى في الصين، حيث حافظت على دقة عالية بلغت 90.8%، مما أثبت قدرتها على التعامل مع البيانات الطبية الواقعية دون الحاجة إلى إرسال معلومات المرضى إلى السحابة.
باختختصار، تُظهر الورقة البحثية أنه من خلال تصميم الذكاء الاصطناعي ليتحدث اللغة الأصلية للأجهزة النبضية أثناء تدريبه وتحويله، بدلاً من محاولة ترجمته لاحقاً، يمكننا إنشاء أدوات تشخيص طبي ليست ذكية فحسب، بل أيضاً سريعة، وتحافظ على الخصوصية، وصديقة للبطارية بما يكفي لتوضع في جيبك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.