Plasticity of Growing and Elastic Neural Networks in Online Continual Learning
تتقصى هذه الورقة البحثية مرونة الشبكات العصبية النامية والمرنة في التعلم المستمر عبر الإنترنت، حيث تُثبت أن النهج التكيفية التي تضيف وحدات جديدة تدريجياً مع الاحتفاظ بالروابط القائمة أو تقليم الروابط الميتة يمكنها الحفاظ على دقة تنبؤ عالية ومنع فقدان المرونة دون حدوث نسيان كارثي.
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 عالماً يمكن فيه لدماغك أن ينسى فوراً كيفية ركوب الدراجة بمجرد تعلمك لمهارة التلاعب بالكرات، أو حيث يمتلئ عقل الطالب بحقائق تاريخية لدرجة أنه لا يستطيع تعلم معادلة رياضية واحدة جديدة. هذا هو سيناريو الكابوس المعروف في الذكاء الاصطناعي باسم "النسيان الكارثي". ولكن هناك شرير أكثر دهاءً في اللعبة: "فقدان المرونة" (loss of plasticity). فكر في المرونة على أنها قدرة الدماغ على البقاء مرناً وقابلاً للتشكيل. إذا فقدت الشبكة مرونتها، فإنها تصبح مثل تمثال صلب؛ جامدة، غير قابلة للتغيير، وغير قادرة على تعلم أي شيء جديد، حتى لو كانت تتذكر الأشياء القديمة بشكل مثالي.
لفترة طويلة، حاول العلماء إصلاح هذه المشكلات عبر بناء ذكاء اصطناعي بعدد ثابت من "العصبونات" (وحدات المعالجة الصغيرة داخل الدماغ)، آملين أنه إذا لم يتغير الهيكل أبداً، فسيكون الذكاء الاصطناعي مستقراً. لكن الطبيعة تروي قصة مختلفة؛ فالكائنات الحية لا تملك حجماً ثابتاً للدماغ، بل تنمو روابط جديدة وتقلم روابط قديمة أثناء التعلم. يستعرض هذا البحث فكرة جريئة: ماذا لو بنينا ذكاءً اصطناعياً يمكنه النمو والتقلص فعلياً، تماماً مثل الكائن الحي؟ أراد الباحثون معرفة ما إذا كانت هذه الشبكات "النامية" و"المرنة" يمكنها الحفاظ على حيوية مرونتها (plasticity) أثناء تعلم تدفق مستمر من المهام الجديدة، دون أن تتعثر أو تنسى كل شيء.
قصة الذكاء الاصطناعي النامي والمتقلص
في هذه الدراسة، أعد الباحثون ملعباً رقمياً حيث كان على الذكاء الاصطناعي تعلم سلسلة من مهام تصنيف الصور، واحدة تلو الأخرى، مثل طالب يخوض اختباراً جديداً كل يوم. استخدموا مجموعتين شهيرتين من الصور: MNIST (الأرقام المكتوبة بخط اليد) وFashionMNIST (صور الملابس)، ولكن مع لمسة خاصة؛ فلكل اختبار جديد، يتم بعثرة بكسلات الصور بطريقة فريدة وعشوائية، مما يجبر الذكاء الاصطناعي على التعلم من الصفر في كل مرة دون الاعتماد على الأنماط البصرية نفسها.
اختبر الفريق عدة "بنيات" (architectures) أو مخططات لهذه الأدمغة الاصطناعية. أولاً، جربوا النهج القياسي: "الشبكة الثابتة" (Fixed Network). تخيل فصلاً دراسياً به عدد محدد من المقاعد؛ مهما وصل من طلاب جدد (مهام)، تظل المقاعد كما هي. وجد الباحثون أنه مع تعلم الذكاء الاصطناعي لمزيد من المهام، بدأ أداؤه ينهار ببطء؛ فقد مرونته، وأصبح صلباً وغير قادر على التكيف، بينما زاد عدد وحداته الداخلية التي أصبحت "ميتة" — أي توقفت عن النشاط وأصبحت عديمة الفائدة.
بعد ذلك، جربوا "الشبكات النامية المتدرجة" (Staged Growing Networks). كان هذا يشبه فصلاً دراسياً يضيف مقعداً جديداً كل يوم، ولكن بشرط: بمجرد إضافة مقعد، يتم تثبيته في الأرض ولا يمكن تحريكه أو تعديله أبداً. كان بإمكان الذكاء الاصطناعي إضافة وحدات جديدة، لكن الوحدات القديمة كانت مجمدة في مكانها. كانت النتائج مخيبة للآمال؛ فبسبب إجبار الذكاء الاصطناعي على الاستمرار في استخدام هذه المقاعد القديمة والمتجمدة، امتلأ بخصائص "ضوضائية" لا تساعد في المهام الجديدة، وفقد الذكاء الاصطناعي مرونته وانخفضت دقته.
ثم قدم الباحثون تغييراً بسيطاً ولكنه قوي: "الشبكات النامية التكيفية" (Adaptive Growing Networks - AGNs). كان هذا يشبه النسخة السابقة — إضافة مقعد جديد كل يوم — ولكن مع اختلاف جوهري واحد: لا شيء كان مثبتاً في مكانه. ظل كل اتصال في الشبكة مرناً ويمكن تعديله في أي وقت. كانت النتائج بمثابة كشف مذهل؛ فبالرغم من استمرار الشبكة في الكبر، وبالرغم من أن العديد من الوحدات القديمة أصبحت "ميتة" في النهاية (توقفت عن العمل)، حافظ الذكاء الاصطناعي على دقة عالية ولم يفقد مرونته أبداً. بدا الأمر وكأنه طالما استطاعت الشبكة تعديل اتصالاتها الحالية مع إضافة وحدات جديدة وطازجة، يمكنها الاستمرار في التعلم إلى الأبد.
ومع ذلك، كان هناك عقبة؛ فقد استمرت شبكات (AGNs) في النمو بلا نهاية، مما سيؤدي في النهاية إلى استهلاك ذاكرة الحاسوب وإبطاء كل شيء. كان الأمر يشبه طالباً يستمر في إضافة دفاتر جديدة إلى حقيبته دون التخلص من القديمة؛ وفي النهاية، لن يستطيع حمل الحقيبة.
لحل هذه المشكلة، ابتكر الفريق "الشبكات المرنة التكيفية" (Adaptive Elastic Networks - AENs). كانت هذه الشبكات تشبه شبكات (AGNs) ولكن مع آلية "زنبرك" (spring) مدمجة. في بداية كل مهمة جديدة، يقوم الذكاء الاصطناعي بفحص دماغه وتقليم (إزالة) أي وحدات يقدّر أنها "ميتة" أو عديمة الفائدة. سمح هذا للشبكة بالتقلص مجدداً مع الاستمرار في إضافة وحدات جديدة. كانت النتيجة حلاً "مثالياً" (Goldilocks solution): حقق الذكاء الاصطناعي دقة ممتازة، وحافظ على مرونته عالية، وحافظ على حجم مدمج وثابت تقريباً. لقد نما عندما احتاج لذلك وتقلص عندما لم يحتج إليه، وظل فعالاً دون أن يفقد قدرته على التعلم.
كما اختبر الباحثون نسخة "ذات طبقتين" من هذه الشبكات، حيث تتصل الوحدات الجديدة بالمدخلات والمخرجات فقط، متجاوزة الطبقات الوسطى. جعل هذا عملية التعلم أسرع، رغم أنه أدى أحياناً إلى حجم نهائي أكبر قليلاً.
ماذا يعني هذا للمستقبل؟
يشير البحث إلى أن مفتاح الحفاظ على مرونة الذكاء الاصطناعي ليس مجرد تذكر الأشياء القديمة أو منع النسيان، بل يتعلق بالحفاظ على هيكل الشبكة حياً وقابلاً للتكيف. ومن خلال السماح للشبكات بالنمو والتقلص ديناميكياً، وضمان بقاء الاتصالات مرنة بدلاً من كونها مجمدة، يمكننا بناء أنظمة تتعلم باستمرار دون أن تفقد بريقها.
يؤكد المؤلفون بحذر أن هذه النتائج تأتي من تجارب محددة في مهام الصور، وأن النتائج "تقترح" أن هذه الأساليب واعدة. هم لا يدعون أنهم حلوا مشكلة التعلم مدى الحياة بالكامل، لكنهم أظهروا مساراً واضحاً للمضي قدماً. سيتعين على العمل المستقبلي استكشاف متى بالضبط يجب إضافة أو إزالة الوحدات، وكيف تتصرف هذه الشبكات مع أنواع مختلفة من البيانات. ولكن في الوقت الحالي، تبدو فكرة وجود ذكاء اصطناعي يمكنه النمو مثل النبات والتقلم مثل البستاني مرشحاً قوياً جداً لمستقبل الآلات الذكية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.