Bidirectional representational alignment between biological and artificial neural networks
تُثبت هذه الورقة أن توجيه الهندسة الطيفية لنماذج الرؤية ذات التعلم الذاتي أثناء التدريب يمكن أن يضبط بشكل منهجي ويحسن بشكل كبير المحاذاة التمثيلية ثنائية الاتجاه مع الشبكات العصبية البيولوجية، محققاً تحسناً نسبياً بنسبة 55% في القدرة التنبؤية ثنائية الاتجاه من خلال تقليل الأبعاد الفعالة وإعادة تنظيم الفضاء التمثيلي المشترك.
لفهم كيفية عمل الذكاء، غالباً ما ينظر العلماء إلى الدماغ، تلك الآلة البيولوجية التي تفكر، ويقارنونه بالشبكات العصبية الاصطناعية، وهي برامج حاسوبية صُممت لمحاكاته. لسنوات طويلة، حاول الباحثون معرفة ما إذا كان هذان النظامان "يفكران" بطرق متشابهة من خلال مقارنة خرائطهما الداخلية للعالم. فعندما يرى الحاسوب صورة لقطة، فإنه ينشئ نمطاً محدداً من النشاط؛ وعندما يرى قرد نفس الصورة، ينشئ دماغه نمطاً مختلفاً. يقيس العلماء مدى قدرة نمط الحاسوب على التنبؤ بنشاط دماغ القرد، وهي عملية تُعرف بالتنبؤ الأمامي. ومؤخراً، ظهر سؤال جديد: هل يمكننا أيضاً التنبؤ بنمط الحاسوب بمجرد النظر إلى دماغ القرد؟ كانت الإجابة في اتجاه واحد بشكل مفاجئ؛ فقد كانت الخرائط الداخلية للحاسوب ممتازة في تخمين ما سيفعله الدماغ، لكن نشاط الدماغ كان تخميناً سيئاً لما سيفعله الحاسوب. هذا الاختلال في التوازن أشار إلى أنه بينما تعلم الذكاء الاصطناعي محاكاة مخرجات الدماغ، إلا أنه لم يتعلم بعد محاكاة البنية الأساسية للدماغ.
وضع فريق من الباحثين هدفاً لإصلاح هذه العلاقة أحادية الجانب عن طريق تغيير شكل الخرائط الداخلية للشبكة الاصطناعية أثناء تدريبها. وافترضوا أن الطريقة التي تُنظم بها المعلومات داخل الحاسوب — وتحديداً كيف يتم توزيع أهمية قطع المعلومات المختلفة — قد تكون هي المفتاح المفقود. ولاختبار ذلك، بنوا نظاماً يمكنه دفع عملية التعلم في الحاسوب بلطف لتنظيم معلوماته بطريقة معينة، تشبه الطريقة التي ينظم بها الدماغ معلوماته بشكل طبيعي. استخدموا نموذج رؤية قياسي، وهو نوع من الذكاء الاصطناعي المدرب على التعرف على الصور دون تسميات بشرية، وطبقوا قاعدة جديدة خلال مرحلة التعلم. شجعت هذه القاعدة الشبكة على ترتيب إشاراتها الداخلية بحيث تحمل بضع إشارات معظم الوزن، بينما تحمل العديد من الإشارات الأخرى وزناً ضئيلاً جداً، وهو نمط يعكس التلاشي الطبيعي للأهمية الموجود في الأدمغة البيولوجية.
أظهرت النتائج أن هذا التعديل البسيط كان له تأثير عميق. فعندما وجه الباحثون الهندسة الداخلية للحاسوب لتتطابق مع هذا النمط الطبيعي، تحسنت قدرة نشاط الدماغ على التنبؤ بسلوك الحاسوب بشكل كبير. في الواقع، أصبحت الخرائط الداخلية للحاسوب أفضل بكثير في التنبؤ بها من قبل الدماغ، مما أغلق الفجوة التي كانت موجودة سابقاً. وبينما انخفضت قدرة الحاسوب على التنبؤ بنشاط الدماغ قليلاً، فإن المكسب الهائل في الاتجاه العكسي جعل النظامين أكثر توازناً. لقد تحسن التوافق العام بين الشبكتين البيولوجية والاصطناعية بنسبة خمسة وخمسين بالمئة بالنسبة للإعداد الأصلي. لم يكن هذا التحسن مجرد صدفة إحصائية؛ بل جاء مصحوباً بتغيير واضح في بنية الحاسوب. بدأت الشبكة تعتمد على أبعاد أقل وأكثر كفاءة لتخزين المعلومات، وأصبحت الأجزاء من الشبكة الأكثر تشابهاً مع نشاط الدماغ متماثلة تقريباً في علاقتها.
تشير الدراسة إلى أن الطريقة التي تُنظم بها المعلومات داخل نظام التعلم لا تقل أهمية عن المعلومات نفسها. فمن خلال تغيير قواعد كيفية توزيع الحاسوب لانتباهه عبر الإشارات المختلفة ببساطة، جعل الباحثون العالم الداخلي للشبكة الاصطناعية يشبه العالم البيولوجي بشكل أكبر بكثير. هذا لا يعني أن الحاسوب أصبح فجأة واعياً أو أنه حل لغز الفكر البشري، بل يوضح أن هندسة التمثيلات المتعلمة — أي شكل الخرائط الداخلية — هي خاصية يمكن التحكم فيها لتقريب الأنظمة الاصطناعية والبيولوجية من بعضها البعض. وتشير النتائج إلى أن عدم التوازن السابق لم يكن عيباً دائماً في الذكاء الاصطناعي، بل كان نتيجة لكيفية السماح لهذه الشبكات بتنظيم نفسها. ومن خلال توجيه هذا التنظيم، يمكن للعلماء إنشاء نماذج ليست فقط أفضل في حل المهام، بل وأفضل أيضاً في كونها مرايا للأنظمة البيولوجية التي يهدفون إلى فهمها.
بيان المشكلة أثبتت الأبحاث الحديثة في علوم الأعصاب الحسابية والتعلم الآلي أن المحاذاة التمثيلية بين الشبكات العصبية البيولوجية والاصطناعية هي بطبيعتها غير متماثلة. وتحديداً، تتنبأ تمثيلات النماذج الاصطناعية بالاستجابات العصبية البيولوجية (التنبؤ الأمامي) بشكل أفضل بكثير من تنبؤ الاستجابات البيولوجية بالتمثيلات النموذجية (التنبؤ العكسي). وبينما يمكن لتحسين المهام استعادة المبادئ الأساسية للتمثيل العصبي، فإن التحسينات في أداء المهمة لا ترتبط دائماً بتحسين المحاذاة. تثير هذه عدم المتماثلة سؤالاً حرجاً: هل تساهم الهندسة التمثيلية للميزات المتعلمة في هذا الاختلال ثنائي الاتجاه؟ يفترض المؤلفون أن الهندسة الطيفية للتمثيلات يمكن توجيهها بشكل منهجي أثناء التدريب لتعديل هذه المحاذاة.
المنهجية لاختبار هذه الفرضية، طور المؤلفون إطار عمل حسابي يدمج التنظيم الطيفي مع تحليلات التنبؤ ثنائية الاتجاه.
النموذج ومجموعة البيانات: تم تنفيذ إطار العمل باستخدام نماذج رؤية ذاتية الإشراف تعتمد على التباين (SimCLR مع مشفر ResNet-50). استخدم التدريب مجموعة فرعية من ImageNet-1k، بينما استُخدمت استجابات القشرة الصدغية الحجاجية (IT) لدى المكاك كمعيار للتقييم لـ 3,200 محفز بصري.
التوجيه الطيفي: الابتكار الجوهري يتمثل في إضافة حد تنظيم طيفي إلى دالة خسارة (InfoNCE) التباينية القياسية. يقوم هذا الحد بمعاقبة الانحرافات عن أس التحلل الطيفي المستهدف (α^) في طيف القيم الذاتية للتمثيلات المتعلمة.
يتم تطبيق التنظيم على تنشيطات encoder.layer4.0.bn1، وهي طبقة معروفة بقوة التنبؤ الأمامي.
يتم تقدير الأس الطيفي α عبر طريقة المربعات الصغرى العادية على الطيف اللوغاريتمي-اللوغاريتمي للتباين المفسر الطبيعي (المكونات الرئيسية 5-15).
دالة الخسارة الكلية هي Ltotal=LInfoNCE+λ∣α−α^∣، حيث يتحكم λ في قوة التنظيم.
مقاييس التقييم:
التنبؤ الأمامي: يقيس مدى قدرة تنشيطات النموذج على التنبؤ بالاستجابات العصبية (انحدار ريج من النموذج إلى العصبون).
التنبؤ العكسي: يقيس مدى قدرة الاستجابات العصبية على التنبؤ بتنشيطات النموذج (انحدار ريج من العصبون إلى النموذج).
التنبؤ ثنائي الاتجاه (BPI): مقياس مركب (BPI=Rfwd+Rrev2RfwdRrev) يحدد كمية المحاذاة مع معاقبة عدم التماثل.
الأبعاد الفعالة: تُحسب عبر نسبة المشاركة لطيف التباين المفسر.
التصميم التجريبي: دربت النماذج باستخدام أسسات طيفية مستهدفة متنوعة (α^) وقوى تنظيم مختلفة (λ). أُجري التحليل بناءً على الأس الطيفي المقاس (α) بدلاً من المستهدف، وذلك لمراعاة الحالات التي لم تحقق فيها قوة التنظيم الهدف الدقيق.
النتائج الرئيسية أظهرت التجارب أن توجيه الهندسة التمثيلية يؤثر بشكل منهجي على المحاذاة ثنائية الاتجاه:
التحكم في الهندسة الطيفية: نجح التنظيم الطيفي في توجيه الأس الطيفي المقاس للتمثيلات المتعلمة. أنتج التنظيم الأقوى (λ) توافقاً أكبر بين الأس المقاس والأس المستهدف.
تقليل عدم التماثل:
التنبؤ العكسي: أدت زيادة الأس الطيفي المقاس (α) إلى زيادة كبيرة في التنبؤ العكسي. عند λ=3، تحسن التباين المفسر العكسي من 12% (خط الأساس) إلى 29% في أعلى فئة لـ α.
التنبؤ الأمامي: أظهر التنبؤ الأمامي انخفاضاً طفيفاً تحت التنظيم الطيفي مقارنة بخط الأساس، لكنه ظل مستقراً نسبياً عبر مختلف قيم α المقاسة عند قوة تنظيم ثابتة.
التنبؤ ثنائي الاتجاه: كان التأثير الصافي هو تحسن كبير في التنبؤ ثنائي الاتجاه، حيث ارتفع من حوالي 20% إلى 31% (تحسن نسبي بنسبة 55%). يشير هذا إلى انخفاض جوههري في عدم التماثل بين الأمامي والعكسي.
الرؤى الميكانيكية:
الوحدات المشتركة مقابل الفريدة: كانت التحسينات أكثر وضوحاً في "الوحدات المشتركة" (أعلى 20% من وحدات النموذج مرتبة حسب التنبؤ العكسي). في هذه المجموعة الفرعية، أصبح التنبؤ الأمامي والعكسي متماثلين تقريباً عند أسات طيفية متوسطة.
الأبعاد: رافق زيادة الأسات الطيفية انخفاض في الأبعاد الفعالة، مما يشير إلى أن توجيه الهندسة يركز التباين التمثيلي في عدد أقل من الأبعاد الفعالة.
إعادة تنظيم الفضاء الجزئي: تشير النتائج إلى أن التنظيم الطيفي يعيد تنظيم الفضاء الجزئي التمثيلي المشترك بين الشبكات الاصطناعية والبيولوجية بشكل تفضيلي، مما يحسن القدرة على الاسترداد الخطي للنشاط العصبي من تمثيلات النموذج.
الأهمية والادعاءات يوفر البحث إطاراً مضبوطاً يثبت أن الهندسة التمثيلية هي خاصية قابلة للتوجيه تعدل بشكل مباشر المحاذاة التمثيلية ثنائية الاتجاه.
تحدي عدم التماثل الثابت: يدحض المؤلفون فكرة أن عدم التماثل بين الأمامي والعكسي هو خاصية ثابتة للنماذج المحسنة للمهام. بدلاً من ذلك، يظهرون أنه يمكن تقليله بشكل منهجي عن طريق تغيير الهندسة الطيفية أثناء التعلم.
الهندسة كعامل سببي: تدعم النتائج الفرضية القائلة بأن الهندسة التمثيلية تساهم في جودة المحاذاة. وتحديداً، فإن زيادة الأس الطيفي تحسن اتجاه المحاذاة "العكسي" دون فقدان كارثي في الاتجاه "الأمامي".
ما وراء مطابقة الأسات: لاحظت الدراسة أن المحاذاة استمرت في التحسن حتى بعد تجاوز الأس الطيفي (α≈1) الملاحظ عادة في القشرة البصرية، مما يشير إلى أن مجرد مطابقة الإحصائيات الطيفية البيولوجية ليس كافياً لتعظيم المحاذاة؛ بل إن عملية التوجيه نفسها تحفز إعادة تنظيم مفيدة.
القيود والنطاق: يضع المؤلفون نتائجهم بتواضع كعرض أولي باستخدام بنية محددة (ResNet-50) ومعيار عصبي واحد. وهم يقرون بأن الأس الطيفي هو مجرد توصيف واحد للهندسة، وأن هناك خصائص هندسية أخرى قد تلعب دوراً أيضاً. هناك حاجة لمزيد من العمل لتعميم هذه النتائج عبر بنيات مختلفة، وأهداف تعلم، ومجموعات بيانات متنوعة.
باختصار، يرسخ هذا البحث طريقة لـ "توجيه" الهندسة الداخلية للشبكات الاصطناعية لتتماشى بشكل أفضل مع الأنظمة البيولوجية، مما يفتح مساراً جديداً للتفسير الآلي ودراسة ظهور الذكاء.