TorchMorph: CUDA-accelerated Morphological Transforms
تُعد TorchMorph امتداداً خفيف الوزن لـ PyTorch، مرخصاً بموجب رخصة MIT، يوفر مجموعة شاملة من 22 من العمليات المورفولوجية وتحويلات المسافة المتسارعة بواسطة CUDA مع واجهة برمجة تطبيقات متوافقة مع SciPy، مما يتيح معالجة الأشكال بكفاءة وإنتاجية عالية مباشرة داخل حلقات تدريب الـ GPU.
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
في عالم تحليل الصور الرقمية، اعتمدت الحواسيب لفترة طويلة على مجموعة من الأدوات القديمة والموثوقة لفهم الأشكال. هذه الأدوات، المعروفة باسم التحويلات المورفولوجية (morphological transforms)، تعمل مثل إزميل وفرشاة النحات الرقمي؛ إذ يمكنها تنعيم الحواف الخشنة، أو ملء الثقوب الصغيرة، أو قياس المسافة من مركز الجسم إلى حافته. ولعقود من الزمن، كانت الطريقة القياسية لاستخدام هذه الأدوات في علوم الحاسوب هي تشغيلها على المعالج الرئيسي للحاسوب، وهو وحدة المعالجة المركزية (CPU). يعمل هذا النهج بشكل جيد للمهام البسيطة، لكنه يصطدم بحائط صلب عندما تحاول الذكاء الاصطناعي الحديث التعلم من كميات هائلة من مقاطع الفيديو أو الفحوصات الطبية ثلاثية الأبعاد. في هذه الأنظمة المتقدمة، تعيش البيانات على معالج رسومات متخصص، وهو جهاز مصمم للتعامل مع آلاف الحسابات في وقت واحد. لاستخدام الأدوات القديمة، يجب على الحاسوب أن يتوقف، وينسخ البيانات عائدًا إلى المعالج الرئيسي، وينتظر انتهاء الحساب البطيء، ثم ينسخ النتيجة عائدًا مرة أخرى. هذا الانتقال المستمر للمعلومات يشبه ساعي بريد يركض ذهابًا وإيابًا عبر المدينة لمجرد تسليم رسالة واحدة؛ مما يهدر الوقت والطاقة، ويبطئ عملية التعلم بأكملها.
لقد ابتكر باحث الآن حلاً جديدًا يقضي على هذه العقبة. فقد أنشأ مكتبة برمجية تسمى TorchMorph، والتي تنقل أدوات معالجة الأشكال هذه مباشرة إلى معالج الرسومات، مما يسم يسمح لها بالعمل على دفعات ضخمة من البيانات في آن واحد دون مغادرة المسار السريع أبدًا. لم يخترع الباحث رياضيات جديدة؛ بل أخذ الأساليب الراسخة والموثوقة التي استخدمها العلماء لسنوات وأعاد كتابتها لتعمل بشكل أصلي على أجهزة الرسومات. والنتيجة هي نظام يمكنه معالجة الصور بسرعة تصل إلى ألف ضعف المعيار القديم عند التعامل مع مجموعات كبيرة من البيانات، مع الاستمرار في تقديم نتائج تطابق الطرق الأصلية بدقة متناهية. وهذا يسمح لنماذج الذكاء الاصطناعي باستخدام أدوات تشكيل الأشكال القوية هذه كجزء منتظم من تدريبها، بدلاً من معاملتها كخطوة بطيئة ومنفصلة يجب القيام بها بعد الانتهاء.
يكمن جوهر هذا الإنجاز في كيفية تنظيم الباحث للعمل. في الماضي، إذا أراد عالم تنظيف صورة مشوشة أو قياس المسافة بين الميزات، فإنه يستخدم مكتبة من الكود المصمم للمعالج الرئيسي. كانت هذه المكتبة ممتازة للصور الفردية، لكنها واجهت صعوبة عندما طُلب منها التعامل مع عشرات أو مئات الصور في وقت واحد، وهو ما تعمل به أنظمة الذكاء الاصطنا الحديثة. تغيرت قواعد اللعبة مع مكتبة TorchMorph الجديدة، حيث تسمح لمعالج الرسومات بالتعامل مع الدفعة الكاملة من الصور في جهد واحد منسق. وهي تدعم البيانات التي تصل إلى ثمانية أبعاد مكانية مختلفة، مما يعني أنها تستطيع معالجة الأحجام ثلاثية الأبعاد المعقدة، ومقاطع الفيديو المتسلسلة زمنياً، والمسوحات الطبية متعددة القنوات، كل ذلك في وقت واحد. وقد حرص الباحث على أن تتحدث المنظومة الجديدة نفس لغة المنظومة القديمة، باستخدام نفس الأسماء والإعدادات، بحيث يمكن لبرامج الحاسوب الحالية الانتقال إلى النسخة الأسرع بتغيير سطر واحد فقط من الكود.
ولجعل هذه السرعة ممكنة، كان على الباحث إعادة التفكير في كيفية إجراء الحسابات داخل معالج الرسومات. إن النهج المباشر سيجعل المعالج يفحص كل نقطة في الصورة مقابل جيرانها، وهي طريقة بطيئة ومتكررة. بدلاً من ذلك، يستخدم النظام الجديد استراتيجية ذكية حيث يقوم المعالج الرئيسي بحساب تخطيط "أداة النحت" مسبقًا قبل إرسال التعليمات إلى شريحة الرسومات. وبمجرد بدء العمل، يركز معالج الرسومات فقط على الجزء الداخلي من الصورة، حيث تكون الحسابات مباشرة وسريعة، ويخصص عمليات التحقق المعقدة من الحدود للحواف فقط. هذا التقسيم للعمل يسمح لمعالج الرسومات بالعمل بكامل طاقته، ومعالجة ملايين البكسلات في الوقت الذي كان يستغرقه لمعالجة بضعة آلاف فقط.
إن المكاسب في الأداء كبيرة وقابلة للقياس. فعندما اختبر الباحث النظام الجديد مقابل المعيار القياسي على بطاقة رسومات قوية، وجد أنه بالنسبة لمهام معينة، مثل تنعيم الصور ذات التدرج الرمادي، كان النظام الجديد أسرع بما يصل إلى ألف ومائة مرة عند معالجة دفعة من الصور. أما بالنسبة لقياس المسافات الدقيقة داخل الأشكال، فقد كان التسارع أكثر دراماتيكية، حيث وصل إلى ثلاثمائة وخمسين ضعفاً أسرع من الطريقة القياسية. وحتى بالنسبة لأكثر الحسابات تعقيدًا والتي تتضمن مقارنة توزيعين مختلفين من البيانات، كان النظام الجديد أسرع بما يصل إلى اثني وأربعين ضعفًا. تمثل هذه الأرقام تحولاً من الانتظار لدقائق للحصول على نتيجة إلى الحصول عليها في جزء من الثانية، وهو تغيير يحول هذه الأدوات من عقبة إلى جزء سلس من عملية التعلم.
كانت الدقة لا تقل أهمية عن السرعة. لم يرد الباحث المقايضة بين الدقة والأداء؛ لذا أجرى آلاف الاختبارات لمقارنة مخرجات النظام الجديد مقابل المعيار الموثوق، وفحص كل بكسل وكل قيمة. أظهرت النتائج أن النظام الجديد يطابق المعيار بشكل شبه مثالي. بالنسبة للصور الثنائية (binary images)، التي تتكون من اللونين الأبيض والأسود فقط، كانت النتائج متطابقة تمامًا. أما بالنسبة للصور ذات التدرجات الرمادية، فقد كان الفرق ضئيلاً للغاية بحيث يقل عن جزء من مليوني وحدة، وهو هامش خطأ صغير جدًا لدرجة أنه غير مرئي للعين البشرية وغير ذي صلة بالتطبيقات العملية. وتؤكد هذه الاختبارات الصارمة أن النظام الجديد ليس سريعًا فحسب، بل هو موثوق أيضًا، مما يجعله آمنًا للاستخدام في تطبيقات حرجة مثل التشخيص الطبي أو القيادة الذاتية.
تغطي المكتبة نطاقًا واسعًا من العمليات، بدءًا من المهام الأساسية مثل تآكل (eroding) وتوسيع (dilating) الأشكال، وصولاً إلى الوظائف الأكثر تقدمًا مثل إيجاد المسافة الدقيقة من أي نقطة إلى أقرب حافة. كما تتضمن أداة متخصصة لمقارنة الأشكال بناءً على مقدار "العمل" الذي سيتطلبه تحويل شكل إلى آخر، وهي تقنية تُستخدم بشكل متزايد لتعليم الذكاء الاصطناعي التعرف على الأنماط. جميع هذه الأدوات متاحة الآن كحزمة واحدة مفتوحة المصدر يمكن لأي شخص استخدامها. ومن خلال إزالة الحاجز بين أدوات معالجة الصور الكلاسيكية هذه وبين الأجهزة الحديثة التي تدعم الذكاء الاصطناعي، فتح الباحث الباب أمام أنظمة تعلم أكثر تطورًا وكفاءة. إن هذا العمل يثبت أن أهم التقدمات لا تأتي دائمًا من اكتشاف قوانين جديدة للفيزياء، بل من مجرد إيجاد طريقة أفضل لتطبيق القوانين القديمة على الأدوات التي نمتلكها اليوم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.