Learning rules for complex-valued patterns in networks of oscillators

تخيل عالماً لا تُخزن فيه المعلومات كبتات (bits) ثابتة من الصفر والواحد، بل كإيقاعات حية تتنفس. في مجال الفيزياء والحوسبة، لطالما فتن العلماء بكيفية قيام الوحدات البسيطة، عندما تترابط معاً، بمزامنة حركاتها لحل مشكلات معقدة. هذه الظاهرة، المعروفة باسم المزامنة (synchronization)، تُلاحظ في كل مكان في الطبيعة، من وميض اليراعات إلى نبض الخلايا القلبية. وقد بنى الباحثون نماذج رياضية لوصف كيفية تفاعل هذه المذبذبات، أو الوحدات الإيقاعية، مع بعضها البعض. أحد أشهر هذه النماذج يصف كيف يمكن لمجموعة من الوحدات، لكل منها سرعتها الطبيعية الخاصة، أن تنضبط في النهاية لتسير بخطى واحدة إذا كانت متصلة بنوع صحيح من التأثير. وقد تم تكييف هذا الإطار مؤخراً لإنشاء نوع جديد من ذاكرة الحاسوب، يحاكي الطريقة التي يسترجع بها الدماغ وجهاً أو أغنية من تلميح مجزأ.

يكمن التحدي في بناء نظام ذاكرة كهذا في تعليم الشبكة كيفية تخزين المعلومات. في الحواسيب الرقمية التقليدية، تُخزن البيانات في أنماط ثابتة. أما في هذه الشبكات الإيقاعية، فيجب تشفير المعلومات في قوة وتوقيت الروابط بين المذبذبات. لسنوات، تمكن العلماء من تعليم هذه الشبكات تذكر أنماط بسيطة بالأبيض والأسود. ومع ذلك، فإن العالم الحقيقي نادراً ما يكون بهذا الوضوح؛ فهو مليء بظلال الرمادي، والتدرجات الدقيقة، والأنسجة المعقدة. وظل السؤال قائماً: هل يمكن تعليم هذه الشبكات الإيقاعية تذكر هذه الصور الأكثر ثراءً وتعدداً في الدرجات دون فقدان قدرتها على استرجاعها لاحقاً؟

لقد أجاب فريق من الباحثين في جامعة آيندهوفن للتكنولوجيا على هذا السؤال من خلال تطوير طريقة جديدة لتعليم هذه الشبكات. فقد قاموا بتوسيع القواعد المستخدمة للأنماط البنائية البسيطة باللونين الأبيض والأسود للتعامل مع البيانات المعقدة متعددة المستويات. في نهجهم، لا تكون روابط الشبكة مجرد أرقام بسيطة، بل قيم معقدة تحمل كل من القوة والطور (phase)، أو إزاحة التوقيت. وهذا يسمح للشبكة بتخزين الصور ذات التدرج الرمادي، حيث يمكن لكل بكسل أن يتخذ قيماً عديدة مختلفة بين الأسود الخالص والأبيض الخالص، بدلاً من أن يكون واحداً منهما فقط. وقد أثبت الباحثون أنه باستخدام تقنية رياضية محددة تُعرف باسم "المعكوس الكاذب" (pseudoinverse)، استطاعوا برمجة الشبكة لتخزين هذه الأنماط التفصيلية واسترجاعها بدقة، حتى عندما كانت الإشارة الأولية مشوشة أو غير مكتملة.

ولاختبار فكرتهم، أنشأ الفريق محاكاة رقمية لشبكة من المذبذبات. حاولوا أولاً تعليم الشبكة التعرف على حروف الأبجدية، ولكن بدلاً من بكسلات الأبيض والأسود البسيطة، استخدموا صوراً ذات درجات رمادية. وقارنوا بين عدة طرق لتعليم الشبكة، بما في ذلك تقنيات قديمة ومعروفة نجحت مع الأنماط البسيطة. كانت النتائج واضحة: فشلت الطرق القديمة عند مواجهة تعقيد البيانات الرمادية. فالشبكات التي تم تدريبها باستخدام تلك القواعد التقليدية غالباً ما كانت ترتبك، وتستقر على مزيج مشوش من جميع الحروف بدلاً من استدعاء الحرف المطلوب تحديداً. ومع ذلك، فإن الطريقة الجديدة، التي تستخدم نهج المعكوس الكاذب، أدت أداءً ملحوظاً. فقد سمحت للشبكة بتخزين الحروف بدقة عالية واسترجاعها بشكل صحيح، حتى عندما أدخل الباحثون ضوضاء كبيرة على الصورة الأولية.

ثم دفع الباحثون النظام إلى أبعد من ذلك لمعرفة كيفية تعامله مع الأنماط العشوائية، وليس فقط الحروف المنظمة. قاموا بتوليد مجموعات عشوائية من البيانات المعقدة واختبروا قدرة الشبكة على استدعائها. ووجدوا أن أداء النظام يعتمد بشدة على مقدار المعلومات التي يتم تخزينها. فعندما طُلب من الشبكة تذكر عدد قليل من الأنماط بالنسبة لحجمها، استطاعت استرجاعها بدقة تقارب الكمال، حتى مع وجود مستوى عالٍ من الضوضاء. ومع زيادة عدد الأنماط المخزنة، بدأت قدرة النظام على التمييز بينها في التلاشي، وأصبح من الصعب استرجاع الصورة الصحيحة. وهذا السلوك يتفق مع ما هو متوقع في مثل هذه الأنظمة، حيث يوجد حد لكمية المعلومات التي يمكن حملها قبل أن تبدأ الأنماط في التداخل مع بعضها البعض.

كان جزء رئيسي من هذا العمل هو إثبات أن قاعدة التعلم الجديدة ليست مجرد إمكانية نظرية بل هي عملية محلية (local process). في العديد من نماذج الحوسبة المتقدمة، يتطلب التعلم رؤية شاملة للنظام بأك-له، وهو أمر يصعب تنفيذه في الأجهزة المادية. وقد أظهر الباحثون أن طريقتهم يمكن تقسيمها إلى خطوات صغيرة ومحلية، حيث يقوم كل جزء من الشبكة بتحديث روابطه بناءً على جيرانه المباشرين فقط. وهذا يجعل النهج أكثر ملاءمة لبناء أجهزة مادية فعلية، مثل شرائح الكمبيوتر المتخصصة التي تستخدم الضوء أو الكهرباء لإجراء الحسابات. وقد أثبتوا أن عملية التعلم المحلية هذه ستؤدي في النهاية إلى الوصول إلى نفس الحل المثالي الذي توفره الطريقة العالمية الأكثر تعقيداً، مما يضمن قدرة الشبكة على التعلم بكفاءة وموثوقية.

كما استكشف البحث كيف يؤثر حجم الشبكة على أدائها. فقد اختبروا شبكات بأحجام مختلفة، تتراوح من شبكات صغيرة إلى شبكات أكبر بكثير. ووجدوا أن الشبكات الأكبر كانت أكثر متانة؛ إذ استطاعت تحمل المزيد من الضوضاء واستعادة النمط الصحيح. ويرجع ذلك إلى أن الشبكة الأكبر تمتلك المزيد من الروابط لتوزيع المعلومات، مما يوفر نوعاً من الوفرة (redundancy) التي تحمي الذاكرة من الأخطاء. على سبيل المثال، في محاكاتهم، استطاعت شبكة مكونة من 42 في 42 مذبذباً التعامل مع مستوى أعلى بكثير من الضوضاء الأولية مقارنة بشبكة أصغر مكونة من 16 في 16 قبل أن تفشل في استعادة الصورة. وهذا يشير إلى أن توسيع نطاق هذه الشبكات الإيقاعية يمكن أن يؤدي إلى ذاكرات ترابطية أكثر قوة وموثوقية.

في نهاية المطاف، يوفر هذا العمل مساراً واضحاً نحو جيل جديد من الحوسبة. فمن خلال إظهار أن هذه الشبكات التذبذبية يمكنها التعامل مع البيانات الرمادية المعقدة باستخدام قاعدة تعلم محلية ومتينة، أزال الباحثون عائقاً رئيسياً أمام تطبيقاتها العملية. إن القدرة على تخزين واسترجاع الأنماط متعددة الحالات تعني أن هذه الأنظمة قد تُستخدم يوماً ما في مهام تتطلب فهماً دقيقاً، مثل التعرف على الصور أو مشكلات الأمثلة (optimization problems)، حيث لا تكون الإجابة مجرد "نعم" أو "لا"، بل هي طيف من الاحتمالات. وتؤكد النتائج أن مبادئ المزامنة، التي درست طويلاً في الفيزياء، يمكن تسخيرها لإنشاء آلات ذكية تتذكر العالم بكل ظلاله الرمادية.