Equilibrium Propagation with Predictive Learning in Leaky Integrate-and-Fire Spiking Neural Networks

تخيل أنك تحاول تعليم فريق من الحواسيب البيولوجية الصغيرة (تسمى الشبكات العصبية النبضية - Spiking Neural Networks) كيفية التعرف على الصور، مثل التمييز بين قطة وكلب. عادةً، لتعليم هذه الحواسيب، يستخدم العلماء طريقة تسمى الانتشار العكسي (Backpropagation). فكر في "الانتشار العكسي" كمدير صارم من الأعلى إلى الأسفل، ينظر إلى الخطأ النهائي، ويحسب بدقة مقدار مساهمة كل عامل في هذا الخطأ، ثم يرسل تعليمات محددة عبر الخط لإصلاحه. وبينما يعمل هذا بشكل جيد على الحواسيب، إلا أنه ليس واقعياً تماماً لما تفعله الأدمغة الحقيقية، لأن الخلايا العصبية الحقيقية لا تملك "مديراً" يرسل تعليمات عالمية عبر الشبكة.

يقدم هذا البحث طريقة أكثر طبيعية لتعليم هذه الشبكات، تسمى الانتشار التوازني (Equilibrium Propagation - EP).

التشبيه: "حلقة النقاش الجماعية" مقابل "المدير"

بدلاً من قيام مدير بإرسال التعليمات، تخيل أن فريق الخلايا العصبية يعمل مثل مجموعة من الأشخاص يحاولون حل لغز معاً في حلقة نقاش جماعية (Huddle):

1. الإعداد: الخلايا العصبية تشبه أشخاصاً في غرفة. لديهم هدف (التعرف على الصورة بشكل صحيح).
2. الحالة "الحرة": أولاً، ينظرون إلى الصورة ويقدمون أفضل تخمين لديهم. يتحدثون مع بعضهم البعض، لكن لا يتم تصحيح أحد بعد.
3. الحالة "المثبتة": بعد ذلك، يهمس أحدهم بالإجابة الصحيحة للمجموعة. تقوم الخلايا العصبية بتعديل حالتها الداخلية قليلاً لتتطابق مع هذه الحقيقة.
4. التعلم: تقارن الخلايا العصبية بين كيفية تصرفها في الحالة "الحرة" وبين حالتها في الحالة "المثبتة". الفرق بين هاتين اللحظتين يخبرهم بكيفية ضبط روابطهم للقيام بعمل أفضل في المرة القادمة.

تسمى هذه الطة الانتشار التوازني لأن الخلايا العصبية تستقر في حالة من التوازن (التوازن/Equilibrium) قبل حدوث التعلم. وهذا يشبه إلى حد كبير كيف قد يتعلم الدماغ الحقيقي: من خلال مقارنة ما توقعت حدوثه مع ما حدث بالفعل، في تلك اللحظة ذاتها.

التحول الجديد: التعلم التنبؤي

أخذ الباحثون طريقة "حلقة النقاش الجماعية" هذه وطبقوها على نوع محدد من الخلايا العصبية يسمى خلية "التسرب والدمج والنبض" (Leaky Integrate-and-Fire - LIF). يمكنك التفكير في هذه الخلايا العصبية كدلاء مثقوبة (تسرب). الماء (الإشارات) يتدفق للداخل، وإذا امتلأ الدلو بما يكفي، فإنه "ينسكب" (يطلق نبضة) لإرسال رسالة إلى الشخص التالي. إذا لم يمتلئ، يتسرب الماء وتضيع الرسالة.

الابتكار الكبير في هذا البحث هو كيفية تعلم هذه الخلاما العصبية متى "تنسكب". فبدلاً من استخدام قاعدة شائعة تسمى STDP (والتي تشبه قول: "إذا أطلقتُ نبضة قبلك مباشرة، فأنا صديقك؛ وإذا أطلقتُ بعدك، فلستُ كذلك")، استخدموا قاعدة تعلم تنبؤية.

فكر في هذا الأمر كـ متنبئ بالطقس:

• الخلايا العصبية تحاول باستمرار التنبؤ بالإشارة التالية.
• إذا تنبأت بشكل صحيح، تظل هادئة.
• إذا تعرضت للمفاجأة (كان التنبؤ خاطئاً)، فإنها تعدل "درجة تسربها" أو مدى سهولة انسكابها لتصبح أفضل في التنبؤ في المرة القادمة.
• وهذا يتماشى مع فكرة الترميز التنبؤي (Predictive Coding)، حيث تتمثل المهمة الرئيسية للدماغ في التخمين المستمر للمستقبل والتعلم فقط عند حدوث مفاجأة.

ماذا وجدوا؟

اختبر الفريق هذا النظام الجديد ("الحلقة التنبؤية") على ثلاث مجموعات بيانات شهيرة للصور (MNIST، KMNIST، وFashion-MNIST)، وهي بمثابة اختبارات معيارية للتعرف على الصور.

1. إنه يعمل: حقق نظامهم الجديد (EP+LIF) درجات تقترب من ارتفاع نظام "المدير" التقليدي (BP+LIF). لقد أثبتوا أنك لست بحاجة إلى مدير من الأعلى إلى الأسفل للحصول على نتائج رائعة؛ فحلقة نقاش محلية وتنبؤية تعمل بشكل جيد أيضاً.
2. عادات مختلفة: عندما نظروا عن كثب إلى كيفية سلوك الخلايا العصبية، لاحظوا اختلافاً في "شخصيتها":
   • نظام المدير التقليدي (BP): جعل الخلايا العصبية هادئة وفعالة للغاية. فهي لا تطلق نبضات إلا عند الضرورة القصوى، مما يخلق نمطاً من النشاط الخفيف/المتباعد (Sparse).
   • النظام التنبؤي الجديد (EP): أبقى الخلايا العصبية أكثر نشاطاً واستمرارية. فقد ظلت "مستيقظة" وتتواصل مع بعضها البعض لفترات أطول.

الخلاصة

يظهر هذا البحث أنه يمكنك تدريب شبكات حاسوبية متطورة تشبه الدماغ باستخدام طريقة تشبه البيولوجيا الطبيعية (التنبؤ والحلقات الجماعية) أكثر من الهندسة الجامدة (الانتشار العكسي). وبينما تؤدي هذه الطة الجديدة إلى جعل الخلايا العصبية أكثر "ثرثرة" وأقل "تباعداً" من الطريقة التقليدية، إلا أنها تحقق نفس المستوى العالي من الدقة. وهذا يشير إلى أن الدماغ قد يستخدم مثل هذه الحيل القائمة على التنبؤ والتوازن للتعلم، وأننا يمكننا بناء ذكاء اصطناعي أفضل من خلال محاكاة تلك العادات المحددة.