Learning complex temporal dependencies via local synaptic plasticity
تُثبت هذه الورقة أن الترميز التنبؤي الزمني (tPC)، وهو إطار عمل منطقي بيولوجياً يستخدم اللدونة المشبكية المحلية، يمكنه تعلم التبعيات الزمنية المعقدة بفعالية ومنافسة الطرق التقليدية القائمة على الانتشار العكسي من خلال الاستفادة من ديناميكيات الخزان، والهياكل الهرمية، وآثار الأهلية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
للتنقل في العالم، يجب على أدمغتنا تتبع كيفية تطور الأحداث عبر الزمن باستمرار. وسواء كنا نتنبأ بالكلمة التالية في جملة، أو نضبط توقيت ضربة مضرب التنس، أو ببساطة نتذكر أين تركنا مفاتيحنا، فإن القدرة على استخراج الأنماط من تسلسل من اللحظات تعد أمراً أساسياً للفكر البشري. لعقود من الزمن، اعتمد العلماء الذين يحاولون فهم هذه العملية على نماذج حاسوبية قوية تسمى الشبكات العصبية المتكررة. هذه الأنظمة الرقمية بارعة في تعلم التسلسلات، لكنها غالباً ما تُبنى على أساس لا يتوافق مع كيفية عمل الأدمغة الحقيقية. وتتضمن الطريقة القياسية لتعليم هذه الشبكات خدعة رياضية تتطلب من النظام النظر إلى الوراء عبر الزمن، وتخزين كل حالة سابقة وإرسال إشارات الخطأ بشكل عكسي. وبينما يعمل هذا بشكل جيد للحواسيب، إلا أنه يُعت see كأمر مستحيل بيولوجياً بالنسبة للخلايا العصبية، التي يمكنها فقط التفاعل مع الإشارات الواصلة إلى موقعها المباشر ولا يمكنها الوصول إلى المعلومات من الماضي البعيد. وقد تركت هذه الفجوة بين الذكاء الاصطناعي الفعال والبيولوجيا المعقولة سؤالاً رئيسياً دون إجابة: كيف يتعلم الدماغ في الواقع التبعيات الزمنية المعقدة باستخدام قواعد محلية وبيولوجية فقط؟
لقد اتخذ فريق من الباحثين في جامعة أكسفورد خطوة كبيرة نحو الإجابة على هذا السؤال من خلال استكشاف إطار عمل يسمى "الترميز التنبؤي الزمني". يشير هذا النهج إلى أن الدماغ لا يحتاج إلى النظر إلى الوراء للتعلم؛ بل يقوم باستمرار بتوليد تنبؤات حول ما سيحدث بعد ذلك ويقوم بتحديث نموذجه الداخلي بناءً على الفرق بين تلك التنبؤات والواقع. وقد بحث الباحثون، جوليان نغ-كي-كونغ، وموفينغ تانغ، وتوماس أكام، ورافال بوغاش، فيما إذا كان بإمكان طريقة التعلم المحلي هذه التعامل مع المهام المعقدة القائمة على الوقت والتي تُخصص عادةً للخوارزميات الأكثر قوة وغير الواقعية بيولوجياً. ووجدوا أنه من خلال تحسين إطار الترميز التنبؤي هذا، استطاعوا إنشاء شبكات تتعلم تذكر السياق، وتحل ألغازاً معقدة تتضمن تأخيرات زمنية، وتظل قوية ضد المشتتات، وكل ذلك باستخدام القواعد البسيطة والمحلية التي تُعرف بها الخلايا العصبية الحقيقية.
تضمن جوهر تحقيقهم اختبار نسخة محددة من نظام الترميز التنبؤي هذا مقابل نسخة قياسية مبتورة من خوارزمية التعلم العكسي. في طريقة التعلم العكسي القياسية، يحسب الحاسوب مقدار الخطأ في نهاية تسلسل ما والذي نتج عن أحداث وقعت قبل خطوة واحدة فقط. وقد أظهر الباحثون أن نظام الترميز التنبؤي الخاص بهم ينتج تحديثات مشابهة رياضياً لطريقة الخطوة الواحدة العكسية هذه، ولكن مع اختلاف جوهري في كيفية معالجة المعلومات. في نموذج الترميز التنبؤي، لا يكتفي النظام بتمرير المعلومات إلى الأمام فحسب؛ بل يعمل بنشاط على صقل حالته الداخلية في كل لحظة من خلال مقارنة تنبؤه مع المدخلات الحسية الفعلية التي يتلقاها. وهذا يخلق تدفقاً دقيقاً ولكن قوياً للمعلومات من الملاحظة الحالية عائدة إلى ذاكرة الشبكة، مما يسمح لها بتصحيح مسارها في الوقت الفعلي. وعندما اختبروا ذلك في مهمة بسيطة لتتبع موقع جسيم متحرك، تعلم نموذج الترميز التنبؤي المهمة بسهولة، بينما فشلت الشبكة القياسية التي تستخدم طريقة الخطوة الواحدة العكسية، لعدم قدرتها على دمج معلومات السرعة بمرور الوقت دون ذلك التغذية الراجعة الفورية الإضافية.
وبناءً على هذا الأساس، استكشف الفريق ما إذا كانت هذه الشبكات يمكنها التعامل مع تسلسلات أكثر تعقيداً حيث تعتمد اللحظة الحالية على أحداث وقعت قبل عدة خطوات، وهو نوع من المشكلات يُعرف باسم "غير ماركوفية" (non-Markovian). في هذه السيناريوهات، لا يكفي معرفة الماضي المباشر؛ إذ يجب على النظام الاحتفاظ بسياق أطول في ذهنه. وقد أظهر الباحثون أن شبكات الترميز التنبؤي الخاصة بهم يمكنها استغلال ديناميكياتها الداخلية لتعمل مثل "الخزان" (reservoir)، وهو فضاء حالة عالي الأبعاد حيث تظل المدخلات الماضية عالقة وتؤثر على الحاضر. وخلافاً لـ "حواسيب الخزان" القياسية التي تبقي اتصالاتها الداخلية ثابتة، يمكن لهذا النظام تشكيل مساراته الداخلية من خلال التعلم المحلي. ومن خلال ضبط الروابط بين الخلايا العصبية بناءً على الأخطاء المحلية، أعادت الشبكة تنظيم حالتها الداخلية بحيث يصبح من السهل تمييز الأنماط المختلفة. وقد سمح هذا للنظام بتعلم تسلسلات متبادلة من الأصفار والآحاد تتطلب تذكر كتلة من عدة خطوات، وهي مهمة عانت معها الخزانات الثابتة كلما أصبحت الأنماط أكثر تعقيداً.
ولمعالجة تحديات زمنية أكثر صعوبة، أدخل الباحثون هيكلاً هرمياً، حيث تم رص طبقات متعددة من هذه الشبكات التنبؤية فوق بعضها البعض. في هذا الترتيب، تتلقى كل طبقة معلومات من الطبقة التي تحتها، ولكن مع تأخير زمني طفيف، مما يسمح لمستويات مختلفة من الشبكة بالعمل وفق جداول زمنية مختلفة. وقد أثبتت هذه البنية فعالية ملحوظة في حل المهام التي تتطلب دمج المعلومات من لحظات متباعدة تماماً، مثل "فحص التكافؤ" (parity check) حيث يتعين على النظام حساب العدد الإجمالي لإشارات معينة عبر تسلسل طويل لتحديد ما إذا كان العدد فردياً أم زوجياً. وبينما فشلت الشبكة أحادية الطبقة عندما أصبح التسلسل طويلاً جداً أو الفجوات الزمنية واسعة جداً، نجح النظام متعدد الطبقات. علاوة على ذلك، وفر هذا التصميم الهرمي درعاً ضد التداخل؛ فعندما أدخل الباحثون إشارات مشتتة قوية في تدفق المدخلات، فقدت الشبكة أحادية الطبقة ذاكرة الإشارة الأصلية، بينما احتفظت الشبكة الهرمية بها، حيث قامت بدمج المعلومات ذات الصلة انتقائياً مع تصفية الضوضاء.
أخيراً، تناول الفريق تحدي التعلم عبر تأخيرات طويلة جداً، حيث تصل مكافأة أو إشارة الخطأ بعد فترة طويلة من الحدث الأولي. في البيولوجيا، يتم التعامل مع هذا غالباً من خلال آلية تسمى "أثر الأهلية" (eligibility trace)، والتي تعمل مثل علامة مؤقتة على المشبك العصبي، لتحدد مدى أهليته للتغيير حتى تصل إشارة عالمية لتؤكد التعلم. وقد دمج الباحثون هذا المفهوم في إطار الترميز التنبؤي الخاص بهم، مما خلق نظاماً يمكنه الحفاظ على ذاكرة متلاشية للنشاط السابق. وقد سمح هذا للشبكة بربط حدث وقع قبل عدة ثوانٍ بإشارة تعلم وصلت في وقت لاحق بكثير. وفي الاختبارات المتعلقة بمهمة الاستجابة المتأخرة، حيث كان على النموذج تذكر إشارة تم تقديمها في بداية التجربة وإعادة إنتاجها بعد تأخير متغير، نجح النظام المزود بآثار الأهلية حيث فشل الإصدار القياسي. فقد استطاع سد الفجوات التي تصل إلى عشر خطوات زمنية، معيداً إنتاج الإشارة الأصلية بنجاح حتى بعد التأخير، مما أثبت أن قواعد اللدونة المحلية يمكن بالفعل أن تدعم التعلم عبر فترات ممتدة.
تشير النتائج إلى أن الدماغ قد لا يحتاج إلى الآليات المعقدة غير المحلية لنشر الخطأ العكسي للتعلم من الزمن. بدلاً من ذلك، فإن الشبكات البسيطة نسبياً التي تحكمها قواعد محلية، عندما تُنظم بديناميكيات تنبؤية، وطبقات هرمية، وآثار أهلية، يمكنها دعم تعلم زمني متطور. ورغم أن هذه النماذج لا تزال عمليات محاكاة وليست وصفاً كاملاً للدماغ البشري، إلا أنها تقدم بديلاً مقنعاً للخوارزميات القياسية المستخدمة في الذكاء الاصطناعي. فهي تظهر أن الملاءمة البيولوجية لا تتطلب التضحية بالقدرة على تعلم الأنماط المعقدة. ومن خلال الجمع بين الترميز التنبؤي وهذه الآليات الإضافية، كشف الباحثون عن مسار لفهم كيف يمكن للأنظمة البيولوجية حل المشكلة الصعبة المتمثلة في "تخصيص الائتمان الزمني" (temporal credit assignment)، أي التعلم من الماضي دون الحاجة إلى النظر إلى الوراء.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.