← أحدث الأبحاث
📄 other

A bio-inspired hybrid lifelong learning based on self-selective memristors

تقترح هذه الورقة نظام تعلم مستمر هجين مستوحى حيوياً يقوم بالتصميم المشترك لخوارزمية هجينة بين ذبابة الفاكهة والإنسان مع أجهزة ممرستور ذاتية الاختيار للتغلب على النسيان الكارثي وعدم كفاءة الطاقة، محققاً تحسينات كبيرة في السرعة والطاقة مقارنة بمسرعات CMOS التقليدية.

المؤلفون الأصليون: Yishu Zhang, Xuemeng Fan, Guobin Zhang, Zhejia Zhang, Xinheng Mei, Zijian Wang, Wenjue Zhou, Daying Sun, Lei Deng, Mingkun Xu, Shuai Zhong, Yi Tong, Bin Yu, Rong Zhao, Dashan Shang, Xiaolei Zhu, Qing
نُشر 2026-07-27
📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Yishu Zhang, Xuemeng Fan, Guobin Zhang, Zhejia Zhang, Xinheng Mei, Zijian Wang, Wenjue Zhou, Daying Sun, Lei Deng, Mingkun Xu, Shuai Zhong, Yi Tong, Bin Yu, Rong Zhao, Dashan Shang, Xiaolei Zhu, Qing Wan

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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

تخيل أنك تحاول تعليم روبوت لعب كل ألعاب الفيديو التي صُنعت على الإطلاق، واحدة تلو الأخرى. المشكلة هي أنه عندما يتعلم الروبوت لعبة "Space Invaders"، فإنه غالباً ما ينسى كيفية لعب "Pac-Man". يُسمى هذا "النسيان الكارثي"، وهو يمثل صداعاً كبيراً للذكاء الاصطناعي. ولإصلاح ذلك، يحاول العلماء عادةً إما تجميد دماغ الروبوت بحيث لا يمكنه النسيان (لكنه حينها لن يتمكن من تعلم أشياء جديدة) أو تركه يتعلم بحرية (لكنه حينها سينسى الأشياء القديمة). ومع ذلك، فإن الطبيعة تمتلك حيلة أفضل؛ فأدمغتنا لا تقوم فقط بتخزين كل شيء إلى الأبد، بل تنسى الأشياء المملة بنشاط لتفسح مجالاً للأشياء المهمة، ولدينا أنواع مختلفة من الذاكرة التي تبقى لفترات زمنية متفاوتة. تستكشف هذه الورقة البحثية طريقة جديدة لبناء ذكاء اصطناعي يحاكي هذا التوازن البيولوجي، ولكن بدلاً من استخدام شرائح حاسوبية بطيئة وتستهلك الكثير من الطاقة، تستخدم نوعاً خاصاً من المكونات الإلكترونية التي تعمل كخلية ذاكرة حية.

قام الباحثون، بقيادة ييشو تشانغ وفريق من مؤسسات مثل جامعة تشجيانغ وجامعة تسينغهوا، بابتكار نظام "تعلم مستمر هجين". فكر في الأمر كدماغ روبوت مبني من جزأين مختلفين تماماً يعملان معاً. أولاً، صمموا خوارزمية برمجية ذكية تجمع بين فكرتين بيولوجيتين: "النسيان النشط" (المستوحى من ذباب الفاكهة، الذي ينسى الأشياء ليبقى فعالاً) و"اللدونة الفوقية" (المستوحاة من البشر، التي تقوي الذكريات المهمة). ثان، صنعوا جهازاً مادياً يسمى "الممرستور ذاتي الاختيار" (SSM) والذي يتصرف بشكل طبيعي مثل هذا البرنامج. يمكن لهذه الأجهزة الصغيرة تغيير مقاومتها الكهربائية لتخزين المعلومات، ولكن على عكس ذاكرة الكمبيوتر العادية، لديها "تسريب" مدمج يتلاشى ببطء مع الذكريات الضعيفة بينما يحافظ على الذكريات القوية، تماماً مثل الدماغ البشري.

لم يكتفِ الفريق بمحاكاة ذلك على جهاز كمبيوتر فحسب؛ بل قاموا بالفعل ببناء شريحة صغيرة تحتوي على 1,024 من هذه الممرستورات (مرتبة في شبكة 32×32) واختبروها. ووجدوا أنه من خلال ضبط سرعة "نسيان" هذه الأجهزة، استطاعوا إنشاء فريق من خمسة "نوى ذاكرة" مختلفة داخل الشريحة. تم ضبط بعض النوى لتكون سريعة النسيان ومرنة للغاية (وهي رائعة لتعلم مهام جديدة وصعبة بسرعة)، بينما تم ضبط أخرى لتكون مستقرة وعنيدة للغاية (وهي رائمة للحفاظ على المهارات القديمة والمهمة). وعندما اختبروا هذا النظام على سلسلة من 20 مهمة مختلفة للتعرف على الصور (باستخدام مجموعة بيانات تسمى CIFAR)، نجح النظام في تعلمها جميعاً دون نسيان المهام السابقة.

كانت النتائج مبهرة. فمقارنة بالشرائح الحاسوبية القياسية (CMOS)، يُتوقع أن يكون هذا النظام أسرع بمقدار 3.42 مرة ويستهلك طاقة أقل بمقدار 91 مرة. ويشير المؤلفون إلى أن هذا النهج يحل الصراع الأزلي بين الحفاظ على المعرفة القديمة آمنة وتعلم أشياء جديدة، مما يمهد الطريق لذكاء اصطناعي يمكنه حقاً التعلم المستمر في العالم الحقيقي، تماماً كما نفعل نحن. وهم يؤكدون أنه بينما تم اختبار قواعد التعلم الأساسية على الأجهزة، فإن أرقام الأداء الكامل لتحدي الـ 20 مهمة استندت إلى عمليات محاكاة تمت معايرتها باستخدام قياسات أجهزتهم الواقعية، مما يظهر أن فيزياء أجهزتهم الجديدة يمكنها بالفعل دعم تعلم مستمر ومعقد.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 📄 other →