← أحدث الأبحاث
💻 computer science

Mutual Lateral Prediction for Locally Trained Spiking Neural Networks

تقدم هذه الورقة البحثية MPC-SNN، وهي شبكة عصبية نبضية تلافيفية مبتكرة تحقق دقة هي الأفضل في فئتها على معيار DVS128 Gesture باستخدام تعلم محلي بحت وخالٍ من الانتشار العكسي، وذلك من خلال تمكين الخلايا العصبية من التنبؤ بالمدخلات الأمامية لقرنائها عبر مصفوفة أوزان جانبية متعلمة.

المؤلفون الأصليون: Nitesh Kamanuru Purushotham, Pranav Kulkarni

نُشر 2026-08-19
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Nitesh Kamanuru Purushotham, Pranav Kulkarni

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

في السعي لبناء آلات ترى وتفكر بكفاءة الدماغ البشري، نظر الباحثون لفترة طويلة إلى نوع خاص من الشبكات الاصطناعية يسمى "الشبكة العصبية النبضية". وخلافًا لبرامج الكمبيوتر القياسية التي تعالج المعلومات في تدفق مستمر وثابت، تحاكي هذه الشبكات لغة الدماغ الكهربائية الخاصة: وهي نبضات قصيرة وحادة من النشاط تُعرف بالنبضات (spikes). هذا النهج مناسب تمامًا لأنواع جديدة من الأجهزة المصممة لمحاكاة البيولوجيا، والتي يمكنها أداء مهام معقدة مع استخدام جزء ضئيل من الطاقة التي تتطلبها الحواسيب التقليدية. ومع ذلك، ظل هناك عقبة رئيسية؛ إذ تعتمد الطريقة الأكثر دقة لتعليم هذه الشبكات التعرف على الأنماط حاليًا على أسلوب يتطلب من الكمبيوتر إرسال إشارات الخطأ عكسيًا عبر كل طبقة من طبقات الشبكة، وهي عملية يستحيل تشغيلها على الأجهزة الموفرة للطاقة نفسها، ولا يوجد لها مثيل في الدماغ البيولوجي. وقد بحث العلماء عن طريقة لتدريب هذه الشبكات باستخدام قواعد محلية فقط، حيث يتعلم كل جزء من الشبكة من جيرانه المباشرين دون الحاجة إلى إشارة عالمية من الأعلى.

قدم فريق من الباحثين الآن نظامًا جديدًا يحل هذه المشكلة من خلال تعليم الشبكة التنبؤ بما أوشك جيرانها على تجربته. في هذه البنية الجديدة، التي تسمى MPC-SNN، لا تكتفي كل خلية عصبية بالاستجابة للإشارات التي تتلقاها فحسب، بل تحاول أيضًا تخمين الإشارات التي سيتلقاها أقرانها في الطبقة نفسها. إذا كان التنبؤ صحيحًا، تظل الخلية هادئة، أما إذا كان التنبؤ خاطئًا، فإن الخلية تطلق نبضة للإشارة إلى عنصر المفاجأة. تسمح هذه الآلية للشبكة بالتعلم بالكامل من التفاعلات المحلية، باستخدام قاعدة محددة حيث تقوم الخلية بتحديث اتصالاتها بناءً على خطئها الخاص والنشاط الأخير لأحد الجيران. اختبر الباحثون هذا النظام على مجموعة بيانات لإيماءات اليد المسجلة بواسطة كاميرا خاصة لا ترى سوى التغيرات في الضوء، وهي مهمة تتوافق تمامًا مع نقاط القوة لهذا النوع من التكنولوجيا.

تظهر نتائج الدراسة أن هذا النهج يعمل بشكل جيد للغاية. ففي مجموعة الاختبار المكونة من 288 عينة إيماءة، حققت الشبكة دقة بلغت 95.83 بالمائة، وهو أداء يضاهي أفضل الطرق الموجودة التي لا تستخدم إشارات خطأ عالمية، ويتفوق بشكل كبير على الأنظمة التي تم نشرها بالفعل على شرائح عصبية مادية. ولعل الأهم من ذلك هو أن الشبكة أصبحت أكثر كفاءة أثناء تعلمها؛ فخلال عملية التدريب، انخفض عدد النبضات التي أطلقتها بأكثر من 60 بالمائة، مما يعني أن النظام النهائي يستخدم طاقة أقل بكثير لاتخاذ القرار. لم تكن هذه الكفاءة مفروضة بقاعدة محددة لفرض الندرة، بل ظهرت بشكل طبيعي لأن الشبكة تعلمت أن تطلق النبضات فقط عندما تُفاجأ حقًا بالمدخلات.

كان الاكتشاف الرئيسي في الدراسة هو أن الآلية التي تسمح للخلايا العصبية بالتنبؤ بمدخلات جيرانها لم تكن مجرد فكرة نظرية، بل كانت جزءًا نشطًا ومتناميًا من النظام. فعندما بدأ الباحثون التدريب، كانت الاتصالات المسؤولة عن هذه التنبؤات تقترب من الصفر، ومع تعلم الشبكة، نمت هذه الاتصالات بشكل كبير، حيث زادت القدرة التنبؤية لأقوى طبقة بأكثر من عشرين ضعفًا. حدث هذا النمو دون أي تسميات أو توجيه خارجي، مما يثبت أن الشبكة كانت تتعلم حقًا توقع نشاط أقرانها. ووجدت الدراسة أيضًا أن النظام كان فعالاً للغاية في التعامل مع المعلومات المقدمة له؛ فحتى عندما قلل الباحثون كمية البيانات المصنفة المستخدمة للتدريب إلى ربع الكمية الأصلية فقط، احتفظت الشبكة بنحو ثلاثة أرباع دقتها، مما يشير إلى أن مرحلة التعلم المحلي الأولية قد بنت بالفعل فهمًا قويًا للعالم المرئي.

بينما قدم النظام أداءً استثنائيًا في المحاكاة، فقد كان الباحثون حذرين في الإشارة إلى أن النتائج تقتصر حاليًا على النماذج الحاسوبية ولم تُختبر بعد على شرائح عصبية مادية. كما لاحظوا أن النظام واجه صعوبة في تحديد الإيماءات المختلفة بنيويًا عن بيانات التدريب، مما يشير إلى أن قدرته على اكتشاف المدخلات غير المعتادة لا تزال محدودة. ومع ذلك، يوفر هذا العمل برهانًا ملموسًا على أن الشبكة يمكنها تعلم مهام معقدة باستخدام قواعد محلية وبرمجة تنبؤية فقط، مما يوفر مسارًا واعدًا نحو بناء آلات ذكية تعمل بالطاقة المنخفضة والسرعة العالية للأنظمة البيولوجية. ويشير نجاح هذا النهج إلى أن مستقبل الذكاء الاصطناعي الفعال قد لا يكمن في إرسال كميات هائلة من البيانات عكسيًا عبر الشبكة، بل في تعليم كل جزء من النظام كيف يستمع إلى جيرانه ويتنبأ بهم.

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 💻 cs →