Columnar-Embedder: A Biologically Inspired Cortical Architecture for Binary Sparse Distributed Graph Representations

لفهم التحدي الذي يعالجه هذا البحث، يجب على المرء أولاً أن يستوعب كيف تحاول الحواسيب حالياً استيعاب الشبكات المعقدة. في العالم الرقمي، غالباً ما تُرسم العلاقات في شكل رسوم بيانية (graphs)، حيث تُربط نقاط تسمى "عُقداً" (nodes) بخطوط تسمى "حواف" (edges). تمثل هذه الهياكل كل شيء، من اتصالات وسائل التواصل الاجتماعي وشبكات الاستشهاد إلى الروابط الجزيئية في عقار جديد. تكمن المشكلة في أن هذه الشبكات لا تتبع القواعد المستقيمة والشبكية للعالم المادي الذي نسير فيه؛ بل هي ملتوية وغير منتظمة، مما يجعل من الصعب على خوارزميات الكمبيوتر القياسية إيجاد أنماط داخلها. ولحل هذه المعضلة، طور العلماء طرقاً لترجمة هذه الشبكات الفوضوية إلى قوائم مرتبة من الأرقام، تُعرف باسم "التضمينات" (embeddings). تسمح هذه القوائم للحواسيب بمقارنة أجزاء مختلفة من الشبكة، أو التنبؤ بالاتصالات المفقودة، أو تصنيف العناصر إلى فئات. ومع ذلك، فإن الطرق الأكثر نجاحاً اليوم تعتمد على حسابات هائلة تستهلك الكثير من الطاقة، وتتطلب من الكمبيوتر رؤية الشبكة بأكملها في وقت واحد وتعديل إعداداته الداخلية من خلال عملية بطيئة ومتكررة من التجربة والخطأ. هذا النهج يعمل بشكل جيد ولكنه مكلف، ويعاني عندما تتغير الشبكة أو عند إضافة عناصر جديدة دون إعادة تدريب النظام بأكتها.

لقد اقترح فريق من الباحثين في جامعة بورتلاند ستيت مساراً مختلفاً، يبدو أقل شبهاً ببرنامج كمبيوتر قياسي، وأقرب إلى الطريقة التي يعالج بها الدماغ البشري المعلومات. لقد بنوا نظاماً يسمى "المُضمِّن العمودي" (Columnar-Embedder)، والذي يحاكي هيكل القشرة الثديية، وهي الطبقة الخارجية من الدماغ المسؤولة عن معالجة المدخلات الحسية. وبدلاً من استخدام الحسابات العالمية الثقيلة، يتعلم نظامهم من خلال مراقبة تدفقات البيانات، تماماً كما يتعلم الدماغ من التدفق المستمر للمناظر والأصوات. صمم الباحثون هذه البنية لإنشاء كود ثنائي مدمج لكل عقدة في الشبكة. في هذا الكود، لا تُخزن المعلومات كقائمة طويلة من الأرقام العشرية، بل كنمط متفرق من المفاتيح النشطة وغير النشطة. وهذا يعني أنه بالنسبة لأي قطعة من البيانات، يكون جزء ضئيل فقط من مكونات النظام نشطاً في وقت واحد، تماماً كما لا يعمل سوى نسبة صغيرة من الخلايا العصبية عند التعرف على وجه ما. هذا الإلهام البيولوجي يسمح للنظام بالتعلم المستمر، والتكيف مع البيانات الجديدة دون نسيان الدروس القديمة، ومقاومة الأخطاء التي قد تربك الطرق التقليدية.

جوهر هذا العمل هو طريقة جديدة لتعليم الكمبيوتر كيفية فهم الرسم البياني دون الحاجة إلى معلم يصحح أخطاءه. قام الباحثون بتغذية النظام بمسارات عشوائية تم اتخاذها عبر الشبكة، وهي تقنية تُعرف باسم "المسارات العشوائية" (random walks)، والتي تعمل مثل كشاف يستكشف مدينة لفهم أي الأحياء قريبة من بعضها البعض. وبينما كان النظام يراقب هذه المسارات، استخدم قاعدة تعلم محلية مستوحاة من كيفية تقوية الخلايا العصبية البيولوجية لروابطها عندما تعمل معاً. هذه القاعدة، المعروفة باسم قاعدة BCM، سمحت للنظام بتعديل أوزانه الداخلية بناءً على عدد المرات التي ظهر فيها عنصران معاً في نفس السياق. ومن الأهمية بمكان أن هذا التعلم حدث محلياً، مما يعني أن كل جزء من النظام احتاج فقط إلى معرفة جيرانه المباشرين وتدفق البيانات الحالي، بدلاً من معرفة الشبكة بأكملها. كما استخدم النظام آلية لضمان أن تطور العقد المختلفة، حتى تلك التي تبدو متشابهة جداً، أكواداً فريدة. وقد تحقق ذلك من خلال عملية تنافسية حيث تتنافس الخلايا العصبية داخل مجموعة صغيرة لتمثيل مدخل معين، مما يضمن بقاء الكود النهائي متميزاً ومفيداً.

عندما اختبر الباحثون هذه البنية الجديدة، وجدوا أنها تستطيع أداء مهام معقدة بكفاءة مذهلة. فقد طبقوا النظام على عدة مجموعات بيانات قياسية، بما في ذلك شبكات الاستشهادات العلمية وتوصيات المنتجات، وطلبوا منه القيام بمهمتين صعبتين: تحديد فئة العقدة والتنبؤ بما إذا كانت هناك علاقة بين عقدتين. في هذه الاختبارات، حقق "المُضمِّن العمودي" نتائج تنافسية مع أكثر الطرق تقدماً واستهلاكاً للطاقة المتاحة حالياً. لقد حقق دقة عالية في تصنيف العقد والتنبؤ بالروابط، مضاهاً أداء الأنظمة التي تعتمد على كميات هائلة من البيانات والتحسين الرياضي المعقد. وما جعل النتيجة مثيرة للإعجاب بشكل خاص هو أن النظام حقق ذلك دون استخدام أي بيانات مصنفة لتوجيه تعلمه، ودون الحاجة لرؤية الرسم البياني بأكمله في وقت واحد، ودون عملية التعديل العالمية البطيئة التي تميز التعلم العميق الحديث. لقد تعلم النظام من خلال هيكل الشبكة نفسه فقط، مما خلق تمثيلاً يتسم بالمتانة والقابلية للنقل.

اكتشف الباحثون أيضاً أن نهجهم المستوحى بيولوجياً يقدم مزايا فريدة في كيفية تعامله مع الأخطاء والتغييرات. فعندما قاموا بإفساد البيانات عمداً عن طريق قلب البتات (bits) أو إدخال الضجيج، تدهور أداء النظام بشكل أبطأ بكثير من الطرق التقليدية. تأتي هذه المرونة من طبيعة الكود المتفرق؛ فبما أن المعلومات موزعة عبر العديد من المكونات، فإن فقدان بعض القطع لا يدمر معنى الكل. علاوة على ذلك، أظهر النظام قدرة على التوسع إلى شبكات أكبر بكثير دون الحاجة إلى أي تغييرات في تصميمه أو إعداداته. فعند اختباره على رسوم بيانية تضم عشرات الآلاف من العقد، حافظ النظام على أدائه العالي وقدرته على التمييز بين أنواع مختلفة من العقد. يشير هذا إلى أن الآليات الداخلية للنظام، والتي تحاكي التوازن الاستتبابي للدماغ، تسمح له بالتكيف طبيعياً مع حجم وتعقيد البيانات التي يواجهها. لم يتعلم النظام التعرف على الأنماط فحسب، بل تعلم تنظيمها بطريقة تحافظ على الهيكل الأساسي للشبكة، حتى مع نمو الشبكة.

أحد أهم النتائج لهذا العمل هو أن البنية مصممة لتكون استقرائية (inductive)، مما يعني أنها يمكنها نظرياً توليد تمثيلات لعقد جديدة غير مرئية دون إعادة تدريب النموذج بأكمله. وبينما تؤكد الورقة البحثية أن البنية تنتج تمثيلاً تنافسياً ومرناً قادراً على القيام بهذه القدرة الاستقرائية، إلا أنها لا تقدم نتائج صريحة للتعميم الصفري (zero-shot generalization) على تدفقات حية من العقد غير المرئية. بدلاً من ذلك، أظهر الباحثون أن النظام يتوسع إلى رسوم بيانية أكبر وأنواع بيانات مختلفة دون تغييرات في البمارية أو ضبط المعلمات الفائقة (hyperparameters)، مما يشير إلى أن آلية التعلم الأساسية قوية بما يكفي للتعامل مع البيانات الجديدة ضمن إطاره. تشير هذه القدرة إلى مستقبل يمكن فيه لأنظمة تعلم الرسوم البيانية أن تعمل في الوقت الفعلي، وتتكيف مع الشبكات الديناميكية أثناء تغيرها. لقد أثبت الباحثون أن نهجهم يمكن أن يتعامل مع أنواع مختلفة من الرسوم البيانية، من شبكات الاستشهادات المتفرقة إلى رسومات توصية المنتجات الكثيفة، دون الحاجة إلى تعديل القواعد الأساسية. تشير هذه التعددية في الاستخدام إلى أن المبادئ التي كشفوا عنها هي مبادئ أساسية لكيفية فهم البيانات العلاقاتية المعقدة، وليست مجرد خدعة خاصة بنوع معين من البيانات. إن قدرة النظام على التعلم دون إشراف، ودون تنسيق عالمي، ودون خطر نسيان الدروس السابقة، تقدم بديلاً مقنعاً للوضع الراهن.

كما سلطت الدراسة الضوء على كفاءة التمثيل الثنائي المتفرق. فمن خلال استخدام كود حيث تكون أعداد قليلة فقط من البتات نشطة في أي وقت، يتطلب النظام ذاكرة وطاقة أقل بكثير لتخزين المعلومات ومعالجتها مقارنة بالأرقام العشرية المستمرة المستخدمة في الطرق الأخرى. هذه الكفاءة ليست مجرد فائدة نظرية؛ فقد أظهر الباحثون أنه بالنسبة للشبكات الكبيرة، يمكن أن تكون وفورات الذاكرة كبيرة، مما يسمح للنظام بالتناسب مع ذاكرات التخزين المؤقت (caches) الأصغر والأسرع للحاسوب. هذا يجعل النهج جذاباً بشكل خاص للتطبيقات التي تكون فيها الموارد محدودة أو حيث تكون السرعة أمراً حاسماً. كما أن تصميم النظام، الذي يعتمد على التفاعلات المحلية والقواعد البسيطة، يجعله مناسباً جداً للتنفيذ على أجهزة متخصصة تحاكي الدماغ، مما قد يؤدي إلى توفير أكبر في الطاقة في المستقبل.

في النهاية، يمثل هذا العمل إثباتاً لمفهوم أن بنية مستوحاة بيولوجياً يمكنها حل مشكلات الرسوم البيانية الصعبة بمستوى من الأداء يضاهي أكثر النماذج الرياضية تطوراً. إنه يتحدى الافتراض بأن التعرف على الأنماط المعقدة يتطلب حسابات مركزية هائلة. بدلاً من ذلك، يظهر أن نظاماً مبنياً على التعلم المحلي، والتنافس، والترميز المتفرق يمكنه بناء فهم غني ودقيق للشبكة. لم يدّعِ الباحثون أنهم حلوا كل مشكلة في تعلم الرسوم البيانية، ولم يشيروا إلى أن نظامهم مثالي في كل سيناريو. فقد أشاروا إلى أن النظام قد يكون عرضة لأنواع معينة من الهجمات المصممة أو في الحالات التي تكون فيها البيانات متفرقة للغاية. ومع ذلك، تظهر النتائج بوضوح أن مساراً مختلفاً ممكن، مسار يستمد من ملايين السنين من التطور التي شكلت الدماغ الثديي. ومن خلال ترجمة مبادئ بنية القشرة إلى إطار عمل لتعلم الآلة، فتح الباحثون آفاقاً جديدة لإنشاء أنظمة ليست قوية فحسب، بل أيضاً كفؤة، ومرنة، وقادرة على التعلم المستمر في عالم متغير.