Physical neural networks with trainable nonlinear connections for continuous control
تقدم هذه الورقة بنية شبكة عصبية فيزيائية تضع دوالاً غير خطية قابلة للتدريب على كل وصلة باستخدام مرشحات تمرير نطاق تناظرية، مما يثبت أن هذا النهج يحقق مهام تحكم مستمر عالية الدقة بعدد أقل بكثير من المعلمات والوصلات مقارنة بالشبكات العصبية متعددة الطبقات التقليدية، مع تمكين تنفيذات عتادية ذات استهلاك فائق الانخفاض للطاقة.
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 عالم الحوسبة الحديثة، أصبحت الآلات بارعة للغاية في التعرف على الأنماط، بدءاً من تحديد الوجوه في الصور وصولاً إلى ترجمة اللغات. هذه الأنظمة، المعروفة باسم الشبكات العصبية، تُبنى عادةً على معالجات رقمية تقوم بمعالجة الأرقام واحداً تلو الآخر. ومع ذلك، يتساءل مجال بحثي متنامٍ عما إذا كان بإمكاننا بناء هذه الآلات المفكرة باستخدام الفيزياء الخام للمكونات الإلكترونية نفسها. فبدلاً من محاكاة دماغ على كمبيوتر قياسي، يحاول الباحثون إنشاء "شبكات عصبية فيزيائية" حيث تقوم الأجهزة بالعمليات الفكرية مباشرة. لقد كان التحدي يكمن في أن معظم هذه الأنظمة الفيزيائية كانت تُجبر على التصرف مثل نظيراتها الرقمية، باستخدام قواعد بسيطة وثابتة لمعالجة المعلومات. وهذا غالباً ما يهدر السلوكيات الفريدة والمعقدة التي تمتلكها الأجهزة الإلكترونية الحقيقية بشكل طبيعي، مثل الطريقة التي قد يتفاعل بها نوع معين من المفاتيح بشكل مختلف اعتماداً على سرعة وصول الإشارة أو قوتها. والسؤال الذي يواجه العلماء هو ما إذا كان بإمكانهم التوقف عن محاربة هذه الخصائص الطبيعية واستخدامها بدلاً من ذلك كبنات أساسية للذكاء.
لقد اتخذ فريق من الباحثين من جامعات في جميع أنحاء المملكة المتحدة خطوة جريئة نحو الإجابة على هذا السؤال. فقد طوروا نوعاً جديداً من الشبكات الفيزيائية حيث لا يكون كل اتصال بين نقطتين مجرد رقم بسيط، بل دالة مرنة وقابلة للتدريب. تخيل شبكة قياسية حيث الأسلاك بين العقد هي مجرد أنابيب يمكن فتحها أو إغلاقها للسماح بمرور المزيد أو الأقل من الماء. في هذا النظام الجديد، يمكن للأنابيب نفسها تغيير شكلها وسلوكها، مما يعمل على ترشيح وإعادة تشكيل تدفق الماء. وقد بنى الباحثون هذه الاتصالات باستخدام مرشحات إلكترونية تناظرية، وهي دوائر تستجيب بشكل مختلف لترددات مختلفة من الصوت أو الكهرباء. ومن خلال تدريب هذه المرشحات لتعمل كـ "دماغ" للاتصال، خلقوا نظاماً يقوم فيه الجهاز الفيزيائي بالعبء الأكبر من الحساب، بدلاً من مجرد تمرير الإشارة.
اختبر الفريق هذا النهج في عدة مهام واقعية تتطلب تعديلات سلسة ومستمرة، مثل التحكم في حركة ذراع روبوتية، أو موازنة عمود على عربة متحركة، أو إيجاد أكثر نواتج الطاقة كفاءة من لوح شمسي. وفي كل حالة، قارنوا شبكتهم الفيزيائية الجديدة بالشبكات الرقمية القياسية. وكانت النتائج مذهلة؛ فبالنسبة للمهام التي تنطوي على حركات سلسة ومستمرة، حققت الشبكة الفيزيائية نفس مستوى الدقة التي حققتها الشبكة الرقمية ولكن بعدد أقل بكثير من الأجزاء. وفي بعض الحالات، استخدمت الشبكة الفيزيائية جزءاً ضئيلاً فقط من الاتصالات والمعلمات المطلوبة للنموذج الرقمي القياسي. وتعد هذه الكفاءة أمراً بالغ الأهمى لأن قلة الاتصالات تعني وجود أجهزة أقل للبناء والبرمجة واستهلاك الطاقة. وعندما قدر الباحثون مقدار الطاقة التي ستستهلكها شريحة مخصصة مبنية بهذه التكنولوجيا للتحكم في لوح شمسي، وجدوا أنها ستستخدم حوالي 35 ميكرووات فقط. وهذا يقل بنحو مرتبتين عشريتين عن المتحكمات الدقيقة الصغيرة المستخدمة حالياً لمهام الحوسبة الطرفية المماثلة، مما يشير إلى مسار نحو أجهزة ذكية ذات استهلاك منخفض للغاية للطاقة.
ولضمان أن نتائجهم لم تكن مجرد مصادفة لنوع واحد من الدوائر، قام الباحثون أيضاً بمحاكاة نفس الشبكة باستخدام نوع آخر من المكونات الإلكترونية يسمى "الممرستور" (memristor)، والذي يغير مقاومته بناءً على تاريخه. وحتى مع هذا النوع المختلف تماماً من المواد الفيزيائية، احتفظت الشبكة بميزتها على النماذج الرقمية القياسية. وهذا يشير إلى أن الفائدة تأتي من البنية الهيكلية نفسها — أي استخدام اتصالات غير خطية وقابلة للتدريب — وليس من أي نوع محدد من الأجهزة. كما أظهر الباحثون أنه يمكنهم أخذ النموذج الرياضي لشبكتهم، وترجمة الإعدادات مباشرة إلى الأجهزة الفيزيائية، لتعمل فوراً دون الحاجة إلى إعادة تدريب النظام على الجهاز نفسه. وقد اختبروا هذا الانتقال على أكثر من 35,000 اتصال فردي، ووجدوا أن الأجهزة الفيزيائية طابقت التنبؤات المحاكاتية بدقة عالية.
ومع ذلك، أوضحت الدراسة أيضاً أين لا يعد هذا النهج هو الأفضل. فعندما اختبر الباحثون الشبكة في مهام تتضمن اتخاذ قرارات حادة وثنائية، مثل تصنيف صور الملابس أو الاختيار بين إجراءين متميزين، لم تظهر الشبكة الفيزيائية ميزة واضحة على الشبكات الرقمية القياسية. ويوضح الباحثون أن هذا يعود إلى أن نظامهم مصمم للتفوق في التغييرات السلسة والمستمرة، في حين أن القرارات الثنائية غالباً ما تعتمد على حدود حادة يسهل على الشبكات التقليدية إنشاؤها. وهذا التمييز مهم: فهذه التكنولوجيا الجديدة ليست حلاً سحرياً لكل مشكلات الحوسبة، بل هي أداة متخصصة تتألق عندما تتضمن المهمة التنقل في مشهد سلس من الاحتمالات.
يمثل هذا العمل تحولاً كبيراً في كيفية تفكيرنا في بناء آلات ذكية. فبدلاً من محاولة إجبار الأجهزة الفيزيائية على التصرف كمفاتيح رقمية بسيطة ويمكن التنبؤ بها، أظهر الباحثون أنه يمكننا تسخير السلوكيات المعقدة والطبيعية لتلك الأجهزة للقيام بالعمل نيابة عنا. ومن خلال وضع دالة غير خطية قابلة للتعلم في كل اتصال، حولوا القيود الفيزيائية للأجهزة إلى قوة حوسبية. يقدم هذا النهج مساراً واعداً لشبكات مدمجة ومنخفضة الطاقة قادرة على التعامل مع مهام التحكم المستمرة في العالم الحقيقي، والتي تعد ضرورية للروبوتات، وإدارة الطاقة، والأنظمة ذاتية القيادة. وتشير النتائج إلى أن مستقبل التعلم الآلي الفعال قد لا يكمن في جعل أجهزتنا تشبه برمجياتنا، بل في ترك أجهزتنا تكون بالضبط ما هي عليه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.