On Image classification using spiking membrane systems with structural plasticity and spike time dependent plasticity rules

في الزوايا الهادئة لعلوم الحاسوب، يسعى فرع محدد من الأبحاث إلى بناء آلات تفكر بشكل يشبه الكائنات الحية. لعقود من الزمن، اعتمد الذكاء الاصطناعي القياسي على نماذج رياضية تعالج المعلومات في تدفقات مستمرة وثابتة، تماماً مثل الآلة الحاسبة التي تعالج الأرقام. لكن الدماغ البشري يعمل بشكل مختلف؛ فهو يتواصل من خلال نبضات كهربائية قصيرة وحادة تسمى "النبضات" (spikes)، والروابط بين خلاياه ليست ثابتة، بل تنمو وتتقلص وتعيد تشكيل نفسها بناءً على الخبرة. هذا المجال، المعروف بالحوسبة الطبيعية، يحاول محاكاة هذه الديناميكية البيولوجية. والهدف هو إنشاء أنظمة لا تكتفي بالحساب فحسب، بل تتكيف، وتتعلم من توقيت الإشارات ومن البنية الفيزيائية لشبكاتها الخاصة.

لقد اتخذ فريق من الباحثين في كولكاتا خطوة كبيرة في هذا الاتجاه من خلال تصميم نوع جديد من النماذج الحاسوبية التي تحاكي هذه السلوكيات البيولوجية. وقد ركزوا على تحدٍ محدد: التعرف على الحروف المكتوبة بخط اليد. وبينما تستطيع الحواسيب القياسية قراءة النصوص بسهولة، إلا أنها غالباً ما تعاني عندما يكون المدخل مشوهاً أو غير منتظم. أراد الباحثون معرفة ما إذا كان النظام الذي يمكنه إعادة تنظيم روابطه الداخلية فيزيائياً، مع تعديل قوة تلك الروابط أيضاً، يمكنه التعامل مع الضجيج بشكل أفضل من الطرق الموجودة حالياً. يقدم عملهم نموذجاً يجمع بين مفهومين بيولوجيين قويين: القدرة على إنشاء وحذف الروابط آنياً، والقدرة على التعلم من التوقيت الدقيق للإشارات.

بنى الباحثون دماغاً رقمياً يتكون من وحدات بسيطة تعمل كخلايا عصبية. وخلافاً للشبكات التقليدية حيث يكون المسار بين نقطتين دائماً، يسمح هذا النظام للروابط نفسها بالتغير. فعند وصول إشارة ما، يمكن للنظام أن يقرر بناء جسر جديد بين وحدتين أو هدم جسر قديم؛ وهذا ما يسمى باللدونة الهيكلية (structural plasticity). وفي الوقت نفسه، يستخدم النظام قاعدة تعلم مستوحاة من كيفية تقوية الأدمغة البشرية للذكريات؛ فإذا أطلقت وحدتان نبضات في نفس الوقت، تصبح الرابطة بينهما أقوى، وإذا أطلقتاهما في وقت غير متزامن، تضعف الرابطة. هذا النهج المزدوج يسمح للنظام ليس فقط بتعلم أي الإشارات هي المهمة، بل وأيضاً بإعادة تشكيل هيكل شبكته فيزيائياً للتركيز على الأنماط الصحيحة.

ولاختبار هذه الفكرة، أنشأ الفريق مجموعة بيانات اصطناعية للحروف الإنجليزية. حيث أخذوا شبكات بسيطة من البكسلات بحجم 7×5، حيث تمثل البكسلات السوداء الحرف وتمثل البكسلات البيضاء الخلفية. ثم قاموا بتحويل هذه الشبكات إلى تسلسلات من النبضات الكهربائية. ولمحاكاة العيوب في العالم الحقيقي، قاموا بقلب بعض البتات (bits) في البيانات عشوائياً، محولين البكسلات السوداء إلى بيضاء والعكس، مما خلق ثلاثة مستويات من الضجيج: منخفض، متوسط، وعالٍ. ثم قاموا بتغذية هذه التسلسلات المشوشة في نموذجهم الجديد وراقبوا مدى قدرته على تحديد الحروف. وقارنوا النتائج بنموذج سابق كان يستخدم فقط قاعدة التعلم القائمة على التوقيت دون القدرة على إعادة توصيل روابطه.

أظهرت النتائج أن النظام الجديد كان مرناً بشكل ملحوظ. فعندما كانت البيانات نظيفة تماماً، حدد النموذج الحروف بدقة متوسط بلغت 99.8 بالمائة تقريباً. والأهم من ذلك، أنه مع زيادة الضجيج، حافظ النموذج الجديد على أدائه بشكل أفضل من النموذج الأقدم. وفي السيناريوهات ذات مستويات الضجيج المتوسطة والعالية، حيث بدأ النموذج الأقدم في التراجع، حافظ النظام الجديد على دقة أعلى. فعلى سبيل المثال، عندما تم قلب سبعة بتات من نمط الحرف المكون من 35 بت، نجح النموذج الجديد في التعرف على الحروف بشكل صحيح بنسبة 80 بالمائة تقريباً، متفوقاً على المعيار السابق. ووجد الباحثون أن القدرة على إنشاء وحذف الروابط ديناميكياً سمحت للنظام بتصفية الأخطاء العشوائية والتركيز على الشكل الجوهري للحرف.

كما سلطت الدراسة الضوء على وجود مقايضة؛ فبينما كان النموذج الجديد أكثر قوة ودقة في الظروف المشوشة، إلا أنه تطلب موارد حاسوبية أكبر لإدارة العملية المعقدة لإعادة التوصيل وتعديل الأوزان. أما النموذج الأقدم والأبسط فكان أسرع وأخف وزناً ولكنه أقل قدرة على التعامل مع التشوه الكبير. وأشار الباحثون إلى أن عملهم يعد بمثابة إثبات لمفهوم (proof of concept)، يوضح أن النظام يمكنه تطوير هيكله الخاص لحل المشكلات. وقد استخدموا مجموعة بيانات اصطناعية تم إنشاؤها من قوالب بدلاً من الصور الفوتوغرافية الواقعية، مما يعني أن النتائج تنطبق تحديداً على هذا النوع من مهام التعرف على الأنماط. ومع ذلك، فإن هذا النجاح يشير إلى أن الجمع بين التغييرات الهيكلية والتعلم القائم على التوقيت يمكن أن يكون استراتيجية قوية لبناء آلات ليست ذكية فحسب، بل وقادرة أيضاً على التكيف مع الطبيعة الفوضوية وغير المتوقعة لبيانات العالم الحقيقي.