بحثت دراسة جديدة أجراها باحثون في الجامعة العبرية لأول مرة ما إذا كانت شبكة التعلم العميق التي تتكون من طبقات من الخلايا الاصطناعية الشبيهة بالنقاط يمكنها محاكاة البنية المعقدة لخلية عصبية بيولوجية حقيقية واحدة بدقة
نحن في خضم ثورة علمية وتكنولوجية حقيقية. تعرف أجهزة الكمبيوتر اليوم كيف تتعلم من الأمثلة وتؤدي المهام التي كانت تعتبر منذ وقت ليس ببعيد مستحيلة بالنسبة للآلات الاصطناعية، بدءا من التعرف على الوجوه البشرية من زوايا مختلفة إلى قيادة السيارات ذاتية القيادة. تعتمد شبكات التعلم العميق، المسؤولة عن غالبية مهام التعلم المعقدة هذه، والتي تستطيع أجهزة الكمبيوتر الحديثة حلها، على المبادئ الأساسية لبنية الدماغ وعمله: الخلايا العصبية (الخلايا العصبية) المتصلة ببعضها البعض عن طريق المشابك العصبية، التي من خلالها تنقل الخلايا المختلفة الإشارات (الإدخال والإخراج) لبعضها البعض.
نفس مبادئ تشغيل الدماغ التي يعتمد عليها التعلم العميق اليوم مستمدة من الفهم المحدود الذي كان لدينا لكيفية عمل الخلايا العصبية في الخمسينيات. كما هو الحال في جهاز الكمبيوتر، فإن كل خلية عصبية صناعية في الشبكة العميقة تكون "مدببة": يمكن أن تكون في حالتين فقط - صفر (غير نشط) أو حالة واحدة (نشطة). ومع ذلك، في العقود الأخيرة، اكتشف علم الأعصاب أن كل خلية عصبية عبارة عن نظام معقد بشكل خاص، مبني من جسم الخلية، ومنه تخرج شجرة متفرعة (الشجرة المتغصنة)، وتنتشر في فروعها العديدة العديد من المشابك العصبية (عشرات الآلاف على كل خلية) التي تنقل المعلومات إليها من الخلايا الموجودة في الشبكة العصبية. تنقسم الخلايا العصبية أيضًا إلى مجموعة كبيرة ومتنوعة من الأنواع الفرعية، كل منها يعمل بطريقة مختلفة قليلاً ولكل نوع دور مختلف سواء في الدماغ السليم أو عندما يكون الدماغ مريضًا.
دراسة جديدة أجراها باحثون من الجامعة العبريةتم اختباره لأول مرة ما إذا كانت شبكة التعلم العميق المكونة من طبقات من الخلايا الاصطناعية النقطية يمكنها محاكاة البنية المعقدة لخلية عصبية بيولوجية حقيقية واحدة بدقة وعلاقات المدخلات والمخرجات الكهربائية التي تؤديها. وذلك بهدف استخدام هذا النموذج المعقد، بدلاً من الخلايا العصبية الاصطناعية النقطية التي تستخدمها "شبكات الخلايا العصبية الاصطناعية" اليوم، لفهم أفضل لكيفية ترجمة الخلية العصبية للمدخلات المتشابكة إلى مخرجات ولإنشاء نوع جديد من التعلم العميق. الشبكة - التي تحاكي بشكل أكثر دقة الطريقة التي يعمل بها الدماغ البشري، ونأمل أيضًا أن تحاكي قدراته الحسابية غير العادية. وأجرى الدراسة الطالب ديفيد بينياجويف بالاشتراك مع الأستاذين ميكي لندن وعيدان سيغيف من مركز إدموند وليلي سفرا لعلم الأعصاب. تم نشر المقال الذي يعرض النتائج التي توصل إليها في المجلة العلمية نيورون.
يوضح البروفيسور سيجيف: "تتكون شبكة التعلم العميق من طبقات من الخلايا العصبية الاصطناعية النقطية، ترتبط كل منها عن طريق نقاط الاشتباك العصبي الاصطناعية بالطبقة التي فوقها والطبقة التي تحتها". "على سبيل المثال، إذا أردنا تعليم الشبكة كيفية التعرف على القطط، فسنقدم للشبكة صورة قطة لطبقة الإدخال - الطبقة الأولى." تستجيب كل خلية عصبية صناعية في الشبكة العميقة، حسب المعلومات التي تتدفق إليها، بـ "0" أو "1" حسب قوة المدخلات التشابكية التي تتلقاها من الطبقة السابقة، وبناء على ذلك ترسل (أو لا) إشارة إلى الخلايا العصبية التي يتصل بها في الطبقة التالية. تقوم الخلايا العصبية الموجودة في هذه الطبقة أيضًا بمعالجة المعلومات التي تتلقاها وتنقل مخرجاتها إلى الخلايا الموجودة في الطبقة التالية.
في عمق هرم الطبقات، يوضح البروفيسور سيجيف البروفيسور سيجيف، هناك خلية عصبية صناعية تلخص الإشارات التي تتدفق إليها عبر الطبقات السابقة في الشبكة، وهي المطلوبة لتقديم الإجابة ، سواء رأت الشبكة قطة (الإخراج 1) أم أنها لم تكن قطة (الإخراج 0). في مرحلة تدريب الشبكة (استنادًا إلى عرض العديد من الصور لقطط مختلفة)، يلزم استخدام خوارزمية التعلم الآلي للتحقق من الإجابة. إذا كانت الخلية العميقة في الطبقة الأخيرة تستجيب بالفعل بـ "1" للقطة، فيمكنك الانتقال إلى المثال التالي. إذا لم يكن الأمر كذلك، فإن خوارزمية مخصصة "تستعيد" العملية وتغير قوة الوصلات (المشابك العصبية) بين الخلايا العصبية في الطبقات المختلفة، حتى تجيب الشبكة بشكل صحيح على سؤال ما إذا كانت قد رأت قطة في الصورة أم لا.
عند تكرار العملية بعدد كافٍ من الخلايا العصبية الاصطناعية في طبقات كافية، واستخدام عدد كافٍ (أحيانًا مئات الآلاف) من أمثلة القطط، غالبًا ما تنجح شبكات التعلم العميق في إكمال مرحلة التدريب وتعلم كيفية التعرف على القطط التي لم ترها من قبل. يتعلمون تعميم الأمثلة المختلفة لصور القطط على بعض المفاهيم العامة لـ "القطط". وبنفس الطريقة، تتعلم هذه الشبكات العميقة التعرف على "إشارة مرور" معينة لم ترها من قبل، بعد أن تعلمت "إشارات المرور" من أمثلة عديدة، والأمر نفسه ينطبق على "المعبر" وهكذا. هذه هي الطريقة التي تعمل بها أنظمة إشارات المرور والتعرف على العبور في السيارة ذاتية القيادة. ويضيف البروفيسور: "على الرغم من النجاح الهائل الذي يعد بمثابة تغيير حقيقي لقواعد اللعبة في عالمنا، فإنه ليس من الواضح تمامًا كيف تمكنت شبكة الويب العميقة من القيام بذلك، وتحاول العديد من المجموعات في العالم فهم مصدر هذا النجاح". سيجيف.
ومع ذلك، فإن القدرة على التعلم لكل شبكة تقتصر على المهمة الموكلة إليها. النظام الذي تعلم ما هي القطة لن يتعرف على الكلب. أيضًا، لكي يربط الكمبيوتر صوت "المواء" بالقطط، يلزم وجود شبكة تعليمية منفصلة، وهي مهمة يمكن لكل طفل صغير يبلغ من العمر عامين إكمالها بسهولة. وبالفعل، على الرغم من نجاحها الباهر للغاية في أداء مهام محددة، إلا أن شبكات التعلم العميق محدودة للغاية مقارنة بالدماغ البشري في حاجتها لعدد كبير من الأمثلة لإكمال مرحلة التدريب. "ونحن، من ناحية أخرى، لا نحتاج إلى أكثر من مثال واحد لنفهم أن حادث السيارة أمر خطير"، يذكر البروفيسور سيجيف.
تعمل حاليًا العديد من المجموعات البحثية حول العالم على محاولة منح شبكات التعلم العميق قدرات شاملة ومتكاملة وذكية مثل إمكانية التعلم من عدد محدود من الأمثلة، لربط الجوانب المختلفة لماهية القطة (البصر، السمع، المعاني العاطفية وما إلى ذلك)، لاستخلاص استنتاجات من تعلم ما عن تعلم آخر، والتخطيط للمدى الطويل وفهم اللغة (مجموعة من الرموز التي تتبع واحدة تلو الأخرى). كل هذه هي المهام التي ينجح فيها دماغنا بشدة، وتقيسها الشبكات العميقة الموجودة اليوم. يقول بينياجويف: "كان نهجنا هو استخدام القدرات الحالية لشبكات التعلم العميق لإنتاج نموذج حاسوبي دقيق قدر الإمكان للشجرة المعقدة والملتوية التي تشكل الخلية العصبية الحقيقية، ثم استبدال الوحدة النقطية البسيطة التي تستخدمها الخلايا العصبية الحقيقية". شبكات عميقة كبيرة تحتوي على وحدات جديدة، تحاكي كل منها الخلية العصبية بكل تعقيداتها".
للقيام بذلك، اعتمد الثلاثة على نماذج رياضية تم إنشاؤها في مختبر البروفيسور سيغيف والبروفيسور لندن في السنوات الأخيرة، وقاموا بمحاكاة بدقة، بمساعدة نظام المعادلات، العمليات الكهربائية التي تحدث داخل أنواع مختلفة من الخلايا العصبية. ويضيف بينياجويف: "مع كل الانقسامات، يتم تنشيط العديد من المشابك العصبية وتدفق الكهرباء في أغصان الشجرة في الخلية العصبية".
ويأمل الباحثون أن بناء شبكة تعلم عميقة تتكون من خلايا عصبية اصطناعية (وهي عميقة بالفعل)، ومحاكاة تعقيد عمل الخلية العصبية الحقيقية، سيجعل من الممكن إجراء حسابات أسرع وأكثر تعقيدًا، على غرار الطريقة التي يعمل الدماغ. "على سبيل المثال، التعرف على القطة في أمثلة أقل وتنفيذ إجراءات معقدة مثل تلك التي تتطلب فهم اللغة. ومع ذلك، ما زلنا بحاجة إلى إثبات ذلك في دراسات إضافية"، يؤكد البروفيسور سيغيف. ويضيف أنه في مثل هذه الشبكة، سيكون من الممكن ليس فقط تغيير قوة الاتصال بين الخلايا العصبية، ولكن أيضًا دمج أنواع مختلفة من الخلايا العصبية داخلها، على غرار بنية وطريقة عمل الدماغ البيولوجي. "في نهاية العملية، تم بناء نسخة طبق الأصل محوسبة تحاكي القدرات المتنوعة للدماغ - الذكاء الاصطناعي العام."
يوضح البروفيسور أن البحث يجعل من الممكن أيضًا قياس القوة الحاسوبية لأنواع مختلفة من الخلايا العصبية لأول مرة. إنسجام. "على سبيل المثال، من أجل محاكاة خلية عصبية من النوع A، تحتاج إلى سبع طبقات من التعلم العميق المبنية من الخلايا العصبية النقطية، في حين أن نموذج الخلية العصبية من النوع B يتطلب تسع طبقات من هذا القبيل. وبمساعدة هذه الأداة، من الممكن، على سبيل المثال، إجراء مقارنة كمية للقدرة الحسابية بين خلية عصبية في دماغ الفأر والخلية المقابلة لها في دماغ الإنسان، أو بين خليتين عصبيتين مختلفتين في دماغ الإنسان.
على مستوى أكثر أساسية، يضيف بينياجويف، من المتوقع أيضًا أن يسمح إنشاء نموذج حاسوبي يحاكي الطريقة التي يعمل بها الدماغ بشكل أكثر دقة، بإلقاء نظرة ثاقبة على الدماغ البشري نفسه. "يقوم دماغنا ببناء شبكات عميقة ستساعدنا في فهم دماغنا وأنفسنا. على سبيل المثال، سنكون قادرين على فهم أفضل لكيفية تأثير الأنواع المختلفة من الخلايا والعلاقات بينها على القدرة الحسابية لدماغنا.
المزيد عن الموضوع على موقع العلوم:
