تعد الشبكات العصبية السائلة من بين أهم المكونات الناشئة والفريدة في مشهد الذكاء الاصطناعي (AI).
عندما تحتاج الآلة أو الروبوت إلى التفاعل مع المحفزات أو البيانات الخارجية، يمكن أن تكون ثقيلة-على-الموارد للغاية، مما يتسبب في عنق زجاجة إذا كنت تحاول إدخال الذكاء في مساحة صغيرة جدًا.
يصف فينتربيت (VentureBeat) كيف أن الشبكة العصبية التقليدية قد تحتاج إلى 100,000 خلية عصبية اصطناعية للحفاظ على سيارة ثابتة في مهمة مثل قيادة سيارة على الطريق.
ومع ذلك، في اكتشاف مذهل، تمكن الفريق في معهد MIT CSAIL الذي يطور شبكات عصبية سائلة من أداء نفس المهمة باستخدام 19 خلية عصبية فقط.
الإلهام وراء الشبكات العصبية السائلة
الشبكات العصبية السائلة هي نوع من معمارية التعلم العميق التي تم تطويرها لحل التحدي للروبوتات التي تؤدي التعلم والمهام المعقدة، بهدف الحد من مشكلة الاعتماد على السحابية أو محدودية التخزين الداخلي.
قالت دانييلا روس، مديرة معهد ماساتشوستس للتكنولوجيا (CSAIL)، لـVentureBeat: “كان مصدر إلهام الشبكات العصبية السائلة هو التفكير في الأساليب الحالية للتعلم الآلي والنظر في كيفية تناسبها مع أنظمة السلامة الحرجة التي تقدمها الروبوتات والأجهزة الطرفية.
لا يمكنك حقًا تشغيل نموذج لغة كبير على الروبوت، لأنه لا توجد حقًا [القوة] الحسابية و المساحة [التخزينية] لذلك
وجد فريق البحث حلاً لمشكلتهم من خلال بحث عن الخلايا العصبية البيولوجية الموجودة في الكائنات الحية متناهية الصغر.
ما هي الشبكات العصبية السائلة ؟
فكر في الشبكات العصبية السائلة على أنها الخلايا المترابطة للدماغ البشري التي تجتمع معًا لمعالجة المعلومات وتوفير المخرجات.
الدماغ البشري هو تركيب خلوي معقد للغاية يقوم بحسابات غاية في التعقيد.
تركز الشبكات العصبية السائلة على تطبيقات السلامة الحرجة، مثل المركبات ذاتية القيادة والروبوتات، التي تحتاج إلى تدفق مستمر من البيانات التي يتم إدخالها فيها.
وفقًا لدانييلا روس، “بشكل عام، تعمل الشبكات السائلة بشكل جيد عندما يكون لدينا بيانات متسلسلة زمنية… نحتاج إلى تسلسل لكي تعمل الشبكات السائلة بشكل جيد.
ومع ذلك، إذا حاولت تطبيق حل الشبكة السائلة على قاعدة بيانات ثابتة مثل شبكة الصور (ImageNet)، فلن يعمل ذلك بشكل جيد
المزايا والقيود
فريق البحث في مختبر علوم الكمبيوتر والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (CSAIL) وجد المزايا التالية بناءً على تجربتهم.
- الانضغاط (Compactness)
يمكن أن تعمل الشبكات العصبية السائلة مع عدد أقل بكثير من الخلايا العصبية من الشبكات العصبية الكلاسيكية.
كما هو موضح أعلاه، ستحتاج الشبكة العصبية الكلاسيكية للتعلم العميق إلى 100,000 خلية عصبية للحفاظ على سيارة ذاتية القيادة في مسارها – تحتاج الشبكة العصبية السائلة إلى 19 خلية عصبية فقط.
- السببية (Casuality)
تتعامل الشبكات العصبية السائلة مع السببية بشكل أفضل من الشبكات-العصبية-للتعلم-العميق الكلاسيكية. يمكنهم اكتشاف علاقة واضحة بين السبب والتأثيرات، وهي ما تكافح الشبكات العصبية الكلاسيكية للتعلم العميق للقيام به.
على سبيل المثال، يمكن للشبكات العصبية الكلاسيكية للتعلم العميق أن تحدد باستمرار علاقات السبب-و-النتيجة بين الأحداث عبر إعدادات متنوعة بشكل أكثر كفاءة من الشبكة العصبية الكلاسيكية.
- إمكانية التفسير (Interpretability)
يعد فهم تفسير نظام الذكاء الاصطناعي للبيانات أحد أكبر التحديات في الذكاء الاصطناعي.
غالبًا ما تعرض نماذج التعلم العميق الكلاسيكية أساسًا ضحلًا أو غير واضح أو خاطئ لتفسيرات البيانات، لكن الشبكات العصبية السائلة يمكن أن تشرح أسسها لتفسير البيانات.
- ومع ذلك..
الشبكات العصبية السائلة ليست حلاً شاملاً لكل شيء.
بينما تتعامل مع تدفقات البيانات المستمرة مثل التدفقات الصوتية أو بيانات درجة الحرارة أو تدفقات الفيديو جيدًا، فإنها تعاني مع البيانات الثابتة أو الساكنة، والتي تتناسب بشكل أفضل مع نماذج الذكاء الاصطناعي الأخرى.
خلاصة القول
في مشهد الذكاء الاصطناعي، تعد الشبكات العصبية السائلة من بين النماذج الناشئة الأكثر أهمية.
يتعايش مع الشبكة العصبية للتعلم-العميق الكلاسيكية ولكنه يبدو مناسبًا بشكل أفضل للمهام المعقدة للغاية مثل المركبات ذاتية القيادة أو درجة الحرارة أو قراءة المناخ أو تقييمات سوق الأسهم، بينما تقوم الشبكة العصبية الكلاسيكية للتعلم العميق بعمل أفضل مع بيانات ثابتة أو لمرة واحدة.
يحاول الباحثون في مختبر علوم الكمبيوتر والذكاء الاصطناعي في معهد ماساتشوستس للتكنولوجيا (CSAIL) توسيع قدرات الشبكات العصبية السائلة لتشمل المزيد من حالات الاستخدام، لكن الأمر سيستغرق وقتًا.
لكل من الشبكات العصبية السائلة والشبكات العصبية الكلاسيكية للتعلم-العميق أدوارها المحددة في مشهد الذكاء الاصطناعي الأوسع، وهي بالتأكيد من الحالات التي يكون فيها نموذجان أفضل من واحد.
