التعلّم المتصل بذاكرة خطية مستقلة عن النموذج في الشبكات العصبية النابضة

لماذا كهربة أجهزة شبيهة بالدماغ صعبة جدًا

الشبكات العصبية النابضة هي فئة من الشبكات الاصطناعية التي تتواصل عبر نبضات كهربائية قصيرة، تمامًا مثل خلايا الدماغ الحقيقية. تعد هذه الشبكات بحوسبة مستوحاة من الدماغ عالية الكفاءة ومحاكاة أكثر واقعية للدوائر العصبية. لكن تعليم هذه الشبكات لأداء مهام معقدة، لا سيما عبر فترات زمنية طويلة، يتطلب عادةً كميات هائلة من ذاكرة الحاسوب وبرمجة مخصصة. يقدم هذا المقال نظام BrainTrace، المصمّم لجعل تدريب الشبكات النابضة عمليًا وشائع الاستخدام.

تعليم الشبكات التي تتعلّم في الزمن الحقيقي

تعمل أقوى أساليب التدريب للشبكات الشبيهة بالدماغ عادةً بإعادة تشغيل تسلسل النشاط بأكمله ودفع إشارات الخطأ إلى الوراء عبر كل خطوة زمنية. تُعرف هذه الطريقة بالتدرّج العكسي عبر الزمن، وهي دقيقة جدًا لكنها تواجه مشاكل سريعة عندما تكون التسلسلات طويلة أو الشبكات كبيرة: فكل حالة وسيطة يجب حفظها، مما يؤدي إلى نمو في الذاكرة يتناسب مع الزمن وحجم الشبكة معًا. تقنيات «التعلّم المتصل» البديلة تحدّث الروابط خطوة بخطوة أثناء تدفق البيانات، مما يقلص الاحتياجات التخزينية إلى حد كبير. مع ذلك، فإن قواعد التعلّم المتصلة الحالية إما تعمل فقط لنماذج عصبونية مبسطة جدًا أو ما تزال تتطلب ذاكرة تنمو تربيعيًا مع حجم الشبكة، مما يصعّب تطبيقها على أنظمة بمقياس الدماغ الواقعي.

وصفة عامة لأنواع عديدة من الشبكات النابضة

يتعامل BrainTrace مع ذلك بوصف الشبكات النابضة بطريقة موحّدة أولًا. يظهر المؤلفون أن أنواعًا كثيرة من الخلايا والمشابك يمكن التعبير عنها كجزئين متفاعلين: ديناميات داخلية تصف كيف يتغير حال كل خلية مع الزمن، وديناميات تفاعلية تحوّل النبضات الواردة إلى تيارات تتدفق بين الخلايا. كما يقدمون منظورتين نمذجيتين، سماهما AlignPre وAlignPost، تنظّم المشابك إمّا حول الخلية المرسلة أو الخلية المستقبلة. تسمح هذه التجريدية بالتعامل مع مجموعة واسعة من النماذج البيولوجية والهندسية بنفس الآليات الرياضية، من الخلايا المتسربة البسيطة إلى خلايا أغنى ذات عتبات متكيفة ومشابك معقدة.

طريقة مقتصدة في الذاكرة لتتبّع السبب والنتيجة

التحدي الأساسي في التعلّم المتصل هو تتبّع كيف ستؤثر تغييرات صغيرة في كل وصلة على سلوك الشبكة لاحقًا، وهي كمية يُعبّر عنها بما يُعرف بـ «آثار الأهلية» (eligibility traces). من الناحية النظرية، يتطلب الاحتفاظ بمعلومات الأهلية الكاملة تتبّع مصفوفات هائلة تنمو بمعدل مكعب عدد الخلايا. يستغل BrainTrace ثلاث خواص رئيسية للشبكات النابضة: معظم الخلايا صامتة معظم الوقت؛ تسرب كل خلية وإعادة ضبطها يهيمنان على كيفية تغير حالتها؛ والنبضات ومقاومات المشابك موجبة دائمًا. باستخدام هذه الحقائق، يُظهر المؤلفون أنه يمكن تقريب مصفوفات الأهلية الثقيلة بدقة جيدة بواسطة ناتج مجدّديْن مدمجين لكل مشبك، أحدهما يلخّص نشاط الخلايا السابقة والآخر يلخّص نشاط الخلايا اللاحقة. تُسَمّى قاعدة التعميم هذه pp‑prop؛ فهي تستخدم ذاكرة تنمو خطيًا فقط مع حجم الشبكة، ومع ذلك تُنتج تدرّجات تتماشى جيدًا مع تلك الناتجة عن التدرّج العكسي الكامل.

أدوات آلية تخفي الرياضيات

بعيدًا عن قاعدة التعلّم نفسها، يوفر BrainTrace مترجمًا يلعب دورًا مشابهًا لمكتبات التفاضل الآلي في التعلم العميق. يكتب المستخدم ديناميات نموذج النبضات الخاص به بلغة عالية المستوى. ثم يحلل مترجم BrainTrace كيف ترتبط الحالات والمعاملات، يبني آثار الأهلية اللازمة، وينتج شيفرة مُحسّنة تُنفّذ pp‑prop أو خوارزمية ذات صلة بكفاءة على وحدات المعالجة المركزية أو الرسومية أو المسرعات المتخصصة. هذا يعني أن الباحثين يمكنهم التركيز على الأسئلة العلمية بدلًا من كتابة شيفرة تدرّج حساسة يدويًا، مع الاستفادة في الوقت نفسه من تعلّم متصل وموفّر للذاكرة.

من مجسات صغيرة إلى دماغ ذبابة كامل

يختبر المؤلفون BrainTrace على معايير نمطية في الحوسبة العصبية الشكلية، حيث تصنّف الشبكات النابضة نسخًا حدثية من الصور والأصوات والإيماءات. عبر مجموعات بيانات وبنى متعددة، توازي pp‑prop دقة التدرّج العكسي الكامل بينما تستخدم كسورًا كبيرة من الذاكرة وتعمل أسرع من طرق متصلة أخرى. والأهم أن النظام قابل للتوسّع لمشكلات علوم الأعصاب المتطلبة. في مثال واحد، يتعلم نموذج نابض مفصل بيولوجيًا مع تجمعات مثيرة وكابحة منفصلة مهمة قرار تراكم الأدلة ويطوّر أنماط نشاط تشبه تلك المسجلة في قشرة الفأر. وفي مثال آخر، يتدرّب نموذج نابض يضم أكثر من 125،000 خلية، موصولة وفقًا لخريطة توصيل ذبابة الفاكهة، على إعادة إنتاج نشاط حالة الراحة المسجّل عبر دماغ الذبابة بأكمله—إنجاز يتجاوز سعة الذاكرة للتدريب التقليدي على بطاقة رسومية واحدة.

ماذا يعني هذا للحوسبة الشبيهة بالدماغ في المستقبل

بالنسبة لغير المتخصصين، الرسالة الأساسية أن BrainTrace يحوّل حلما كان يومًا غير عملي — تدريب شبكات نابضة غنية بمقياس الدماغ في الزمن الحقيقي — إلى احتمال واقعي. من خلال إيجاد طريقة ذكية لتتبّع السبب والنتيجة بكمية صغيرة فقط من الذاكرة، وتغليف ذلك بأدوات آلية، يقرب هذا العمل الحوسبة المستوحاة من الدماغ من الاستخدام اليومي في كلٍ من الذكاء الاصطناعي وعلوم الأعصاب الأساسية. ويقترح مسارًا نحو آلات تتعلّم وتتكيّف بكفاءة ودقة زمنية مشابهتين لتلك في الأنظمة العصبية الحقيقية، دون المطالبة بموارد بمستوى الحواسيب الفائقة.

الاستشهاد: Wang, C., Dong, X., Ji, Z. et al. Model-agnostic linear-memory online learning in spiking neural networks. Nat Commun 17, 1745 (2026). https://doi.org/10.1038/s41467-026-68453-w

الكلمات المفتاحية: الشبكات العصبية النابضة, التعلّم المتصل, الحوسبة العصبية الشكل, محاكاة الدماغ, التدريب القائم على التدرج