شبكات عصبية فيزيائية باستخدام تدريب واعٍ بالحدة

لماذا يهم هذا لمستقبل أجهزة الذكاء الاصطناعي

مع ازدياد قدرة الذكاء الاصطناعي، لم يعد القيد يكمن في الخوارزميات الذكية فحسب، بل في الشرائح التي تشغّلها. مخرج واعد هو بناء الشبكات العصبية مباشرة في عناصر فيزيائية باستخدام الضوء أو الإلكترونيات التناظرية أو أنظمة موجية أخرى. يقدم هذا المقال طريقة جديدة لتدريب مثل هذه «الشبكات العصبية الفيزيائية» بحيث تظل دقيقة حتى عندما يكون العالم الواقعي فوضويًا—عند وجود أخطاء بسيطة في التصنيع، انحرافات حرارية، أو تحرك المكونات خارج مواضعها.

من عقول رقمية إلى آلات فيزيائية

تعمل التقنيات الحديثة للذكاء الاصطناعي عادة على أجهزة رقمية مثل معالجات الرسوميات، حيث يعتمد التدريب على خوارزمية الانتشار العكسي لضبط ملايين الأوزان العددية. تحاول الشبكات العصبية الفيزيائية نقل هذا الحساب إلى مواد وأجهزة حقيقية—مثل الرقائق الضوئية، شبكات التداخل، أو ترتيبات بصرية حيادية—التي تحاكي سلوكها حسابات الشبكات العصبية بطبيعتها. وبما أن هذه الأنظمة تعالج المعلومات حيث تُخزن، فقد تكون أسرع وأكثر كفاءة في استهلاك الطاقة من الشرائح التقليدية. لكن تدريبها صعب: إما أن تُدرّب نموذجًا رقميًا وتَرجو أن يطابق العتاد، أو تُدرّب مباشرة على الجهاز نفسه. كلا المسارين يواجِه مشكلات عندما تنحرف الأجهزة الحقيقية عن النماذج المثالية أو تتغير بمرور الوقت.

طريقتان معيوبتان لتعليم الشبكات الفيزيائية

النهج الأول، المسمى التدريب في السيليكو (in silico)، يتعلم جميع المعلمات على نموذج حاسوبي ثم ينسخها إلى العتاد. ينجح هذا فقط إذا طاب النموذج الرياضي تقريبًا مع الجهاز المصنع، وهو أمر نادر عند احتساب تباينات التصنيع، الضوضاء الكهربائية، والتأثيرات الحرارية. النهج الثاني، التدريب في الموقع (in situ)، يدخل الجهاز الفيزيائي مباشرة في عملية التعلم، ويقيس المخرجات مرارًا أثناء ضبط المعلمات. رغم أن هذا يتجاوز أخطاء النمذجة، إلا أنه يخلق مشكلات أخرى: الحصول على معلومات التدرّج صعب ومكلف، ويصبح التدريب محددًا للجهاز، وعادة لا يمكن نقل المعلمات الناتجة إلى شريحة أخرى تبدو متطابقة اسميًا. في كلتا الحالتين، يمكن لتغييرات طفيفة بعد النشر—مثل تحوّل بسيط في درجة الحرارة أو اختلال طفيف—أن تقلّص الدقة بشكل كبير وتجبر على إعادة تدريب مكلفة.

تسطيح مشهد الخطأ

يقترح المؤلفون تدريبًا واعيًا بالحدة (SAT)، مستوحى من فكرة في تعلم الآلة تُدعى التقيّص الواعي بالحدة. بدلاً من العثور فقط على إعدادات تعطي خطأً منخفضًا على بيانات التدريب، يسعى SAT أيضًا إلى مناطق يتغير فيها الخطأ ببطء عندما تُدفع المعلمات الفيزيائية الأساسية قليلًا. من الناحية الهندسية، كثيرًا ما يجد التدريب التقليدي واديًا عميقًا لكن ضيّقًا في «مشهد الخسارة»، حيث يمكن لتحولات طفيفة في التيارات أو الطور أو المواضع أن تنهار الأداء. يبحث SAT عمدًا عن أودية عريضة ومسطحة تحافظ على أداء عالٍ تحت مثل هذه الاضطرابات. رياضيًا، يضيف مصطلحًا إلى دالة الهدف يعاقب المناطق الحادة عالية الانحناء في فضاء المعلمات، ويقرب هذه العقوبة بكفاءة باستخدام خطوتي تدرج مختارتين بعناية بدلًا من حسابات المشتقات الثانية المكلفة.

إثبات المتانة عبر منصات بصرية مختلفة

لإظهار أن SAT ليس مرتبطًا بجهاز محدد، يطبّقه المؤلفون على ثلاث منصات شبكات عصبية بصرية متميزة. على بنوك الأوزان القائمة على رنانات الحلقة المصغّرة—حلقات سيليكونية صغيرة توجه الضوء عند أطوال موجية مختلفة—يُظهرون أن الأنظمة المدربة بـ SAT تحافظ على دقة تصنيف عالية حتى عند تحوّل درجة الحرارة بمقدار درجات مئوية، بينما يفشل التدريب القياسي وأساليب حقن الضوضاء بشكل كبير. ثم يوسّعون التطبيق إلى مهام أكثر تطلّبًا مثل تصنيف الصور على CIFAR-10، ضغط الصور وإعادة بنائها، وتوليد الصور، حيث يحافظ SAT على الاستقرار بينما تتدهور الطرق التقليدية تحت تحوّلات حرارية متواضعة. في محاكاة لشبكات المداخل-مخرجات من نوع Mach–Zehnder، تكون النماذج المدربة بـ SAT أكثر تحمّلاً لأخطاء التصنيع الواقعية وبالأهمّ، يمكن نقل المعلمات المدربة على جهاز واحد إلى رقائق أخرى ذات عيوب مختلفة دون فقدان الدقة. أخيرًا، في إعداد بصري حيادي بالحركة الحرة يستخدم شاشة OLED وعدسات ومعدّل ضوئي مكاني، يحسّن SAT التسامح مع الاختلالات الفيزيائية مثل الدوران، وانزياح البيكسلات، والتكبير/التصغير، على الرغم من أن العلاقة الدقيقة بين هذه الاختلالات ومعلمات الشبكة لا تُنمذج صراحة.

مسار عملي نحو ذكاء فيزيائي موثوق

بعبارات بسيطة، يوضح هذا العمل كيفية تعليم شبكات عصبية على العتاد بطريقة «تسامح» العيوب الحتمية للأجهزة الحقيقية. عبر توجيه التعلم نحو مناطق مسطحة ومستقرة من مشهد الخطأ، يجعل التدريب الواعي بالحدة الشبكات العصبية الفيزيائية أكثر دقة وأكثر قدرة على التحمل تجاه تباينات التصنيع، تغيرات الحرارة، والاختلالات الميكانيكية. وبما أنه يمكن استخدامه مع أو من دون نماذج فيزيائية مفصّلة ويعمل عبر عدة أنواع من العتاد البصري، يقدم SAT وصفة عملية لتوسيع أنظمة الذكاء الفيزيائي السريعة وموفّرة الطاقة من التجارب المخبرية إلى التطبيقات الواقعية.

الاستشهاد: Xu, T., Luo, Z., Liu, S. et al. Physical neural networks using sharpness-aware training. Nat Commun 17, 1766 (2026). https://doi.org/10.1038/s41467-026-68470-9

الكلمات المفتاحية: الشبكات العصبية الفيزيائية, الحوسبة الضوئية, التدريب الصلب, التحسين الواعي بالحدة, الأجهزة النيورومورفية