التعلّم دون ردودٍ خلفية بصيغة مغلقة عبر الإسقاط الأمامي

تعليم الآلات دون رسائل مرتدة

يتعلّم معظم الذكاء الاصطناعي الحديث باستخدام طريقة تسمى الانتشار العكسي، حيث تُرسل الأخطاء إلى الخلف عبر الشبكة لتعديل وصلاتها الداخلية. لكن هذا الإجراء يختلف عن طريقة عمل الدماغ الحقيقي ويمكن أن يكون بطيئًا ومكلفًا من حيث الموارد. تقدم هذه الورقة طريقة جديدة لتعلّم الشبكات العصبية تُسمى الإسقاط الأمامي، تتخطى خطوة الرجوع تمامًا مع الحفاظ على أداء قوي، لا سيما في مهام الطب الحيوي الصعبة ذات البيانات المحدودة.

طريقة جديدة لتوجيه التعلّم

تتعلم الشبكات العصبية التقليدية بمقارنة توقعاتها بالإجابات الصحيحة وإرسال إشارات خطأ إلى الخلف عبر كل طبقة لضبط الوصلات. يتبع الإسقاط الأمامي مسارًا مختلفًا. بدلًا من الاعتماد على هذه الرسائل المرتدة، يستخدم فقط المعلومات المتاحة أثناء تحرك الإشارات إلى الأمام: نشاط الطبقة الحالي والوسم الهدف. في كل طبقة، يجمع الأسلوب بين مُدخل تلك الطبقة والوسم المطلوب باستخدام إسقاطات عشوائية ثابتة تمرّ عبر دالة غير خطية بسيطة. ينتج عن ذلك «هدف» لإشارة داخلية بتلك الطبقة — نمط من النشاط الشبيه بالإمكانات الكهربائية الذي ينبغي للطبقة أن تسعى لمطابقته.

بمجرد إنشاء هذه الأهداف، تُحل أوزان وصلات كل طبقة دفعة واحدة باستخدام الانحدار بصيغة مغلقة، وهو معادلة إحصائية قياسية بدلاً من النزول التدرجي التكراري. هذا يعني أن الشبكة يمكن تدريبها بمرور واحد عبر مجموعة البيانات، دون إعادة زيارة الأمثلة مرارًا أو تخزين أعداد كبيرة من التفعيلات الوسيطة. وبما أنه لا يحتاج أن ينتقل أي معلومات إلى الخلف، فإن الطريقة تحترم الاتصال أحادي الاتجاه الذي تُظهره الخلايا العصبية البيولوجية وقد يكون تنفيذها أسهل على أجهزة متخصصة باتصالات أحادية الاتجاه.

رؤية المعنى في النشاط الداخلي

ميزة لافتة للإسقاط الأمامي أن الإشارات الداخلية في الطبقات الخفية تصبح قابلة للتفسير مباشرة. لأن كل طبقة تُدرّب صراحة على ترميز كل من الإدخال والوسم في إمكاناتها الشبيهة بالغشاء، يمكن قراءة هذه القيم الداخلية كتنبؤات محلية للفئة. يوضح المؤلفون كيفية «فك تشفير» هذه الإشارات تقريبًا إلى فضاء الأوسمة، وتحويل أنماط النشاط إلى تفسيرات لكل طبقة حول ما تعتقده الشبكة في كل مرحلة. في التجارب، تصبح هذه التفسيرات أكثر دقة في الطبقات الأعمق، مما يعكس تعلّمًا تدريجيًا — الطبقات المبكرة تلتقط أنماطًا واسعة، بينما تركز الطبقات اللاحقة على التفاصيل الحاسمة للقرار.

تكتسب هذه القابلية للتفسير قيمة خاصة في الطب، حيث أن فهم سبب اتخاذ النموذج قرارًا قد يكون مهمًا بقدر القرار نفسه. باستخدام بيانات تخطيط القلب الكهربائي، يظهر المؤلفون أن الإسقاط الأمامي يبرز علامات معروفة سريريًا للنوبة القلبية — مثل تغيّرات في مقاطع الموجة المحددة — في اللحظات الزمنية المناسبة. على فحوصات العين المستخدمة لاكتشاف نمو غير طبيعي للأوعية الدموية، تركز الطريقة بطبيعتها على جيوب السوائل والترسبات الساطعة والمناطق الشبيهة بالندبة التي يبحث عنها الاختصاصيون، حتى عند التدريب بعدد أمثلة قليل يصل إلى 100 مثال لكل فئة.

تدريب سريع، ونتائج قوية

قارن الفريق الإسقاط الأمامي بعدد من البدائل التي تحاول أيضًا تجنب الانتشار العكسي الكامل، وكذلك مقابل الانتشار العكسي القياسي نفسه. في مهام الصور والتسلسل مثل Fashion-MNIST للأرقام والتعرّف على محفّزات الحمض النووي، واكتشاف النوبة القلبية من تخطيط القلب، والتعرّف على الأجسام، حققت الطريقة الجديدة أداءً مطابقًا أو متفوقًا على قواعد التعلّم المحلية الأخرى. في إعدادات معياريّة، لا يزال الانتشار العكسي متفوقًا بشكل عام، لكن دقة الإسقاط الأمامي اقتربت بشكل مفاجئ مع الاعتماد على مرور تدريب واحد فقط.

تبلورت الفوائد بشكل أوضح في سيناريوهات «قليلة العيّنات»، حيث يتوفر عدد قليل من الأمثلة الموسومة، كما هو شائع في الممارسة السريرية. هنا، عمّم الإسقاط الأمامي غالبًا أفضل من الانتشار العكسي والأساليب المحلية المنافسة على صور الأشعة الصدرية، وفحوصات الشبكية، ومجموعات صور صغيرة. كان الانتشار العكسي غالبًا ما يبالغ في تقدير النماذج على مجموعات البيانات الضئيلة أو يفشل في تعلم ميزات غنية بما يكفي، بينما أنتج الإسقاط الأمامي تمثيلات داخلية أكثر استقرارًا وقابلة لإعادة الاستخدام. ومن الناحية الحسابية، تطلّب تدريب طبقة كبيرة أعدادًا أقل كثيرًا من عمليات الضرب والجمع التراكمية مقارنةً بتشغيل العديد من العصور في الانتشار العكسي، مما تُرجِم إلى تسريع كبير وتكلفة طاقة أقل.

ما يعنيه هذا لمستقبل الذكاء الاصطناعي والحوسبة المستوحاة من الدماغ

بعبارات يومية، تُظهر هذه الدراسة أن الشبكات العصبية لا يجب أن تعتمد على حلقات تغذية راجعة ثقيلة وغير ذات مصداقية بيولوجية لتعلّم تمثيلات داخلية مفيدة وقابلة للتفسير. من خلال مزج المدخلات والأوسمة بذكاء في مرور أمامي واحد وحل الأوزان بصيغة مغلقة، يقدم الإسقاط الأمامي طريقة لتدريب النماذج بسرعة، وتفسير بنيتها الداخلية، والتعامل مع مجموعات بيانات طبية صغيرة وضوضائية. بينما يظل الانتشار العكسي المعيار الذهبي للعديد من المهام واسعة النطاق، فإن هذا النهج الخالي من التغذية الراجعة يشير إلى استراتيجيات تعلّم أكثر شبهًا بالدماغ وأسهل للتنفيذ على العتاد قد تدعم الجيل التالي من أنظمة الذكاء الاصطناعي الفعّالة والقابلة للتفسير.

الاستشهاد: O’Shea, R., Rajendran, B. Closed-form feedback-free learning with forward projection. Nat Commun 17, 2414 (2026). https://doi.org/10.1038/s41467-026-69161-1

الكلمات المفتاحية: التعلّم دون ردود خلفية, الشبكات العصبية, تدريب بعدد قليل من العينات, الذكاء الاصطناعي في الطب الحيوي, التعلّم العميق القابل للتفسير