التثبيت الداخلي للتغير المشبكي يحسّن التعلم والمتانة في الشبكات العصبية الاصطناعية

كيف تستلهم الأدمغة تعلماً أكثر ثباتاً في الآلات

عندما نتعلّم مهارة جديدة، تظل أدمغتنا مرنة بما يكفي لالتقاط معلومات جديدة وفي الوقت نفسه ثابتة بما يكفي لعدم نسيان ما نعرفه بالفعل. غالباً ما تكافح الذكاء الاصطناعي الحديث لتحقيق هذا التوازن: يتعلّم بسرعة لكنه قد يصبح هشّاً أو غير مستقر. تستلهم هذه الدراسة إشارات التغذية الراجعة في الدماغ لتصميم طريقة جديدة تجعل الشبكات العصبية الاصطناعية تتعلّم بكفاءة أكبر وتظل متينة أمام الضوضاء، وتغيّر المهام، والأمثلة المضلِّلة.

إشارة إرشاد جديدة داخل آليات التعلّم

تعتمد معظم أنظمة التعلّم الآلي على وصفة بسيطة: قارن ما تتنبأ به الشبكة بالإجابة الصحيحة وحرّك وصلاتها لتقليل هذا الفارق. هذا النهج الصاعد يعمل جيداً لكنه يتجاهل إشارات علوية غنية تتدفق في الأدمغة الحقيقية، حاملةً التوقّعات والسياق والتنبؤات. يقدم المؤلفون مكوّناً مضافاً يسمّونه التثبيت العلوي الداخلي (iTDS). فبدلاً من السعي فقط وراء الإجابة الصحيحة، تتعلم الشبكة أيضاً إشارة داخلية أبطأ تتبع مخرجاتها الماضية. تُعاد هذه الإشارة المتغيرة برفق إلى قاعدة التعلّم، بحيث يتشكّل كل اتصال ليس فقط بفعل الخطأ الخارجي، بل أيضاً بحسب كيفية ميل الشبكة للتصرف عبر الزمن.

تعليم الشبكات أن تتذكّر عاداتها

في iTDS، تحتفظ الشبكة بسجل متواصل ومُملّس لنشاط مخرجاتها الحديثة. هذا الأثر الداخلي لا يحاول توقع البيانات المستقبلية أو المدخلات الحسية الخام؛ إنه ببساطة صدى مُصفّى لما صدرت عنه الشبكة سابقاً. أثناء التدريب، يدفع مصطلح الخطأ المعتاد الوصلات نحو الهدف الصحيح، بينما يقارن المصطلح العلوي المخرج الحالي بهذا الصدى. عندما يكون نشاط الشبكة متغيراً بشكل كبير، تميل هاتان القوتان إلى التوجّه في اتجاه مماثل، مما يعزّز بعضهما البعض ويسرّع التعلّم. ومع تقدّم التدريب واستقرار الشبكة في نمط أكثر اتساقاً، يضعف التأثير العلوي تدريجياً، ليعمل أكثر كعامل تثبيت بدلاً من سبب للتغيير.

تحسين التوقيت والتصنيف والتعامل مع الفوضى

اختبر الباحثون iTDS في عدة أنواع من الشبكات العصبية، بما في ذلك النماذج المتكررة، والمتجهة للأمام، وخزانات النسق (reservoir)، عبر ستة عشر مهمة. تنوّعت هذه من تتبّع إشارات سلسة عبر الزمن إلى التعرف على الأرقام اليدوية وحل مسائل منطقية بسيطة. في كثير من الحالات، أدى إضافة iTDS إلى تدريب أسرع وخطأ أقل مقارنة بالتعلّم الخاضع للإشراف التقليدي وحده، حتى عندما كانت ديناميكيات الشبكة الأساسية فوضوية. كانت الطريقة فعّالة بشكل خاص عندما كانت الشبكات تحتوي على وحدات نشطة عديدة أو عندما تتقلب إشارات المخرج بشدة، وهي ظروف شائعة في البيئات البيولوجية والاصطناعية على حد سواء.

التعلّم من أمثلة مشوشة ومضلِّلة

نادرًا ما تكون بيانات العالم الحقيقي نظيفة. لاختبار المتانة، أضاف المؤلفون عن قصد ضوضاء إلى المدخلات، ودوّروا الصور بعيداً عن اتجاهها المعتاد، وحتى أدخلوا "تجارب مضادة" حيث أُقرِنَت أمثلة بالإجابة الخاطئة. تحت هذه الظروف المضغوطة، كانت الشبكات التي تستخدم التعلم القياسي فقط تميل إلى الإفراط في التفاعل، مع إعادة تشكيل وصلاتها بطرق غير مفيدة. مع iTDS، عملت الإشارة العلوية البطيئة كفرامل: عندما ظهر مثال مفاجئ أو متناقض، ألغت القوتان التعليميتان جزئياً تأثير بعضهما البعض، مخفّضتين مقدار تغيير الوزن. ونتيجة لذلك، كانت الشبكات ذات iTDS أكثر مقاومة لكل من التشويهات العشوائية والاضطرابات المصمّمة بذكاء التي عادةً ما تخدع المصنّفات.

لماذا يهم تفريق التغذية الإيجابية والسلبية

استعرضت الدراسة أيضاً ما يحدث عندما تتخصّص بعض الوصلات في تتبّع الأخطاء الإيجابية فقط بينما تتتبع أخرى الأخطاء السلبية فقط، مما يردد كيف تستجيب خلايا دماغية معينة بصورة مختلفة للمكافآت والنكسات. أوجد هذا الانقسام نماذج توصيلية أكثر تقشّفاً بطبيعتها، حيث تبقى العديد من الوصلات بالقرب من الصفر بينما تحمل مجموعة أصغر معظم التأثير. ومن المعروف أن مثل هذا التقشّف يحسّن التعميم، وهنا خفّض أيضاً معدلات الخطأ. أظهر المؤلفون أن إجبار الكثير من الأوزان على البقاء عند الصفر يحاكي الكثير من هذا الفائدة، ما يوحي بأن التغذية الراجعة المتخصّصة قد تكون مساراً بيولوجياً لتحقيق تمثيلات متقشفة وفعّالة.

ما يعنيه هذا للعقول والآلات المستقبلية

بشكل عام، يُظهر إطار iTDS أن منح آليات التعلّم إحساساً داخلياً بطيئاً بسلوكها الأخير يمكن أن يجعلها متعلّمين أسرع وحلّالين للمشكلات أكثر ثباتاً. بدلاً من الاعتماد فقط على التفاوت الفوري مع الإجابة الصحيحة، تتعامل الشبكات التي تمزج التصحيحات السريعة مع التثبيت العلوي اللطيف مع الضوضاء واللبس والتغيير بصورة أكثر رشاقة. بالنسبة لعلوم الدماغ، يقدّم النموذج تنبؤات ملموسة حول كيف قد تشكّل مسارات التغذية الراجعة التعلم. أما بالنسبة للذكاء الاصطناعي، فيقترح أن إدماج إشارات المراقبة الذاتية عبر أطر زمنية متعددة قد يكون مساراً عملياً نحو أنظمة تتعلّم أكثر شبهاً بنا وتخطئ أقل عندما يصبح العالم فوضوياً.

الاستشهاد: Pilzak, A., Pennington, B. & Thivierge, JP. Intrinsic stabilization of synaptic plasticity improves learning and robustness in artificial neural networks. Nat Commun 17, 4164 (2026). https://doi.org/10.1038/s41467-026-70920-3

الكلمات المفتاحية: اللدونة المشبكية, التغذية الراجعة العلوية, الشبكات العصبية المتكررة, تعلم متين, القدرة على تحمل الضوضاء