شبكات عصبية نابضة خالية من الانتشار العكسي مع خوارزمية الأمام–أمام

تعليم الحواسيب التفكير بالنبضات

العديد من أذكى الآلات اليوم تتعلم باستخدام رياضيات لا تشبه ما يحدث في الدماغ. تستكشف هذه الورقة طريقة جديدة لتدريب الشبكات العصبية «النابضة» — نماذج حاسوبية تتواصل بنبضات كهربائية قصيرة، شبيهة بما تفعله الخلايا العصبية الحقيقية — دون الاعتماد على وصفة الانتشار العكسي القياسية. يظهر المؤلفون أن طريقة مستوحاة من الدماغ تُسمى خوارزمية الأمام–أمام يمكنها تعليم هذه الشبكات النابضة التعرف على الصور والأصوات بدقة قريبة من، وأحيانًا أفضل من، أفضل الطرق الحالية، مع توافق أكبر مع أجهزة نيورومورفية منخفضة الطاقة.

لماذا من الصعب تدريب الأدمغة النابضة

تعالج الشبكات العصبية النابضة المعلومات باستخدام اندفاعات منفصلة، أو نبضات، على امتداد الزمن بدلاً من أرقام مستمرة وناعمة. وهذا يجعلها جذابة للحوسبة الموفرة للطاقة ولتقليد الأدمغة البيولوجية. لكنه يخلق أيضًا صعوبة لخوارزميات التعلم التقليدية: يحتاج الانتشار العكسي إلى تدرجات ناعمة لتعديل الروابط بين العصبونات، بينما النبضات أحداث شاملة أو لا شيء. توجد حلول وسط — مثل التدرجات البديلة التي تتظاهر بأن النبضات ناعمة أثناء التعلم — لكن الانتشار العكسي لا يزال يتطلب تخزين كميات كبيرة من النشاط الوسيط وإرسال إشارات خطأ دقيقة للخلف عبر كل طبقة، افتراضات ثقيلة حسابيًا وغير واقعية بيولوجيًا.

مسار مختلف: التعلم بتمرينين أماميين

تقدم خوارزمية الأمام–أمام نهجًا متباينًا. بدلًا من تمريرة أمامية واحدة يتبعها مسح خلفي لإشارات الخطأ، تُدرَّب كل طبقة من الشبكة باستخدام تمريرين أماميين فقط: تمرير واحد مع أمثلة «إيجابية» تطابق التصنيف الصحيح، وآخر مع أمثلة «سلبية» مُنشَأة لتكون خاطئة بطريقة مسيطرة. لكل طبقة، تقيس الشبكة مقياسًا بسيطًا يسمى «الجودة»، بناءً على مدى استجابة عصبوناتها. الهدف هو جعل الجودة عالية للمدخلات الإيجابية ومنخفضة للسلبية. وبما أن كل طبقة تستخدم نشاطها الخاص فقط لتحديث وصلاتها، فلا حاجة لإرسال إشارات خطأ عبر الشبكة كلها، فتصبح الخوارزمية أكثر محلية وتجزئة وملائمة للأجهزة.

جعل الأمام–أمام يعمل مع النبضات

يكيّف المؤلفون هذه الفكرة مع الشبكات النابضة عبر تصميم دقيق لكيفية ترميز المدخلات والتسميات وكيفية قياس الجودة. أولًا، تُحوَّل الصور أو أنماط الصوت إلى قطارات نبضات باستخدام ترميز المعدل — مدخلات أكثر شدة تولد نبضات أكثر عبر سلسلة قصيرة من خطوات الزمن. تُضمَّن التسميات مباشرة في جزء من المدخل، بحيث يحمل متجه واحد كلًا من البيانات وفئة مرشحة. تستخدم العينات الإيجابية التصنيف الصحيح؛ وتستخدم العينات السلبية تصنيفًا خاطئًا «صعبًا» مُختارًا من فئات تميل الشبكة إلى الخلط بينها. أثناء مرور النبضات عبر طبقات من عصبونات الاندماج والتسريب (leaky integrate-and-fire)، يحسب النموذج عدد مرات إطلاق كل عصبون للنبضات في التمريرات الإيجابية والسلبية. تُعرَّف جودة الطبقة بعد ذلك بحسب إجمالي أعداد النبضات، وتحث دالة خسارة ناعمة الجودة الإيجابية على أن تتجاوز السلبية بهامش مريح مع الحفاظ على استقرار التدرجات.

ما مدى أداء هذه الطريقة النابضة؟

لاختبار نهجهم، يدرب المؤلفون شبكات نابضة مدمجة على عدة مجموعات قياسية للرؤية، بما في ذلك الأرقام المكتوبة بخط اليد (MNIST)، والملابس، والحروف اليابانية، وصور الأجسام الملونة (CIFAR-10)، بالإضافة إلى مجموعات نيورومورفية تصلها المدخلات كنبضات فعلاً، مثل تسجيلات الأرقام القائمة على الأحداث (N-MNIST) والأرقام المنطوقة المشفرة كقطارات نبضات (SHD). بالرغم من استخدامهم طبقتين مخفيتين فقط وما يصل إلى 10 خطوات زمنية، تطابق نماذجهم النابضة المعتمدة على الأمام–أمام أو تتفوق على أنظمة نابضة أخرى تستخدم نفس النهج وتقترب من أفضل الشبكات النابضة المدربة بالانتشار العكسي. في مهام زمنية أصعب مثل SHD، تتفوق طريقتهم حتى على عدة نماذج نابضة معتمدة على الانتشار العكسي، وكل ذلك مع استخدام معلمات أقل وبقابلية أكبر للنشر على أجهزة مدفوعة بالأحداث.

ماذا يعني هذا لآلات تشبه الدماغ في المستقبل

بالنسبة للقارئ العادي، الرسالة الأساسية هي أن هناك الآن طريقة واعدة لتدريب الشبكات المستوحاة من الدماغ والمعتمدة على النبضات دون الاعتماد على الآلة الثقيلة للانتشار العكسي. من خلال تقييم كل طبقة على مدى استجابتها للأمثلة الجيدة مقابل السيئة، والعمل كليًا بتمريرات أمامية، يحافظ نهج الأمام–أمام على التعلم محليًا ومجزأً مع تحقيق دقة تنافسية. وعلى الرغم من أن بعض المكونات—مثل التدرجات البديلة وتضمين التسميات صراحة—ليست بيولوجية بصرامة، فإن هذا الإطار يقرب التعلم الآلي خطوة من الكيفية التي قد تتكيف بها الأنظمة العصبية الحقيقية، ويفتح طريقًا نحو أجهزة ذكية أكثر كفاءة وموفرة للطاقة تتعلم من بيانات حسية متدفقة في الزمن الحقيقي.

الاستشهاد: Ghader, M., Kheradpisheh, S.R., Farahani, B. et al. Backpropagation-free spiking neural networks with the forward–forward algorithm. Sci Rep 16, 14294 (2026). https://doi.org/10.1038/s41598-026-41671-4

الكلمات المفتاحية: الشبكات العصبية النابضة, تعلم الأمام–أمام, الحوسبة النيورومورفية, الذكاء المستوحى من الأحياء, بدائل الانتشار العكسي