PS-SNN: تعلم فصل الأنماط للشبكات العصبية النابضة القابلة للتوسيع في التعلم التزايدي حسب الفئة

لماذا يهم تعليم الآلات "التذكر"

أنظمة الذكاء الاصطناعي الحديثة مثيرة للإعجاب، لكنها تعاني من نقطة عمياء خطيرة: عندما تتعلم شيئًا جديدًا تميل إلى نسيان ما كانت تعرفه سابقًا. هذه "العمى الناسي" عقبة كبيرة أمام الروبوتات والهواتف والأجهزة الأخرى التي يجب أن تستمر في التعلم من عالم متغير دون إعادة تدريب كاملة. الورقة البحثية حول PS-SNN تقدّم طريقة مستوحاة من الدماغ لمساعدة الشبكات العصبية النابضة الموفرة للطاقة على تعلم فئات جديدة مع مرور الوقت مع الحفاظ على ما تم تعلمه بالفعل، مما يشير إلى ذكاء اصطناعي أكثر ذكاءً وموثوقية يمكن تشغيله على أجهزة منخفضة الاستهلاك.

مشكلة النسيان مع مرور الوقت

تُدرّب معظم نماذج الذكاء الاصطناعي مرة واحدة على مجموعة بيانات ثابتة ثم تُنشر. في الحياة الواقعية، مع ذلك، تصل البيانات على دفعات: قد ترى كاميرا أنواعًا جديدة من الأشياء الشهر المقبل لم تُوسم من قبل. عندما يتم تحديث شبكة عصبية قياسية على هذه الفئات الجديدة، يُعاد تشكيل "فضاء الميزات" الداخلي، وغالبًا ما يتدهور الأداء على الفئات السابقة—وهي ظاهرة تُسمى النسيان الكارثي. هذا التحدي يزداد في التعلم التزايدي حسب الفئة، حيث يجب على النظام أن يتعرف على جميع الفئات التي رآها حتى الآن دون أن يُخبر أي مرحلة تدريبية جاءت منها. الشبكات العصبية النابضة، التي تتواصل بنبضات كهربائية قصيرة مثل الخلايا العصبية البيولوجية وتجذب الانتباه لشرائح منخفضة الطاقة، تعاني من نفس المشكلة وحظيت باهتمام أقل بكثير مقارنة بالشبكات العميقة التقليدية.

التعلم عبر النمو والفصل في الدماغ

تشير علوم الأعصاب إلى فكرتين مكملتين للتعلم مدى الحياة. أولًا، يمكن للدماغ أن ينشئ خلايا عصبية جديدة، خاصة في منطقة تُسمى الحُصين، مما يسمح بتخزين ذكريات جديدة دون مسح القديمة. ثانيًا، يُعتقد أن جزءًا آخر من الحُصين، هو الضفيرة المسننّة (dentate gyrus)، يعمل كـ"فاصل للأنماط": حتى التجارب المتشابهة تُرمَز إلى أنماط نشاط مميزة وغير متداخلة حتى لا تتداخل مع بعضها البعض. طرق التعلم المستمر الحالية للشبكات النابضة تركز عادة على تغيير بنية الشبكة أو إعادة استخدام بيانات قديمة، لكنها ما زالت تعتمد على طبقات إخراج مُهيَّأة عشوائيًا، ما قد يتسبب في انجراف وتمدد التمثيلات الداخلية للفئات واندماجها مع وصول مهام جديدة. يجادل المؤلفون بأن تصميم المُصنّف المُتجاهَل هذا هو مصدر رئيسي لعدم الاستقرار.

كيف يعيد PS-SNN تشكيل عملية التعلم

يجمع PS-SNN بين هاتين الفكرتين المستلهمتين من الدماغ في شبكة نابضة مصممة للتعلم التزايدي حسب الفئة. مع وصول مجموعات جديدة من الفئات، تنمو الشبكة بإضافة وحدات لاستخراج الميزات جديدة، بينما تُجمَّد الوحدات السابقة، مقلدة التكون العصبي والحفاظ على المعرفة السابقة. في الوقت نفسه، بدلًا من تعلم طبقة إخراج جديدة من الصفر في كل مرة، تُعيّن الطريقة لكل فئة ممكنة اتجاهًا مسبق الحساب في فضاء الميزات. تُبنى هذه الاتجاهات لتكون متعامدة بعضها مع بعض، بمعنى أن كل فئة مُرسَّخة في فتحة مميزة وغير متداخلة من البداية. خلال مرحلة التدريب الأولى، المُسماة تعلم فصل الأنماط، يُبقى المُصنّف ثابتًا وتتكيف فقط وحدات استخراج الميزات، مما يجبر تمثيل كل فئة القائم على النبضات على التجمع بإحكام حول اتجاهها المعيّن ويقلل الصراعات بين المهام القديمة والجديدة.

تحسين القرارات دون كسر الذكريات

تُحسّن المراسي المتعامدة الاستقرار بشكل كبير، لكنها صلبة أيضًا. لاستعادة المرونة، يضيف PS-SNN مرحلة ثانية تُسمى تعلم تنقيح الأنماط. هنا، تُجمَّد وحدات استخراج الميزات ويُعدَّل المُصنّف فقط، باستخدام مزيج متوازن بعناية من أمثلة قديمة وجديدة بحيث لا تُهيمن مجموعة فئات على الأخرى. تعيد هذه المرحلة تشكيل حدود القرار بين اتجاهات الفئات المفصولة جيدًا، محسنَة التمييز—لا سيما للفئات الشبيهة بصريًا—دون إزعاج التمثيلات الأساسية التي تم تثبيتها في المرحلة الأولى. كما يحتفظ النظام بذاكرة إعادة تشغيل صغيرة للعينات السابقة، مما يساعد في توجيه كلتا المرحلتين مع الحفاظ على متطلبات تخزين متواضعة.

ماذا تعني النتائج لمستقبل الذكاء الاصطناعي

عند الاختبار على معايير صور قياسية تصل فيها الفئات على خطوات متعددة، يتفوّق PS-SNN بشكل ملحوظ على طرق التعلم المستمر القائمة على النبضات السابقة ويتنافس أو يتجاوز حتى بعض الشبكات العميقة التقليدية الرائدة، كل ذلك مع الحفاظ على مزايا توفير الطاقة للحساب المعتمد على النبضات. من خلال الجمع بين بنية شبكة قابلة للتوسيع ومراسي فئات ثابتة ومفصولة جيدًا، يقلل النهج بحدة انجراف التمثيلات الداخلية البطيء الذي يُقوّض التعلم طويل الأمد عادة. للقراء غير المتخصصين، الخلاصة هي أن هذا العمل يقرب الذكاء الاصطناعي من قدرة الدماغ على الاستمرار في التعلم دون النسيان، بشكل يمكن تشغيله بكفاءة على شرائح نيورومورفيّة مستقبلية مدمجة في الأجهزة اليومية.

الاستشهاد: Hu, K., Wen, L., Zhang, T. et al. PS-SNN: pattern separation learning for expandable spiking neural networks in class-incremental learning. Sci Rep 16, 12653 (2026). https://doi.org/10.1038/s41598-026-42970-6

الكلمات المفتاحية: التعلم المستمر, الشبكات العصبية النابضة, النسيان الكارثي, الحوسبة النيورومورفيّة, فصل الأنماط