Graph Neural Network (GNN)

الشبكة العصبية الرسومية (GNN) هي فئة متخصصة من بنيات التعلم العميق المصممة لمعالجة البيانات الممثلة على هيئة رسوم بيانية. وفي حين أن النماذج التقليدية مثل الشبكات العصبية التلافيفية (CNNs) مُحسَّنة للهياكل شبكية الشكل مثل الصور، وتتفوق الشبكات العصبية المتكررة (RNNs) في البيانات التسلسلية مثل النصوص أو تحليل السلاسل الزمنية، فإن شبكات GNN تتميز بقدرتها الفريدة على التعامل مع البيانات غير الإيثودية (غير الإوكليدية). وهذا يعني أنها تعمل على مجموعات بيانات محددة بواسطة العقد (الكيانات) والحواف (العلاقات)، مما يسمح لها بالتعلم من الاعتماديات المتبادلة المعقدة التي تميز شبكات العالم الحقيقي. ومن خلال التقاط خصائص نقاط البيانات الفردية والروابط الهيكلِيَّة بينها، تفتح شبكات GNN آفاقاً لرؤى قوية في المجالات التي تكون فيها العلاقات بنفس أهمية الكيانات ذاتها.

كيف تعمل الشبكات العصبية الرسومية#

آلية الأساس الكامنة وراء شبكات GNN هي عملية تُعرف غالباً باسم "مرور الرسائل" أو تجميع الجوار. في هذا الإطار، تقوم كل عقدة في الرسم البياني بتحديث تمثيلها الخاص عن طريق جمع المعلومات من جيرانها المباشرين. وأثناء تدريب النموذج، يتعلم الشبكة إنتاج تضمينات فعالة —وهي تمثيلات متجهة كثيفة— تُشفِّر ميزات العقدة مع طوبولوجيا جوارها المحلي.

من خلال طبقات متعددة من المعالجة، يمكن للعقدة في النهاية دمج معلومات من أماكن أبعد في الرسم البياني، مما يؤدي بفعالية إلى توسيع "مجال استقبالها". وهذا يسمح للنموذج بفهم سياق العقدة ضمن الهيكل الأكبر. وتُسهّل الأطر الحديثة مثل PyTorch Geometric ومكتبة الرسم البياني العميقة (DGL) تنفيذ هذه المخططات المعقدة لتمرير الرسائل، مما يتيح للمطورين بناء تطبيقات متطورة تعتمد على الرسوم البيانية دون البدء من الصفر.

GNNs مقابل بنيات الشبكات العصبية الأخرى#

لتقدير الدور المميز لشبكات GNN، من المفيد التمييز بينها وبين أنواع الشبكات العصبية (NN) الشائعة الأخرى الموجودة في مشهد الذكاء الاصطناعي:

• الشبكات العصبية التلافيفية (CNNs): تُعد هذه الشبكات المعيار الذهبي للمهام المرئية، مثل تصنيف الصور أو اكتشاف الكائنات. تعتمد نماذج مثل Ultralytics YOLO26 على شبكات CNN لمعالجة بيانات البكسل ذات الشبكة الثابتة. ومع ذلك، تعاني شبكات CNN من الهياكل غير المنتظمة حيث يختلف عدد الجيران لكل عقدة.
• الشبكات العصبية المتكررة (RNNs): تعالج شبكات RNN المدخلات في تسلسل محدد، مما يجعلها مثالية لمهام اللغات أو معالجة اللغات الطبيعية (NLP). وعلى النقيض من ذلك، تتعامل شبكات GNN مع البيانات التي تكون فيها العلاقات مكانية أو ترابطية وليست زمنية أو تسلسلية بحتة.
• الرسم البياني المعرفي: الرسم البياني المعرفي هو قاعدة بيانات منظمة للحقائق (الكيانات والعلاقات)، في حين أن شبكة GNN هي النموذج الحسابي المستخدم للتعلم من هذه الهياكل. وغالباً ما يتم نشر شبكات GNN أعلى الرسوم البيانية المعرفية لأداء مهام مثل التنبؤ بالروابط، مما يؤدي غالباً إلى تحسين خطوط أنابيب التوليد المعزز بالاسترجاع (RAG).

تطبيقات العالم الحقيقي#

إن القدرة على نمذجة العلاقات التعسفية تجعل GNNs لا غنى عنها عبر مختلف الصناعات ذات التأثير العالي:

1. اكتشاف الأدوية والرعاية الصحية: في صناعة الأدوية، تُمثَّل الجزيئات الكيميائية بشكل طبيعي على هيئة رسوم بيانية تكون فيها الذرات عبارة عن عقد والروابط عبارة عن حواف. تُحدث شبكات GNN تحولاً في الذكاء الاصطناعي في الرعاية الصحية من خلال التنبؤ بالخصائص الجزيئية ومحاكاة تفاعلات البروتينات. وتُسلط الابتكارات مثل AlphaFold من Google DeepMind الضوء على قوة التعلم العميق الهندسي في فهم الهياكل البيولوجية.

2. تحليل الشبكات الاجتماعية والتوصيات: تستخدم المنصات شبكات GNN لتحليل شبكات واسعة من تفاعلات المستخدمين. ومن خلال نمذجة المستخدمين كعقد والصداقات أو الإعجابات كحواف، تغذي هذه الشبكات أنظمة التوصيات التي تقترح المحتوى أو المنتجات أو الاتصالات. هذا النهج، المشابه للطرق المستخدمة في GraphSage الخاص بـ Pinterest، يتوسع بشكل فعال لمليارات التفاعلات.

3. اللوجستيات والتنبؤ بحركة المرور: في الذكاء الاصطناعي في اللوجستيات، يتم التعامل مع شبكات الطرق كرسوم بيانية حيث التقاطعات هي عقد والطرق هي حواف. يمكن لشبكات GNN التنبؤ بتدفق حركة المرور وتحسين مسارات التوصيل من خلال تحليل الاعتماديات المكانية بين قطاعات الطرق المختلفة، متفوقة بكثير على خطوط الأساس الإحصائية البسيطة.

دمج مفاهيم الرسم البياني مع الذكاء الاصطناعي المرئي#

يتم دمج الشبكات العصبية الرسومية بشكل متزايد في خطوط الأنابيب متعددة الوسائط. على سبيل المثال، قد يستخدم النظام الشامل تجزيء الصور لتحديد الكائنات المتميزة في المشهد ثم توظيف شبكة GNN للاستدلال على العلاقات المكانية بين تلك الكائنات - وغالباً ما يُشار إلى ذلك باسم "الرسم البياني للمشهد". وهذا يسد الفجوة بين الإدراك البصري والتدليل المنطقي.

يوضح مثال Python التالي كيفية ربط الذكاء الاصطناعي للرؤية بهياكل الرسوم البيانية. وهو يستخدم نموذج Ultralytics YOLO26 لاكتشاف الكائنات، والتي تعمل كعقد، ويجهز هيكل رسم بياني أساسي باستخدام torch.

import torch
from ultralytics import YOLO

# Load the latest YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image to find entities (nodes)
results = model("https://ultralytics.com/images/bus.jpg")

# Extract box centers to serve as node features
# Format: [center_x, center_y] derived from xywh
boxes = results[0].boxes.xywh[:, :2].cpu()
x = torch.tensor(boxes.numpy(), dtype=torch.float)

# Create a hypothetical edge index connecting the first two objects
# In a real GNN, edges might be defined by distance or interaction
edge_index = torch.tensor([[0, 1], [1, 0]], dtype=torch.long)

print(f"Graph constructed: {x.size(0)} nodes (objects) and {edge_index.size(1)} edges.")

يمكن للمطورين الذين تتطلع أعينهم لإدارة مجموعات البيانات المطلوبة لهذه الخطوط المعقدة الاستفادة من منصة Ultralytics، التي تبسط تعليقات التدريب وعمليات سير التدريب لمكونات الرؤية في النظام. من خلال الجمع بين نماذج الرؤية القوية والاستدلال العلائقي لشبكات GNN، يمكن للمهندسين بناء أنظمة مستقلة واعية بالسياق تفهم العالم من حولها بشكل أفضل.