Graph Neural Network (GNN)

الشبكة العصبية الرسومية (GNN) هي فئة متخصصة من بنيات التعلم العميق مصممة لمعالجة البيانات الممثلة في شكل رسوم بيانية. بينما تم تحسين النماذج التقليدية مثل الشبكات العصبية التلافيفية (CNNs) للهياكل الشبيهة بالشبكة مثل الصور، وتتفوق الشبكات العصبية المتكررة (RNNs) في البيانات المتسلسلة مثل النصوص أو تحليل السلاسل الزمنية، فإن GNNs قادرة بشكل فريد على التعامل مع البيانات غير الإقليدية. وهذا يعني أنها تعمل على مجموعات بيانات محددة بواسطة العقد (الكيانات) والحواف (العلاقات)، مما يسمح لها بالتعلم من الترابطات المعقدة التي تميز الشبكات في العالم الحقيقي. من خلال التقاط سمات نقاط البيانات الفردية والروابط الهيكلية بينها، تفتح GNNs رؤى قوية في المجالات التي تكون فيها العلاقات بالغة الأهمية مثل الكيانات نفسها.

Link to this sectionكيف تعمل الشبكات العصبية الرسومية#

الآلية الأساسية وراء GNN هي عملية تسمى غالبًا "تمرير الرسائل" أو تجميع الجوار. في هذا الإطار، تقوم كل عقدة في الرسم البياني بتحديث تمثيلها الخاص عن طريق جمع المعلومات من جيرانها المباشرين. أثناء تدريب النموذج، تتعلم الشبكة إنتاج تضمينات فعالة - وهي تمثيلات متجهة كثيفة - تقوم بترميز ميزات العقدة جنبًا إلى جنب مع طوبولوجيا حيّها المحلي.

من خلال طبقات متعددة من المعالجة، يمكن للعقدة في النهاية دمج معلومات من مسافة أبعد في الرسم البياني، مما يوسع "مجال الاستقبال" الخاص بها بشكل فعال. هذا يسمح للنموذج بفهم سياق العقدة ضمن الهيكل الأكبر. تسهل الأطر الحديثة مثل PyTorch Geometric و Deep Graph Library (DGL) تنفيذ مخططات تمرير الرسائل المعقدة هذه، مما يمكّن المطورين من بناء تطبيقات متطورة قائمة على الرسوم البيانية دون البدء من الصفر.

Link to this sectionGNNs مقابل بنيات الشبكات العصبية الأخرى#

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

• الشبكات العصبية التلافيفية (CNNs): هذه هي المعيار الذهبي للمهام المرئية، مثل تصنيف الصور أو اكتشاف الأشياء. تعتمد نماذج مثل Ultralytics YOLO26 على CNNs لمعالجة بيانات البكسل ذات الشبكة الثابتة. ومع ذلك، تعاني CNNs مع الهياكل غير المنتظمة حيث يختلف عدد الجيران لكل عقدة.
• الشبكات العصبية المتكررة (RNNs): تعالج RNNs المدخلات في تسلسل محدد، مما يجعلها مثالية لمهام اللغة أو معالجة اللغات الطبيعية (NLP). على النقيض من ذلك، تتعامل GNNs مع البيانات حيث تكون العلاقات مكانية أو ارتباطية بدلاً من كونها زمنية أو متسلسلة بدقة.
• رسم بياني معرفي: الرسم البياني المعرفي هو قاعدة بيانات منظمة للحقائق (الكيانات والعلاقات)، في حين أن GNN هو النموذج الحسابي المستخدم للتعلم من مثل هذه الهياكل. يتم نشر GNNs بشكل متكرر فوق الرسوم البيانية المعرفية لأداء مهام مثل التنبؤ بالروابط، وغالبًا ما تعزز خطوط أنابيب التوليد المعزز بالاسترجاع (RAG).

Link to this sectionتطبيقات 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، يتم تمثيل الجزيئات الكيميائية بشكل طبيعي كرسوم بيانية حيث تكون الذرات عقدًا والروابط حوافًا. تعمل GNNs على تحويل الذكاء الاصطناعي في الرعاية الصحية من خلال التنبؤ بالخصائص الجزيئية ومحاكاة تفاعلات البروتين. تسلط الابتكارات مثل AlphaFold من Google DeepMind الضوء على قوة التعلم العميق الهندسي في فهم الهياكل البيولوجية.

2. تحليل الشبكات الاجتماعية والتوصيات: تستخدم المنصات GNNs لتحليل شبكات واسعة من تفاعلات المستخدمين. من خلال نمذجة المستخدمين كعقد والصداقات أو الإعجابات كحواف، تدعم هذه الشبكات أنظمة التوصية التي تقترح محتوى أو منتجات أو اتصالات. هذا النهج، المشابه للطرق المستخدمة في GraphSage من Pinterest، يتوسع بفعالية ليصل إلى مليارات التفاعلات.

3. الخدمات اللوجستية والتنبؤ بحركة المرور: في الذكاء الاصطناعي في الخدمات اللوجستية، تُعامل شبكات الطرق كرسوم بيانية حيث تكون التقاطعات عقدًا والطرق حوافًا. يمكن لـ GNNs التنبؤ بتدفق حركة المرور وتحسين طرق التسليم من خلال تحليل التبعيات المكانية بين قطاعات الطرق المختلفة، متفوقة بذلك بكثير على خطوط الأساس الإحصائية البسيطة.

Link to this sectionدمج مفاهيم الرسم البياني مع الذكاء الاصطناعي المرئي#

يتم دمج الشبكات العصبية الرسومية بشكل متزايد في خطوط أنابيب متعددة الوسائط. على سبيل المثال، قد يستخدم نظام شامل تجزئة الصور لتحديد كائنات مميزة في مشهد ما ثم يستخدم GNN للاستدلال حول العلاقات المكانية بين تلك الكائنات - وهو ما يُشار إليه غالبًا باسم "رسم بياني للمشهد". هذا يسد الفجوة بين الإدراك البصري والاستدلال المنطقي.

يوضح مثال Python التالي كيفية سد الفجوة بين الذكاء الاصطناعي المرئي وهياكل الرسوم البيانية. وهو يستخدم نموذج Ultralytics YOLO26 لاكتشاف الأشياء، 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 يتطلعون إلى إدارة مجموعات البيانات المطلوبة لهذه الخطوط المعقدة استخدام منصة Ultralytics، التي تبسط سير عمل التعليقات التوضيحية والتدريب للمكونات المرئية للنظام. من خلال الجمع بين النماذج المرئية القوية والاستدلال العلائقي لـ GNNs، يمكن للمهندسين بناء أنظمة ذاتية واعية بالسياق تفهم العالم من حولها بشكل أفضل.