شبكة عصبية بيانية (GNN)

شبكة العصبية البيانية (GNN) هي فئة متخصصة من بنى التعلم العميق المصممة لمعالجة البيانات الممثلة في شكل رسوم بيانية. في حين أن النماذج التقليدية مثل الشبكات العصبية التلافيفية (CNNs) مُحسّنة للهياكل الشبكية مثل الصور، وتتميز الشبكات العصبية المتكررة (RNNs) بالبيانات المتسلسلة مثل النصوص أو تحليل السلاسل الزمنية، فإن شبكات GNN تتميز بقدرتها الفريدة على معالجة البيانات غير الأوقليدية. 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 كل من سمات نقاط البيانات الفردية والروابط الهيكلية بينها، تفتح شبكات GNN رؤى قوية في المجالات التي تكون فيها العلاقات بنفس أهمية الكيانات نفسها.

كيف تعمل الشبكات العصبية البيانية

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

من خلال طبقات متعددة من المعالجة، يمكن للعقدة في النهاية دمج معلومات من أماكن أبعد في الرسم البياني، مما يؤدي إلى توسيع "مجال استقبالها" بشكل فعال. وهذا يسمح للنموذج بفهم سياق العقدة داخل الهيكل الأكبر. تسهل الأطر الحديثة مثل PyTorch و Deep Graph Library (DGL) تنفيذ مخططات تمرير الرسائل المعقدة هذه ، مما يتيح للمطورين إنشاء تطبيقات متطورة قائمة على الرسوم البيانية دون البدء من الصفر.

شبكات GNN مقابل البنى العصبية الأخرى

لتقدير الدور المتميز لشبكات GNN، من المفيد تمييزها عن أنواع الشبكات العصبية (NN) الشائعة الأخرى الموجودة في مجال الذكاء الاصطناعي : * شبكات العصبون العضلي ( GNN ): شبكات عصبية ذات طبقات متعددة تتكون من طبقة من العصبونات العضلية (GNNs) وطبقة من العصبونات العضلية (GNNs) وطبقة من العصبونات العضلية (GNNs

• الشبكات العصبية التلافيفية (CNNs): هذه هي المعيار الذهبي للمهام البصرية، مثل تصنيف الصور أو الكشف عن الأشياء. تعتمد نماذج مثل Ultralytics على الشبكات العصبية التلافيفية لمعالجة بيانات البكسل ذات الشبكة الثابتة. ومع ذلك، تواجه الشبكات العصبية التلافيفية صعوبة في التعامل مع الهياكل غير المنتظمة حيث يختلف عدد الجيران لكل عقدة.
• الشبكات العصبية المتكررة (RNNs): تعالج الشبكات العصبية المتكررة المدخلات في تسلسل محدد، مما يجعلها مثالية لمهام اللغة أو معالجة اللغة الطبيعية (NLP). في المقابل، تتعامل الشبكات العصبية الجرافيكية مع البيانات التي تكون فيها العلاقات مكانية أو علائقية بدلاً من أن تكون زمنية أو تسلسلية بشكل صارم.
• مخطط المعرفة: الرسم البياني المعرفي هو قاعدة بيانات منظمة للحقائق (الكيانات والعلاقات)، في حين أن GNN هو نموذج حسابي يستخدم للتعلم من هذه الهياكل. غالبًا ما يتم نشر GNNs فوق الرسوم البيانية المعرفية لأداء مهام مثل التنبؤ بالروابط، مما يؤدي غالبًا إلى تحسين عمليات التوليد المعزز بالاسترجاع (RAG) .

تطبيقات واقعية

إن القدرة على نمذجة العلاقات التعسفية تجعل شبكات GNNs لا غنى عنها في مختلف الصناعات ذات التأثير الكبير:

1. اكتشاف الأدوية والرعاية الصحية: في صناعة الأدوية، يتم تمثيل الجزيئات الكيميائية بشكل طبيعي في شكل رسوم بيانية حيث تمثل الذرات العقد والروابط الحواف. تعمل شبكات GNN على تغيير الذكاء الاصطناعي في مجال الرعاية الصحية من خلال التنبؤ بالخصائص الجزيئية ومحاكاة تفاعلات البروتينات. تسلط ابتكارات مثل AlphaFold من Google 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. من خلال نمذجة المستخدمين كعقد والصداقات أو الإعجابات كحواف، تعمل هذه الشبكات على تشغيل أنظمة التوصيات التي تقترح محتوى أو منتجات أو اتصالات. هذا النهج، المشابه للطرق المستخدمة في GraphSage من Pinterest، يتوسع بشكل فعال إلى مليارات التفاعلات.
3. اللوجستيات والتنبؤ بحركة المرور: في الذكاء الاصطناعي في مجال اللوجستيات، يتم التعامل مع شبكات الطرق على أنها رسوم بيانية حيث التقاطعات هي العقد والطرق هي الحواف. يمكن لشبكات GNN التنبؤ بتدفق حركة المرور وتحسين طرق التسليم عن طريق تحليل التبعيات المكانية بين مختلف أجزاء الطرق، متفوقة بكثير على الخطوط الأساسية الإحصائية البسيطة.

دمج مفاهيم الرسوم البيانية مع الذكاء الاصطناعي للرؤية

يتم دمج الشبكات العصبية البيانية بشكل متزايد في خطوط الأنابيب متعددة الوسائط. على سبيل المثال، قد يستخدم نظام شامل تقسيم الصور لتحديد الأجسام المتميزة في مشهد ما، ثم يستخدم شبكة عصبية بيانية للتفكير في العلاقات المكانية بين تلك الأجسام — والتي يشار إليها غالبًا باسم "الرسم البياني للمشهد". وهذا يسد الفجوة بين الإدراك البصري والتفكير المنطقي .

يوضح Python التالي Python كيفية ربط Vision AI بهياكل الرسوم البيانية. ويستخدم Ultralytics YOLO26 نموذج detect تعمل كعقد، ويقوم بإعداد بنية 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 يسعون إلى إدارة مجموعات البيانات المطلوبة لهذه الأنابيب المعقدة استخدام Ultralytics التي تبسط عمليات التعليق والتدريب لمكونات الرؤية في النظام. من خلال الجمع بين نماذج الرؤية القوية والتفكير العلائقي لـ GNNs، يمكن للمهندسين بناء أنظمة مستقلة مدركة للسياق تفهم العالم من حولها بشكل أفضل.