Memory Bank

بنك الذاكرة هو هيكل بيانات يُستخدم في خوارزميات التعلم الآلي لتخزين واسترجاع المعلومات من التكرارات السابقة أو العينات المُعالجَة، مما يفسر فعلياً فصل سعة ذاكرة النموذج عن قيوده الحسابية المباشرة. في سياق التعلم العميق (DL)، يعمل بنك الذاكرة عادةً مستودعاً لـ المتجهات المضمنة (embeddings) أو متجهات الميزات. يتيح هذا للنموذج مقارنة المدخلات الحالية بسجل واسع من المدخلات السابقة دون الحاجة إلى إعادة معالجة أو الاحتفاظ بجميع تلك البيانات في ذاكرة الوصول العشوائي (RAM) النشطة في نفس الوقت. من خلال الحفاظ على مخزن مؤقت للتمثيلات، يمكن للنماذج التعلم من سياق أوسع، مما يحسن الأداء في المهام التي تتطلب اتساقاً طويل الأمد أو مقارنة مع مجموعات بيانات ضخمة.

آليات بنك الذاكرة#

تتمثل الوظيفة الأساسية لبنك الذاكرة في توسيع المعلومات المتاحة متجاوزة حجم الدفعة (batch size) الحالي. أثناء التدريب، ومع تدفق البيانات عبر الشبكة العصبية، يتم دفع تمثيلات الميزات الناتجة إلى البنك. إذا وصل البنك إلى سعته القصوى، تتم عادةً إزالة الميزات الأقدم لإفساح المجال لجديدة، وهي عملية تُعرف باسم قائمة الانتظار "الوارد أولاً، يُصرف أولاً" (FIFO).

تكتسب هذه الآلية أهمية بالغة بشكل خاص نظراً لأن ذاكرة GPU محدودة. بدون بنك الذاكرة، تتطلب مقارنة صورة واحدة بمليون صورة أخرى حجم دفعة يستحيل ملاءمته مع الأجهزة القياسية. مع بنك الذاكرة، يمكن للنموذج تخزين متجهات خفيفة الوزن لتلك المليون صورة والرجوع إليها بكفاءة باستخدام تقنيات بحث التشابه (similarity search)، مثل الضرب النقطي أو تشابه جيب التمام.

تطبيقات العالم الحقيقي#

أصبحت بنوك الذاكرة ركيزة أساسية في العديد من سير عمل رؤية الكمبيوتر (CV) ومعالجة اللغات الطبيعية المتقدمة:

• التعلم التبايني (التعلم الذاتي الإشراف): يعد أحد أشهر التطبيقات في التعلم التبايني، وتحديداً في خوارزميات مثل Momentum Contrast (MoCo). الهدف هنا هو تعليم النموذج تمييز صورة معينة عن العديد من العينات "السلبية" (صور مختلفة). يخزن بنك الذاكرة الآلاف من تمثيلات العينات السلبية، مما يسمح للنموذج بتعلم ميزات قوية دون الحاجة إلى بيانات تدريب مصنفة. للحصول على تفاصيل تقنية عميقة، غالباً ما يشير الباحثون إلى ورقة بحثية عن MoCo التي نشرت هذا النهج على نطاق واسع.
• تتبع الكائنات طويل الأمد: في تحليل الفيديو، قد يتم حجب كلي أو جزئي لكائن ما (مثل سيارة أو شخص) بواسطة عائق مؤقتاً. قد يفقد المتتبعون القياسيون هوية (ID) الكائن أثناء هذا الحجب. تستخدم المتتبعات المتقدمة بنك الذاكرة لتخزين الميزات المرئية للكائنات المكتشفة في الماضي. عندما يظهر الكائن مرة أخرى، يستعلم النظام عن البنك لإعادة إنشاء الهوية الصحيحة. يستفيد المستخدمون الذين يستفيدون من Ultralytics YOLO26 لـ تتبع الكائنات من منطق داخلي مشابه يحافظ على اتساق الهوية عبر الإطارات.
• فهم الفيديو: للتعرف على الإجراءات التي تمتد عبر عدة ثوانٍ أو دقائق، تحتاج النماذج إلى سياق زمني. يعمل بنك الذاكرة مخزناً مؤقتاً للإطارات أو المقاطع السابقة، مما يتيح للشبكة "تذكر" ما حدث في بداية الفيديو أثناء معالجة النهاية. هذا أمر بالغ الأهمية لدقة التعرف على الأكشن.

التمييز بين المفاهيم ذات الصلة#

من المفيد تمييز بنك الذاكرة عن مفاهيم التخزين والمعالجة الأخرى الموجودة في المسرد:

• بنك الذاكرة مقابل قاعدة بيانات متجهات (Vector Database): كلاهما يخزن المتجهات المضمنة للاسترجاع. ومع ذلك، فإن بنك الذاكرة عادةً ما يكون هيكلاً عابراً في الذاكرة يُستخدم ديناميكياً أثناء التدريب أو الاستدلال النشط لجلسة نموذج واحد. أما قاعدة بيانات المتجهات (مثل تلك المستخدمة في RAG) فهي حل تخزين مستدام وقابل للتوسيع مخصص للاستمرار إلى أجل غير مسمى وخدمة تطبيقات متعددة.
• بنك الذاكرة مقابل نافذة السياق (Context Window): تحدد نافذة السياق (الشائعة في Transformers) الحد الأقصى لطول تسلسل الإدخال الذي يعالجه النموذج دفعة واحدة (على سبيل المثال، 32 ألف رمز). بنك الذاكرة هو مخزن مؤقت خارجي يخزن التمثيلات المضغوطة خارج نافذة المعالجة النشطة، مما يسمح نظرياً بعمق ذاكرة لا نهائي، كما يظهر في معماريات مثل Transformer-XL.
• بنك الذاكرة مقابل حجم الدفعة (Batch Size): يحدد حجم الدفعة عدد العينات التي تتم معالجتها بالتوازي لتحديثات التدرج. يزيد بنك الذاكرة العدد الفعال للعينات التي يمكن للنموذج "رؤيتها" لأغراض المقارنة دون زيادة التكلفة الحسابية للمرر الأمامي والخلفي.

مثال برمجي: محاكاة بنك الميزات#

يوضح نموذج Python التالي مفهوم بنك ذاكرة "الوارد أولاً، يُصرف أولاً" (FIFO) باستخدام torch. غالباً ما يُستخدم هذا الهيكل للحفاظ على سجل متجدد لمتجهات الميزات أثناء حلقات التدريب المخصصة أو مهام الاستدلال المعقدة.

import torch

# Initialize a memory bank (Capacity: 100 features, Vector Dim: 128)
# In a real scenario, these would be embeddings from a model like YOLO26
memory_bank = torch.randn(100, 128)

# Simulate receiving a new batch of features (e.g., from the current image batch)
new_features = torch.randn(10, 128)

# Update the bank: Enqueue new features, Dequeue the oldest ones
# This maintains a fixed size while keeping the memory 'fresh'
memory_bank = torch.cat([memory_bank[10:], new_features], dim=0)

print(f"Updated Memory Bank Shape: {memory_bank.shape}")
# Output: Updated Memory Bank Shape: torch.Size([100, 128])

التحديات والاعتبارات#

على الرغم من قوتها، تقدم بنوك الذاكرة تحدي "انحراف التمثيل". نظراً لأن شبكة التشفير تتغير قليلاً مع كل خطوة تدريب، فقد تكون الميزات المخزنة في البنك منذ 100 خطوة "قديمة" أو غير متسقة مع حالة النموذج الحالية. تساعد تقنيات مثل استخدام مشفر الزخم (متوسط التحديث البطيء للنموذج) في التخفيف من هذه المشكلة.

لفرق العمل التي تتطلع إلى إدارة إصدارات مجموعات البيانات وأصول النماذج التي تستخدم هذه التقنيات المتقدمة، توفر منصة Ultralytics (Ultralytics Platform) مركزاً موحداً لتنظيم البيانات، وتتبع التجارب، ونشر النماذج بكفاءة. تعد إدارة تعقيد تخزين الميزات واسترجاعها أمراً أساسياً الانتقال من الذكاء الاصطناعي (AI) التجريبي إلى أنظمة إنتاج قوية.