Neural Architecture Search (NAS)

يُعدّ البحث عن البنية العصبية (NAS) تقنية متقدمة ضمن نطاق التعلّم الآلي المؤتمت (AutoML)، إذ تعمل على أتمتة تصميم الشبكات العصبية الاصطناعية. تقليديًا، كانت هندسة بنى التعلّم العميق (DL) عالية الأداء تتطلب خبرة بشرية واسعة وحدسًا ووقتًا طويلًا من التجربة والخطأ. يستبدل NAS هذه العملية اليدوية باستراتيجيات خوارزمية تستكشف منهجيًا نطاقًا واسعًا من طوبولوجيات الشبكات لاكتشاف البنية المثلى لمهمة محددة. ومن خلال اختبار توليفات متنوعة من الطبقات والعمليات، يستطيع NAS تحديد بُنى تتفوق بدرجة ملحوظة على النماذج التي صممها البشر من حيث الدقة أو الكفاءة الحسابية أو سرعة الاستدلال.

الآليات الأساسية لـ NAS#

تنطوي عملية اكتشاف بنية متفوقة عمومًا على ثلاثة أبعاد أساسية تتفاعل معًا للعثور على أفضل شبكة عصبية (NN):

1. فضاء البحث: يحدد هذا الفضاء جميع البنى الممكنة التي تستطيع الخوارزمية استكشافها. وهو يعمل مثل مكتبة من لبنات البناء، مثل مرشحات الالتفاف وطبقات التجميع ودوال التنشيط المتنوعة. ويقيّد فضاء البحث المحدد جيدًا التعقيد لضمان بقاء عملية البحث قابلة للتنفيذ حسابيًا، مع توفير مرونة كافية للابتكار.

2. استراتيجية البحث: بدلًا من اختبار كل الاحتمالات (القوة الغاشمة)، يستخدم NAS خوارزميات ذكية للتنقل بكفاءة في فضاء البحث. وتشمل الأساليب الشائعة التعلّم المعزز، حيث يتعلم وكيل توليد بُنى أفضل بمرور الوقت، والخوارزميات التطورية، التي تُجري طفرات على النماذج الأعلى أداءً وتجمع بينها لإنتاج مرشحين متفوقين.

3. استراتيجية تقدير الأداء: إن تدريب كل شبكة مرشحة من الصفر بطيء للغاية. ولتسريع ذلك، يستخدم NAS تقنيات تقدير—مثل التدريب على عدد أقل من العصور، أو استخدام مجموعات بيانات بديلة منخفضة الدقة، أو تطبيق مشاركة الأوزان—لترتيب إمكانات البنية المرشحة بسرعة.

التطبيقات الواقعية#

أصبح NAS عنصرًا حاسمًا في الصناعات التي تكون فيها قيود الأجهزة أو متطلبات الأداء صارمة، مما يدفع حدود الرؤية الحاسوبية (CV) وغيرها من مجالات الذكاء الاصطناعي.

• الحوسبة الطرفية الفعالة: يتطلب نشر الذكاء الاصطناعي على الأجهزة المحمولة نماذج خفيفة وسريعة في آن واحد. ويُستخدم NAS على نطاق واسع لاكتشاف بُنى مثل MobileNetV3 وEfficientNet التي تقلل زمن استجابة الاستدلال مع الحفاظ على دقة عالية. وهذا أمر حيوي لتطبيقات الذكاء الاصطناعي الطرفي، مثل تحليل الفيديو في الوقت الفعلي على الكاميرات الذكية أو الطائرات المسيّرة ذاتية القيادة.
• التصوير الطبي: في تحليل الصور الطبية، تحظى الدقة بأهمية قصوى. يستطيع NAS تهيئة الشبكات لاكتشاف الحالات الشاذة الدقيقة في صور الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي، وغالبًا ما يجد مسارات جديدة لاستخراج السمات قد يغفل عنها المهندسون البشريون. ويؤدي ذلك إلى أدوات أكثر موثوقية لتحديد حالات مثل أورام الدماغ أو الكسور بحساسية أعلى.

NAS مقارنةً بالمفاهيم ذات الصلة#

لفهم الدور المحدد لـ NAS، من المفيد تمييزه عن تقنيات التحسين المشابهة:

• NAS مقارنةً بضبط المعلمات الفائقة: رغم أن كليهما يتضمن التحسين، يركّز ضبط المعلمات الفائقة على تعديل إعدادات التهيئة، مثل معدل التعلّم أو حجم الدفعة، لبنية ثابتة. أما NAS فيغيّر البنية الأساسية للنموذج نفسه، مثل عدد الطبقات أو كيفية اتصال العصبونات.
• NAS مقارنةً بالتعلّم بالنقل: يأخذ التعلّم بالنقل نموذجًا موجودًا ومدرّبًا مسبقًا ويكيّف أوزانه لمهمة جديدة. أما NAS فينشئ بنية النموذج من الصفر (أو يبحث عن جذع أفضل) قبل بدء التدريب.

استخدام النماذج المستمدة من NAS#

مع أن إجراء بحث NAS كامل يتطلب موارد حوسبة GPU كبيرة، يستطيع المطورون بسهولة استخدام النماذج التي أُنشئت عبر NAS. فعلى سبيل المثال، اكتُشفت بنية YOLO-NAS باستخدام مبادئ البحث هذه لتحسين مهام اكتشاف الكائنات.

يوضح مثال Python التالي كيفية تحميل نموذج NAS تم البحث عنه مسبقًا واستخدامه باستخدام الحزمة ultralytics:

from ultralytics import NAS

# Load a pre-trained YOLO-NAS model (architecture found via NAS)
# 'yolo_nas_s.pt' refers to the small version of the model
model = NAS("yolo_nas_s.pt")

# Run inference on an image to detect objects
# This utilizes the optimized architecture for fast detection
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top detected class
print(f"Detected: {results[0].names[int(results[0].boxes.cls[0])]}")

بالنسبة إلى الراغبين في تدريب نماذج متطورة دون تعقيد NAS، توفر Ultralytics YOLO26 بنية محسّنة بدرجة كبيرة وجاهزة للاستخدام، إذ تدمج أحدث التطورات البحثية. ويمكنك بسهولة إدارة مجموعات البيانات والتدريب والنشر لهذه النماذج باستخدام منصة Ultralytics، التي تبسّط دورة حياة MLOps بأكملها.