اكتشف كيف يعمل نظام البحث عن البنية العصبية (NAS) على أتمتة تصميم الشبكة العصبية لتحسين الأداء في اكتشاف الأجسام والذكاء الاصطناعي وغير ذلك.
البحث عن البنية العصبية (NAS) هي تقنية آلية في مجال التعلم الآلي (ML) تركز على تصميم البنية المثلى أو الهندسة المعمارية للشبكات العصبية (NNs). بدلاً من الاعتماد على خبراء بشريين لتصميم تخطيطات الشبكات يدويًا من خلال التجربة والخطأ، تستخدم NAS خوارزميات لاستكشاف مساحة واسعة من البنى الممكنة وتحديد أكثرها فعالية لمهمة معينة ومجموعة بيانات معينة. تعمل هذه الأتمتة على تسريع عملية التطوير ويمكنها الكشف عن البنى الجديدة عالية الأداء التي قد لا تكون واضحة بشكل بديهي للمصممين البشريين، وتحسين مقاييس مثل الدقة أو السرعة(زمن انتقال الاستدلال) أو الكفاءة الحسابية، وهو أمر بالغ الأهمية لنشر النماذج على أجهزة الذكاء الاصطناعي المتطورة.
تتضمن العملية الأساسية لشبكة NAS ثلاثة مكونات رئيسية: مساحة البحث، واستراتيجية البحث، واستراتيجية تقدير الأداء. يحدد فضاء البحث مجموعة من البنى الممكنة للشبكة التي يمكن تصميمها، ويحدد بشكل أساسي اللبنات الأساسية (مثل الأنواع المختلفة من دوال الالتفاف أو التنشيط) وكيفية ربطها. توجه استراتيجية البحث استكشاف هذا الفضاء باستخدام طرق تتراوح بين البحث العشوائي والتعلم المعزز والخوارزميات التطورية. أخيرًا، تقوم استراتيجية تقدير الأداء بتقييم مدى جودة أداء البنية المرشحة، وغالبًا ما تتضمن تدريب الشبكة جزئيًا أو كليًا على مجموعة بيانات وقياس أدائها، على الرغم من استخدام تقنيات مثل مشاركة الوزن أو متنبئات الأداء لتسريع ذلك، كما هو مفصل في بحث من Google AI. يمكن تسهيل إدارة هذه التجارب بكفاءة من خلال منصات مثل Weights & Biases أو Ultralytics HUB.
توفر أتمتة تصميم البنية مع NAS مزايا كبيرة:
أثبتت NAS قيمتها في مختلف مجالات التعلم العميق (DL):
أحد الأمثلة البارزة على ذلك هو YOLO الذي طورته شركة Deci AI باستخدام تقنية NAS. استهدف هذا النموذج على وجه التحديد القيود في Ultralytics YOLO السابقة من خلال دمج الكتل الصديقة للكمية الموجودة من خلال NAS. نتج عن ذلك نماذج تقدم توازناً فائقاً بين الدقة والكمون، مما يجعلها فعالة للغاية في تطبيقات الوقت الحقيقي مثل الذكاء الاصطناعي في حلول السيارات وإدارة حركة المرور الذكية، حتى بعد تكميم النموذج إلى تنسيقات مثل INT8 للنشر الفعال. يمكن العثور على مزيد من المعلومات حول تقنيات التكميم في موارد مثل وثائقNVIDIA TensorRT أو دليلUltralytics حول خيارات نشر النموذج. يوفر Ultralytics دعمًا لنماذج اكتشاف الكائنات المختلفة، بما في ذلك YOLO.
في مجال الرعاية الصحية، تُستخدم NAS لتصميم شبكات عصبية تلافيفية مخصصة (CNNs) لتحليل الصور الطبية. على سبيل المثال، يمكن لشبكات NAS تحسين البنى لمهام مثل اكتشاف الأورام في فحوصات التصوير بالرنين المغناطيسي (على غرار مجموعة بيانات أورام الدماغ) أو تقسيم الأعضاء في صور الأشعة المقطعية، مما قد يؤدي إلى أدوات تشخيص أسرع وأكثر دقة لمساعدة الأطباء. ويُعد تطبيق الذكاء الاصطناعي في تحليل الصور الطبية مجالاً سريع النمو، كما أوضحت مؤسسات مثل المعاهد الوطنية للصحة (NIH). يمكن تبسيط إدارة مثل هذه النماذج ومجموعات البيانات المتخصصة باستخدام منصات مثل Ultralytics HUB. يمكنك حتى استخدام YOLO11 للكشف عن الأورام.
NAS هو مكون محدد ضمن المجال الأوسع للتعلم الآلي الآلي (AutoML). بينما يركز NAS فقط على إيجاد أفضل بنية للشبكة العصبية، يهدف AutoML إلى أتمتة خط أنابيب التعلم الآلي بالكامل، بما في ذلك خطوات مثل المعالجة المسبقة للبيانات، وهندسة الميزات، واختيار النموذج، وضبط المعلمة الفائقة. من الأهمية بمكان التمييز بين NAS وضبط المعلمة التشعبية: يعمل ضبط المعلمة التشعبية على تحسين إعدادات التكوين (مثل معدل التعلم أو حجم الدُفعات) لبنية نموذجية ثابتة معينة، بينما تبحث NAS عن البنية نفسها. غالبًا ما تُستخدم كلتا التقنيتين معًا لتحقيق الأداء الأمثل للنموذج. تُعد أدوات مثل Optuna أو Ray Tune، التي تتكامل مع نماذجUltralytics YOLO شائعة لتحسين المعلمة الفائقة. يساعد فهم هذه الفروق في تطبيق تقنيات الأتمتة الصحيحة لبناء أنظمة ذكاء اصطناعي فعالة. يمكنك معرفة المزيد حول ضبط المعلمة الفائقة في وثائق Ultralytics .