Neural Architecture Search (NAS)

البحث عن المعماريات العصبية (NAS) هو تقنية متطورة في مجال التعلّم الآلي الآلي (AutoML) تعمل على أتمتة تصميم الشبكات العصبية الاصطناعية. تقليدياً، تطلبت هندسة معماريات التعلم العميق (DL) عالية الأداء خبرة بشرية مكثفة، وحدساً، وعملية تجربة وخطأ تستغرق وقتاً طويلاً. يستبدل البحث عن المعماريات العصبية (NAS) هذه العملية اليدوية باستراتيجيات خوارزمية تستكشف بشكل ممنهج نطاقاً واسعاً من طوبولوجيات الشبكات لاكتشاف الهيكل الأمثل لمهمة محددة. من خلال اختبار مجموعات مختلفة من الطبقات والعمليات، يمكن للبحث عن المعماريات العصبية (NAS) تحديد المعماريات التي تتفوق بشكل ملحوظ على النماذج التي صممها البشر من حيث الدقة، أو الكفاءة الحسابية، أو سرعة الاستدلال.

الآليات الأساسية لتقنية NAS#

تتضمن عملية اكتشاف معمارية فائقة بشكل عام ثلاثة أبعاد أساسية تتفاعل لإيجاد أفضل شبكة عصبية (NN):

1. مساحة البحث: يحدد هذا مجموعة جميع المعماريات الممكنة التي يمكن للخوارزمية استكشافها. وهو بمثابة مكتبة من لبنات البناء، مثل مرشحات الالتفاف، وطبقات التجميع، ومختلف دوال التنشيط. تحدد مساحة البحث المعرفة جيداً التعقيد لضمان بقاء البحث قابلاً للتنفيذ حسابياً مع السماح بمرونة كافية للابتكار.

2. استراتيجية البحث: بدلاً من اختبار كل احتمال (القوة الغاشمة)، يستخدم البحث عن المعماريات العصبية (NAS) خوارزميات ذكية للتنقل في مساحة البحث بكفاءة. تشمل النهج الشائعة التعلم التعزيزي، حيث يتعلم الوكيل توليد معماريات أفضل بمرور الوقت، والخوارزميات التطورية، التي تحور وتجمع النماذج الأفضل أداءً لتوليد مرشحين متفوقين.

3. استراتيجية تقدير الأداء: إن تدريب كل شبكة مرشحة من الصفر يعد بطيئاً بشكل مفرط. لتسريع ذلك، يستخدم البحث عن المعماريات العصبية (NAS) تقنيات تقدير - مثل التدريب على عدد أقل من العصور، أو استخدام مجموعات بيانات وكيلة منخفضة الدقة، أو توظيف مشاركة الأوزان - لترتيب إمكانات معمارية مرشحة بسرعة.

تطبيقات العالم الحقيقي#

أصبح البحث عن المعماريات العصبية (NAS) بالغ الأهمية في الصناعات التي تكون فيها قيود الأجهزة أو متطلبات الأداء صارمة، مما يدفع حدود رؤية الكمبيوتر (CV) ومجالات الذكاء الاصطناعي الأخرى.

• الحوسبة الطرفية الفعالة: يتطلب نشر الذكاء الاصطناعي على الأجهزة المحمولة نماذج خفيفة الوزن وسريعة في نفس الوقت. يُستخدم البحث عن المعماريات العصبية (NAS) على نطاق واسع لاكتشاف معماريات مثل MobileNetV3 وEfficientNet التي تقلل من زمن استجابة الاستدلال مع الحفاظ على دقة عالية. هذا أمر حيوي لتطبيقات الذكاء الاصطناعي على الحافة، مثل تحليلات الفيديو في الوقت الفعلي على الكاميرات الذكية أو الطائرات بدون طيار المستقلة.
• التصوير الطبي: في تحليل الصور الطبية، تعتبر الدقة أمراً بالغ الأهمية. يمكن للبحث عن المعماريات العصبية (NAS) تصميم شبكات لاكتشاف الشذوذ الخفي في الأشعة السينية أو فحوصات التصوير بالرنين المغناطيسي، وغالباً ما تجد مسارات استخراج ميزات جديدة قد يتجاهلها المهندسون البشر. يؤدي هذا إلى أدوات أكثر موثوقية لتحديد حالات مثل أورام المخ أو الكسور بحساسية أعلى.

تقنية NAS مقابل المفاهيم ذات الصلة#

لفهم الدور المحدد لتقنية NAS، من المفيد تمييزها عن تقنيات التحسين المماثلة:

• البحث عن المعماريات العصبية مقابل ضبط المعلمات الفائقة: بينما يتضمن كلاهما التحسين، يركز ضبط المعلمات الفائقة على ضبط إعدادات التكوين (مثل معدل التعلم أو حجم الدفعة) لنموذج ثابت المعمارية. في المقابل، يغير البحث عن المعماريات العصبية (NAS) الهيكل الأساسي للنموذج نفسه، مثل عدد الطبقات أو كيفية توصيل الخلايا العصبية.
• البحث عن المعماريات العصبية مقابل التعلم النقلي: يأخذ التعلم النقلي نموذجاً موجوداً ومدرساً مسبقاً ويطابق أوزانه لمهمة جديدة. ينشئ البحث عن المعماريات العصبية (NAS) معمارية النموذج من الصفر (أو يبحث عن عمود فقري أفضل) قبل بدء التدريب.

استخدام النماذج المشتقة من تقنية NAS#

بينما يتطلب تشغيل بحث شامل للبحث عن المعماريات العصبية (NAS) موارد حوسبة GPU كبيرة، يمكن للمطورين بسهولة استخدام النماذج التي تم إنشاؤها عبر البحث عن المعماريات العصبية (NAS). على سبيل المثال، تم اكتشاف معمارية YOLO-NAS باستخدام مبادئ البحث هذه لتحسين مهام كشف الكائنات.

يوضح مثال Python التالي كيفية تحميل واستخدام نموذج بحث عن معماريات عصبية (NAS) تم البحث عنه مسبقاً باستخدام حزمة 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 لأولئك الذين يتطلعون إلى تدريب نماذج متطورة دون تعقيد البحث عن المعماريات العصبية (NAS)، يوفر Ultralytics YOLO26 معمارية محسنة للغاية جاهزة للاستخدام، دمج أحدث التطورات في الأبحاث. يمكنك بسهولة إدارة مجموعات البيانات، والتدريب، والنشر لهذه النماذج باستخدام منصة Ultralytics، مما يبسط دورة حياة MLOps بأكملها.