بحث البنية العصبية (NAS)

البحث عن البنية العصبية (NAS) هي تقنية تعمل على أتمتة تصميم الشبكات العصبية الاصطناعية (NN). تقليدياً، كان تصميم بنية نموذجية عالية الأداء يتطلب خبرة كبيرة وتجربة وخطأ كبيرين. تعمل تقنية NAS على أتمتة هذه العملية المعقدة باستخدام خوارزميات لاستكشاف مجموعة واسعة من تصاميم الشبكات الممكنة وتحديد البنية المثلى لمهمة معينة ومجموعة بيانات معينة. تعمل هذه الأتمتة على تسريع عملية تطوير نماذج التعلم العميق الفعالة والقوية، مما يجعل الذكاء الاصطناعي المتقدم أكثر سهولة.

كيف يعمل البحث في البنية العصبية

يمكن تقسيم عملية NAS إلى ثلاثة مكونات رئيسية:

1. مساحة البحث: يحدد ذلك مجموعة جميع البنى الممكنة التي يمكن تصميمها. يمكن أن تكون مساحة البحث بسيطة، تحدد خيارات أنواع الطبقات (مثل الالتفاف والتجميع) ووصلاتها، أو يمكن أن تكون معقدة للغاية، مما يسمح بزخارف معمارية جديدة. يعد حيز البحث المحدد جيدًا أمرًا بالغ الأهمية لتحقيق التوازن بين المرونة والجدوى الحسابية.
2. استراتيجية البحث: هذه هي الخوارزمية المستخدمة لاستكشاف مساحة البحث. استخدمت الأساليب المبكرة البحث العشوائي، ولكن ظهرت منذ ذلك الحين استراتيجيات أكثر تطوراً. وتشمل الأساليب الشائعة التعلم المعزز، حيث يتعلم الوكيل اختيار البنى المثلى، والخوارزميات التطورية التي تحاكي الانتقاء الطبيعي "لتطوير" بنى أفضل على مدى أجيال. كما أصبحت الأساليب القائمة على التدرج، مثل تلك الموجودة في البحث المعماري القابل للتفاضل (DARTS)، شائعة أيضًا بسبب كفاءتها.
3. استراتيجية تقدير الأداء: يقوم هذا المكون بتقييم جودة كل بنية مقترحة. تتمثل الطريقة الأكثر وضوحًا في تدريب النموذج بشكل كامل على مجموعة بيانات وقياس أدائه، ولكن هذا يستغرق وقتًا طويلاً للغاية. ولتسريع العملية، طوّر الباحثون تقنيات أكثر كفاءة مثل استخدام مجموعات بيانات أصغر، أو التدريب لعدد أقل من الحقب الزمنية، أو استخدام مشاركة الأوزان لتجنب تدريب كل معمارية من الصفر.

التطبيقات والأمثلة

أثبتت NAS فعاليتها العالية في إنشاء أحدث النماذج لمختلف المهام، وغالبًا ما تتفوق على البنى التي صممها الإنسان في الأداء والكفاءة.

• رؤية الكمبيوتر: تُستخدم NAS على نطاق واسع لتصميم بنيات فعالة للكشف عن الأجسام وتصنيف الصور. على سبيل المثال، تم تطوير عائلة نماذج EfficientNet باستخدام NAS لتحقيق التوازن المنهجي بين عمق الشبكة وعرضها ودقتها. وبالمثل، تستفيد نماذج مثل DAMO-YOLO من العمود الفقري الذي تم إنشاؤه باستخدام NAS لتحقيق توازن قوي بين السرعة والدقة في اكتشاف الأجسام.
• تحليل الصور الطبية: في مجال الرعاية الصحية، يمكن لـ NAS إنشاء نماذج متخصصة لمهام مثل الكشف عن الأورام في عمليات المسح أو تجزئة البنى الخلوية. يمكن لـ NAS تحسين البنى البنائية لتعمل بكفاءة على الأجهزة المتخصصة الموجودة في الأجهزة الطبية، مما يؤدي إلى تشخيصات أسرع وأكثر دقة. ينطوي ذلك على إمكانات كبيرة لتحسين الذكاء الاصطناعي في مجال الرعاية الصحية.

NAS والمفاهيم ذات الصلة

NAS هو مكون محدد ضمن المجال الأوسع للتعلم الآلي الآلي (AutoML). في حين أن NAS تركز 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 ضبط المعلمة التشعبية وضبط المعلمة التشعبية: يعمل ضبط المعلمة التشعبية على تحسين إعدادات التكوين (مثل معدل التعلم أو حجم الدُفعات) لبنية نموذجية ثابتة معينة، بينما تبحث المعلمة التشعبية عن البنية نفسها. غالبًا ما تُستخدم كلتا التقنيتين معًا لتحقيق الأداء الأمثل للنموذج. تُعد أدوات مثل Optuna أو Ray Tune، التي تتكامل مع نماذج Ultralytics 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.