Neural Network (NN)

الشبكة العصبية (NN)، وتُسمى أيضاً الشبكة العصبية الاصطناعية (ANN)، نموذج من التعلّم الآلي (ML) يتكون من طبقات من وحدات بسيطة مترابطة تُسمى العصبونات. يضرب كل عصبون مدخلاته في أوزان، ويضيف انحيازاً، ثم يمرر المجموع عبر دالة تنشيط غير خطية. تتعلم الشبكة بتعديل تلك الأوزان والانحيازات حتى تطابق مخرجاتها الأمثلة الواردة في بيانات التدريب، لذا يُكتسب سلوكها من البيانات. استلهم التصميم بصورة فضفاضة من العصبونات البيولوجية، لكن من الأفضل فهم الشبكات الحديثة على أنها دوال رياضية كبيرة قابلة للتدريب. وتتناول التعلّم العميق (DL) الشبكات ذات الطبقات الكثيرة، وهي تشغّل الرؤية الحاسوبية والتعرّف على الكلام والنماذج اللغوية الكبيرة (LLMs).

آلية الحساب في الشبكة العصبية#

تُنظّم العصبونات في طبقات. تستقبل طبقة الإدخال البيانات، مثل قيم البكسلات أو قراءات المستشعرات، وتحولها طبقة مخفية واحدة أو أكثر، ثم تنتج طبقة الإخراج التنبؤ، مثل درجات الفئات أو قيمة متوقعة. في الطبقة كاملة الاتصال، يستقبل كل عصبون جميع مخرجات الطبقة السابقة، لذا تكون الطبقة بأكملها عملية ضرب مصفوفي تتبعها دالة تنشيط تُطبّق عنصرًا بعنصر. ويُسمى تمرير البيانات عبر جميع الطبقات بالترتيب التمرير الأمامي. ويكمن سر فائدة العمق في دالة التنشيط: فمن دونها، تنهار الطبقات المتكدسة إلى دالة خطية واحدة. أما بوجودها، فيمكن لشبكة ذات طبقة مخفية واحدة عريضة بما يكفي تقريب أي دالة مستمرة بدقة اعتباطية، وهي نتيجة تُعرف باسم مبرهنة التقريب الشامل.

يحسب مقطع PyTorch أدناه عصبوناً واحداً يدوياً، ثم يحسب طبقة كاملة من أربعة عصبونات دفعة واحدة:

import torch
from torch import nn

torch.manual_seed(1)
x = torch.tensor([0.5, -1.0, 2.0])  # one example with three input features

# A layer of four neurons: each has three weights and one bias
layer = nn.Linear(in_features=3, out_features=4)

# Neuron 0 by hand: weighted sum of inputs plus bias, then a ReLU activation
z = (layer.weight[0] * x).sum() + layer.bias[0]
print(f"Neuron 0 by hand: {torch.relu(z).item():.4f}")

# The layer computes all four neurons at once as one matrix multiplication
outputs = torch.relu(layer(x))
print(f"All four neurons: {[round(v, 4) for v in outputs.tolist()]}")

يطبع Neuron 0 by hand: 0.3906 وAll four neurons: [0.3906, 1.1465, 0.0, 0.0]. تطابق العملية اليدوية حسابات العصبون الأول في الطبقة، وتحوّل دالة التنشيط ReLU العصبونين ذوي المجاميع الموزونة السالبة إلى صفر. وتخزّن الطبقة 16 قيمة قابلة للتعلّم، منها 12 وزناً و4 انحيازات، وتتكدّس طبقات كهذه في الشبكات الحقيقية لتشكّل ملايين أو مليارات المعلمات.

كيف تتعلم الشبكات العصبية#

يبدأ التدريب بأوزان عشوائية ويكرّر حلقة بسيطة. تمر أمثلة مصنّفة ضمن دفعة إلى الأمام عبر الشبكة، وتقيس دالة الخسارة مدى اختلاف التنبؤات عن التسميات، ثم يطبّق الانتشار العكسي قاعدة السلسلة لحساب مقدار إسهام كل وزن في الخطأ، ويدفع محسّن مثل الانحدار المتدرّج العشوائي (SGD) أو Adam كل وزن نحو الاتجاه الذي يخفض الخسارة. وتُسمى الدورة الكاملة على مجموعة التدريب حقبة، ويتوقف التدريب عادةً عندما تتوقف الخسارة على بيانات التحقق المحتجزة عن التحسن، لأن الشبكة التي تواصل ملاءمة مجموعة التدريب بعد تلك المرحلة تبدأ بفرط التكيّف.

يتطلب التدريب من الصفر عادةً مجموعات بيانات كبيرة مصنّفة، ويقلل التعلّم بالنقل هذه المتطلبات بالبدء من أوزان مدرّبة مسبقاً على مجموعة بيانات كبيرة. كما يصعب تفسير ملايين الأوزان المتعلّمة، ما يدفع الأبحاث في الذكاء الاصطناعي القابل للتفسير (XAI).

الأنواع الرئيسية للشبكات العصبية#

تحدد طريقة اتصال العصبونات، المعروفة بالبنية، أنواع البيانات التي تعالجها الشبكة بكفاءة:

• الشبكات ذات التغذية الأمامية: طبقات مترابطة بالكامل تمرّر البيانات في اتجاه واحد، وتُسمّى أيضًا البرسيبترونات متعددة الطبقات (MLPs). تناسب البيانات الجدولية، وتظهر بوصفها وحدات بناء داخل نماذج أكبر.
• الشبكات العصبية الالتفافية (CNNs): تحرّك مرشحات صغيرة مشتركة عبر الصورة باستخدام الالتفاف، وهو التصميم القياسي للرؤية الحاسوبية. وتتيح لها الوصلات المتبقية التوسع إلى مئات الطبقات.
• الشبكات العصبية المتكررة (RNNs): تعالج التسلسلات خطوة بخطوة مع الاحتفاظ بحالة خفية، وتستخدم إصدارات ذات بوابات مثل LSTM وGRU لتوفير ذاكرة أطول.
• المحوّلات: تستخدم الانتباه الذاتي لربط كل عنصر في التسلسل بكل عنصر آخر بالتوازي. وهي أساس النماذج اللغوية الكبيرة (LLMs) ومحوّلات الرؤية.
• الشبكات العصبية النبضية (SNNs): تتواصل بنبضات متقطعة على مدار الزمن، على نحو أقرب إلى الخلايا العصبية البيولوجية، وتعمل بكفاءة على الرقائق المحاكية للعصبونات.

تجمع معظم النماذج الحالية بين هذه التصاميم. إن YOLO26 شبكة التفافية تضم كتل انتباه ذاتي على خرائط السمات الأقل دقة، ويستخدم نموذج الكشف النانوي فيها نحو 2.4 مليون مُعامِل من أجل تحديد الأجسام وتصنيفها في صورة بحجم 640×640 ضمن تمريرة أمامية واحدة.

الشبكات العصبية والمصطلحات ذات الصلة#

• التعلّم العميق: تكون الشبكة العصبية ضحلة إذا احتوت على طبقة خفية أو طبقتين، أما التعلّم العميق فهو تدريب الشبكات ذات الطبقات الكثيرة، التي تتعلم تسلسلها الهرمي الخاص من السمات انطلاقًا من البيانات الخام. كل نموذج تعلّم عميق هو شبكة عصبية.
• التعلّم الآلي: الشبكات العصبية إحدى عائلات نماذج التعلّم الآلي، إلى جانب أشجار القرار وآلات المتجهات الداعمة وأشجار التعزيز التدرّجي، التي ما زالت تنافس بقوة في التعامل مع البيانات الجدولية.
• الشبكات العصبية البيولوجية: تتواصل العصبونات الحقيقية بنبضات كهربائية موقّتة، وتتكيف عبر عمليات كيميائية لا تحاكيها العصبونات الاصطناعية. وتحاكي الشبكات العصبية النبضية قدرًا أكبر من هذا السلوك مقارنة بالشبكات التقليدية.

لمحة تاريخية#

وصف وارن مكولوتش ووالتر بيتس نموذجًا رياضيًا للعصبون عام 1943، وهو وحدة تطلق إشارة عندما يتجاوز مجموع مدخلاتها الثنائية عتبة معينة. وتعلّم البرسيبترون الذي ابتكره فرانك روزنبلات عام 1958 أوزان هذه الوحدات من الأمثلة، لكن مارفن مينسكي وسيمور بابيرت بيّنا عام 1969 أن البرسيبترون أحادي الطبقة لا يستطيع حساب دالة XOR حتى، فتراجع الاهتمام به. تحل الشبكات متعددة الطبقات مشكلة XOR، وفي عام 1986 أظهر ديفيد روملهارت وجيفري هينتون ورونالد ويليامز أن الانتشار العكسي يدرّب طبقاتها الخفية على تعلّم تمثيلات داخلية مفيدة. وهيمنت الشبكات العميقة على الرؤية الحاسوبية عام 2012، عندما فاز AlexNet، المدرّب على وحدتي GPU، بتحدي ImageNet محققًا خطأً قدره 15.3% ضمن أفضل خمسة تنبؤات، مقابل 26.2% لأقرب منافس.