الشبكة العصبية المتصاعدة: كل ما تحتاج إلى معرفته

في الآونة الأخيرة ، سمعنا كيف تخطط شركة ناشئة في مجال التكنولوجيا العصبية ، Neuralink ، لتحسين حسابات الدماغ البشري عن طريق زرع واجهة صغيرة في الدماغ. تقوم الأقطاب الكهربائية الموجودة في واجهات الدماغ والآلة بتحويل المعلومات العصبية إلى أوامر مختصة في التحكم في الأنظمة الخارجية. السؤال الأكبر الذي يطرح نفسه هو كيف ستتم معالجة الإشارات في دماغك.

لفهم هذا ، نحتاج إلى معرفة كيفية بناء الخلايا العصبية في الدماغ وكيف تنقل المعلومات. كل من يتابع اتجاهات التعلم الآلي الحديثة على دراية بالجيل الثاني من الشبكات العصبية الاصطناعية. عادة ما تكون الشبكات العصبية الاصطناعية متصلة بشكل كامل وتتعامل مع القيم المستمرة. حققت شبكات ANN تقدمًا هائلاً في العديد من المجالات.

ومع ذلك ، فهم لا يقلدون آلية الخلايا العصبية في الدماغ. يهدف الجيل القادم من الشبكة العصبية ، الشبكة العصبية المتصاعدة ، إلى تسهيل تطبيق التعلم الآلي في علم الأعصاب.

تعرف على كيفية نقل الخلايا العصبية للمعلومات في الدماغ

كيف يتم إرسال المعلومات واستلامها من قبل الخلايا العصبية؟ تحتاج الخلايا العصبية إلى نقل المعلومات للتواصل فيما بينها. يتم نقل المعلومات داخل الخلية العصبية أو من خلية عصبية إلى أخرى. في الدماغ البشري ، عادة ما تحصل التشعبات على معلومات من المستقبلات الحسية. يتم تمرير المعلومات الواردة إلى المحور العصبي عبر جسم الخلية.

بمجرد وصول المعلومات إلى المحور العصبي ، فإنه يتحرك لأسفل بطول المحور بالكامل كإشارة كهربائية تُعرف باسم جهد الفعل. عند الوصول إلى نهاية المحور العصبي ، يجب نقل المعلومات إلى التشعبات العصبية التالية ، إذا لزم الأمر. توجد فجوة متشابكة بين المحور العصبي والتشعبات في الخلية العصبية التالية. يمكن سد هذه الفجوة من تلقاء نفسها أو بمساعدة الناقلات العصبية.

مصدر

شبكة عصبية متصاعدة

تختلف الشبكة العصبية المتصاعدة (SNN) عن الشبكات العصبية التقليدية المعروفة في مجتمع التعلم الآلي. تعمل الشبكة العصبية الشائكة على المسامير. المسامير هي أحداث منفصلة تحدث في نقاط زمنية محددة. وبالتالي ، فهي تختلف عن الشبكات العصبية الاصطناعية التي تستخدم قيمًا مستمرة. تمثل المعادلات التفاضلية عمليات بيولوجية مختلفة في حالة حدوث ارتفاع.

واحدة من أكثر العمليات أهمية هي قدرة غشاء الخلايا العصبية. ترتفع الخلايا العصبية عندما تصل إلى إمكانات معينة. بعد ارتفاع الخلايا العصبية ، يتم إعادة تأسيس الإمكانات مرة أخرى لتلك العصبون. يستغرق الأمر بعض الوقت حتى تعود الخلية العصبية إلى حالتها المستقرة بعد إطلاق جهد فعل. يُعرف الفاصل الزمني بعد الوصول إلى إمكانات الغشاء بفترة المقاومة.

في فترة المقاومة ، يكون إطلاق جهد عمل آخر أمرًا صعبًا للغاية حتى لو كانت المدخلات المثيرة قوية. تضمن قنوات أيون الصوديوم بقاء جهد الفعل معطلاً ولا يصل إلى إمكانات الغشاء. وبالتالي ، لا تستمر الخلية العصبية في إطلاق النيران حتى عند الحصول على مدخلات الإثارة المستمرة.

نموذج Leaky Integrate-and-Fire (LIF) هو الأكثر شيوعًا. الشبكات العصبية المتصاعدة ليست متصلة بكثافة.

المعادلة التفاضلية لسعة الغشاء في نموذج LIF

في الشبكة العصبية الشائكة ، لا يتم تفريغ الخلايا العصبية في كل دورة انتشار. يحدث إطلاق الخلايا العصبية فقط عندما تصل إمكانات الغشاء إلى قيمة معينة. بمجرد تفريغ الخلية العصبية ، فإنها تنتج إشارة. تصل هذه الإشارة إلى الخلايا العصبية الأخرى وتغير إمكانات الغشاء. يوفر لنا قطار سبايك إمكانية متزايدة لمعالجة البيانات المكانية الزمانية.

تشير الخاصية المكانية إلى أن الخلايا العصبية متصلة فقط بالخلايا العصبية الأخرى المحلية لها. وبالتالي ، فإن معالجة المدخلات تعمل بشكل مشابه للشبكة العصبية التلافيفية التي تستخدم مرشحًا. تشير الخاصية الزمنية إلى حدوث طفرات في وقت معين. يتم استرداد المعلومات المفقودة في الترميز الثنائي في شكل معلومات زمنية من الارتفاعات.

هذا يسمح لنا بمعالجة البيانات الزمنية بشكل طبيعي ، دون جعلها مرهقة كما هو الحال في الشبكات العصبية المتكررة. لدينا أدلة توضح كيف تتمتع الشبكات العصبية المتصاعدة بقوة حسابية أكبر من الشبكات العصبية الاصطناعية التقليدية.

أحد الأسئلة التي قد تطرح هو سبب عدم استخدام شبكات Spiking العصبية على نطاق واسع مثل الشبكات العصبية التقليدية على الرغم من كونها أكثر قوة من الناحية الحسابية. السبب الرئيسي وراء عدم استخدام SNN بشكل متكرر هو نقص خوارزميات التدريب. هناك خوارزميات تعلم بيولوجية غير خاضعة للإشراف مثل تعلم Hebbian و STDP ، ولكن هناك نقصًا في طرق التدريب الخاضعة للإشراف لشبكات SNNs.

نظرًا لأنه لا يمكن التمييز بين قطارات سبايك ، لا يمكننا تدريب شبكات Spiking Neural Networks باستخدام الأساليب التقليدية مثل الانحدار المتدرج دون فقدان معلومات زمنية محددة. وبالتالي ، نحن بحاجة إلى البحث وتطوير خوارزمية تعلم خاضعة للإشراف فعالة لشبكة Spiking Neural Network لاستخدامها في سيناريوهات الحياة الواقعية. إنها مهمة صعبة لأننا نحتاج إلى معرفة دقيقة كيف يكتسب الدماغ الفهم وينقل المعلومات بين الخلايا العصبية.

مصدر

أنماط سبايكينج

يشير قطار سبايك إلى مخطط ثنائي الأبعاد لإمكانية الغشاء والوقت الذي يحتوي على مسامير متعددة. يمكن للخلايا العصبية التي يتم تفريغها في فترة زمنية معينة أن تحتوي على معلومات أكثر بكثير.

أنماط شائكة مختلفة

مصدر

تنتمي المعلمات a و b و c و d الموضحة أعلاه إلى الخلايا العصبية لنموذج Izhikevich.

تغليف

مستقبل Spiking Neural Network غامض للغاية. يشار إلى شبكات SNN على أنها خلفاء الشبكات العصبية الحالية ، ولكن لا يزال هناك طريق طويل لنقطعه. لا يزال تنفيذ Spiking Neural Networks صعبًا في معظم المهام العملية. تحتوي شبكات SNN على تطبيقات في الوقت الفعلي في مجال معالجة الصور والصوت.

ومع ذلك ، فإن عدد التطبيقات في هذه المجالات لا يزال متناثرًا. الأوراق البحثية حول Spiking Neural Networks هي في الغالب نظرية. في بعض الحالات ، يتم عرض تحليل أداء SNNs ضمن شبكة عصبية متصلة بالكامل. هناك نطاق كبير من البحث في هذا المجال حيث لا يزال جزء كبير منه غير مستكشف.

إذا كنت مهتمًا بمعرفة معلومات حول التعلم الآلي في السحابة ، فإن upGrad بالتعاون مع IIT- Madras ، تقدم برنامج التعلم الآلي في السحابة. ستزودك الدورة بالمهارات اللازمة لهذا الدور: الرياضيات ، ومناقشة البيانات ، والإحصاءات ، والبرمجة ، والمهارات المتعلقة بالسحابة ، بالإضافة إلى استعدادك للحصول على وظيفة أحلامك.