اشترك

الاستمرار بالحساب الحالي

شارك
شارك
Article image
مسارات المعادلات التفاضلية العادية العصبونية.
مصدر الصورة: ديفيد دوفينود وزملاؤه



استخدم الباحثون علم التفاضل والتكامل لإعادة تصميم الآلية الرئيسية للتعلم العميق بحيث يتمكن من نمذجة العمليات المستمرة.

2021-07-02 17:56:27

27 ديسمبر 2018
كان ديفيد دوفينود مشاركاً في مشروع يتضمن بيانات طبية عندما واجه مشاكل بسبب نقيصة كبيرة في الذكاء الاصطناعي. يعمل دوفينود باحثاً في مجال الذكاء الاصطناعي في جامعة تورونتو، وكان يحاول بناء نموذج للتعلم العميق يقوم بتوقع الحالة الصحية للمريض مع مرور الوقت، غير أن بيانات السجلات الطبية عشوائية بعض الشيء، فقد تزور الطبيب خلال حياتك في أوقات مختلفة لأسباب مختلفة، مما يؤدي إلى انتثار البيانات على فواصل زمنية اعتباطية، وهو ما يسبب مشكلة كبيرة للشبكات العصبونية التقليدية، التي يحتاج تصميمها إلى التعلم من بيانات موزعة على مراحل واضحة من المراقبة، ولهذا فهي ليست صالحة كثيراً لنمذجة العمليات المستمرة، خصوصاً تلك التي يتم قياسها بشكل عشوائي عبر الزمن. ونتيجة لهذه المشكلة، قام دوفينود وزملاؤه في الجامعة ومعهد فيكتور بتغيير التصميم المعروف للشبكات العصبونية. وقد حاز بحثهم مؤخراً -مع أربعة أبحاث أخرى- على لقب "أفضل بحث" في مؤتمر أنظمة معالجة المعلومات العصبونية، وهو من أكبر اللقاءات حول الذكاء الاصطناعي في العالم. وتعتبر الشبكات العصبونية بمثابة الآلات الرئيسية التي تُكسب التعلم العميق قدراته الفريدة، وتتألف الشبكة التقليدية من عدة طبقات متتالية مؤلفة من عقد حوسبة بسيطة تعمل بشكل مشترك لكشف الأنماط في البيانات. وقد أدى هذا الانفصال بين الطبقات إلى عجز هذه الشبكات عن نمذجة العمليات المستمرة بفعالية (سنتحدث عن هذا لاحقاً). ولهذا قام الفريق البحثي بإلغاء فكرة الطبقات بالكامل، وقد أكد دوفينود على أنهم لم يبتكروا الفكرة، بل كانوا فقط السبَّاقين في تطبيقها بشكل معمم. ولفهم كيفية تحقيق هذا المبدأ، لنطَّلع على عمل الطبقات أولاً. [caption

أدخل بريدك الإلكتروني واقرأ المقال مجاناً

أنشئ حساباً مجاناً واقرأ مقالتين مجاناً كل شهر من أوسع تشكيلة محتوى أنتجته ألمع العقول العالمية والعربية.