شبكة عصبية نابضة

الشبكات العصبية النبضية ( SNNs ) هي شبكات عصبية اصطناعية (ANN) تحاكي الشبكات العصبية الطبيعية. ^{[ 1 ]} وتستفيد هذه النماذج من توقيت النبضات المنفصلة كناقل رئيسي للمعلومات. ^{[ 2 ]}

بالإضافة إلى حالة الخلايا العصبية والتشابكات العصبية ، تُدمج الشبكات العصبية النبضية مفهوم الزمن في نموذج عملها. الفكرة هي أن الخلايا العصبية في هذه الشبكات لا تنقل المعلومات في كل دورة انتشار (كما هو الحال في شبكات الإدراك متعددة الطبقات التقليدية )، بل تنقلها فقط عندما يصل جهد الغشاء - وهو خاصية جوهرية للخلية العصبية مرتبطة بشحنتها الكهربائية - إلى قيمة محددة تُسمى العتبة. عندما يصل جهد الغشاء إلى العتبة، تُطلق الخلية العصبية نبضة، مُولِّدةً إشارة تنتقل إلى خلايا عصبية أخرى، والتي بدورها تزيد أو تُنقص جهودها استجابةً لهذه الإشارة. يُطلق على نموذج الخلية العصبية الذي يُطلق نبضة لحظة تجاوز العتبة اسم نموذج الخلية العصبية النبضية . ^{[ 3 ]}

على الرغم من إمكانية اعتبار معدلات إطلاق النبضات العصبية مماثلةً لمخرجات الشبكة العصبية الاصطناعية التقليدية المتغيرة، ^{[ 4 ]} فقد أشارت أبحاث علم الأحياء العصبي إلى أن المعالجة عالية السرعة لا يمكن إجراؤها بالاعتماد على معدل إطلاق النبضات فقط. فعلى سبيل المثال، يستطيع الإنسان أداء مهمة التعرف على الصور التي لا تتطلب أكثر من 10 مللي ثانية من وقت المعالجة لكل عصبون عبر الطبقات المتتالية (من الشبكية إلى الفص الصدغي ). هذه الفترة الزمنية قصيرة جدًا بالنسبة للترميز القائم على معدل إطلاق النبضات. كما أن التوقيت الدقيق لإطلاق النبضات في مجموعة صغيرة من العصبونات ذات النبضات يتمتع بقدرة ترميز معلوماتية أعلى مقارنةً بالنهج القائم على معدل إطلاق النبضات. ^{[ 5 ]}

يُعدّ نموذج التكامل والإطلاق المُسرّب أبرز نماذج الخلايا العصبية ذات النبضات . ^{[ 6 ]} في هذا النموذج، يُعتبر مستوى التنشيط اللحظي (المُنمذج كمعادلة تفاضلية ) عادةً حالة الخلية العصبية، حيث تدفع النبضات الواردة هذه القيمة إلى أعلى أو أسفل، حتى تتلاشى الحالة في النهاية أو -إذا تم بلوغ عتبة الإطلاق- تُطلق الخلية العصبية نبضة. بعد الإطلاق، يُعاد ضبط متغير الحالة إلى قيمة أقل.

توجد طرق فك تشفير مختلفة لتفسير سلسلة النبضات الصادرة كرقم حقيقي، بالاعتماد إما على تردد النبضات ( رمز المعدل )، أو الوقت اللازم لأول نبضة بعد التحفيز، أو الفاصل الزمني بين النبضات.

تتميز العديد من الشبكات العصبية الاصطناعية متعددة الطبقات بترابطها الكامل ، حيث تستقبل مدخلات من كل عصبون في الطبقة السابقة وترسل إشارات إلى كل عصبون في الطبقة اللاحقة. ورغم أن هذه الشبكات قد حققت إنجازات كبيرة، إلا أنها لا تضاهي الشبكات البيولوجية ولا تحاكي العصبونات.

طُرح نموذج هودجكين-هاكسلي، المستوحى من علم الأحياء، لوصف الخلية العصبية المُطلقة للإشارات في عام 1952. يصف هذا النموذج كيفية بدء وانتشار جهد الفعل . أما التواصل بين الخلايا العصبية، والذي يتطلب تبادل النواقل العصبية الكيميائية في الفجوة المشبكية ، فيتم وصفه في نماذج مثل نموذج التكامل والإطلاق ، ونموذج فيتز هيو-ناغومو (1961-1962)، ونموذج هيندمارش-روز (1984). يُستخدم نموذج التكامل والإطلاق المُسرّب (أو أحد مشتقاته) بشكل شائع لأنه أسهل حسابيًا من نموذج هودجكين-هاكسلي. ^{[ 7 ]}

على الرغم من أن مفهوم الشبكة العصبية الاصطناعية النبضية لم ينتشر إلا في القرن الحادي والعشرين، ^{[ 8 ] [ 9 ] [ 10 ]} فقد دعمت الدراسات التي أُجريت بين عامي 1980 و1995 هذا المفهوم. وقد بدت النماذج الأولى لهذا النوع من الشبكات العصبية الاصطناعية وكأنها تحاكي أنظمة معالجة المعلومات الذكية غير الخوارزمية. ^{[ 11 ] [ 12 ] [ 13 ]} ومع ذلك، فقد طُور مفهوم الشبكة العصبية النبضية كنموذج رياضي لأول مرة في أوائل سبعينيات القرن العشرين. ^{[ 14 ]}

حتى عام 2019، كانت الشبكات العصبية الاصطناعية متأخرة عن الشبكات العصبية الاصطناعية من حيث الدقة، لكن الفجوة تتقلص، وقد اختفت في بعض المهام. ^{[ 15 ]}

تُمثَّل المعلومات في الدماغ على شكل كمونات فعل (نبضات عصبية)، والتي قد تتجمع في سلاسل من النبضات أو موجات منسقة. ومن الأسئلة الأساسية في علم الأعصاب تحديد ما إذا كانت الخلايا العصبية تتواصل وفقًا لمعدل أو ترميز زمني . ^{[ 16 ]} يشير الترميز الزمني إلى أن خلية عصبية واحدة نابضة يمكنها أن تحل محل مئات الوحدات المخفية في الشبكة العصبية التقليدية . ^{[ 1 ]}

تُعرّف الشبكات العصبية النبضية الحالة الراهنة للعصبون على أنها جهده (ويمكن نمذجته كمعادلة تفاضلية ). ^{[ 17 ]} تتسبب نبضة الإدخال في ارتفاع الجهد ثم انخفاضه تدريجيًا. يمكن لأنظمة الترميز تفسير تسلسلات النبضات هذه كرقم، مع الأخذ في الاعتبار تردد النبضة والفاصل الزمني بينها. ^{[ 18 ]} باستخدام التوقيت الدقيق لحدوث النبضة، يمكن للشبكة العصبية استيعاب المزيد من المعلومات وتقديم خصائص حسابية أفضل. ^{[ 19 ]}

تُجري الشبكات العصبية التداخلية (SNNs) عمليات حسابية في المجال المتصل. تختبر هذه الخلايا العصبية التنشيط فقط عندما تصل جهودها إلى قيمة معينة. عند تنشيط خلية عصبية، فإنها تُنتج إشارة تُمرر إلى الخلايا العصبية المتصلة بها، مما يؤدي إلى رفع أو خفض جهودها تبعًا لذلك.

يُنتج نهج الشبكات العصبية النبضية (SNN) مخرجات متصلة بدلاً من المخرجات الثنائية للشبكات العصبية الاصطناعية التقليدية. يصعب تفسير سلاسل النبضات، مما يستدعي استخدام أنظمة ترميز. مع ذلك، قد يكون تمثيل سلسلة النبضات أكثر ملاءمةً لمعالجة البيانات المكانية والزمانية (أو تصنيف البيانات الحسية في العالم الحقيقي). ^{[ 20 ]} تربط الشبكات العصبية النبضية الخلايا العصبية بالخلايا المجاورة فقط، بحيث تعالج كتل الإدخال بشكل منفصل (على غرار الشبكات العصبية الالتفافية التي تستخدم المرشحات). وتأخذ هذه الشبكات الزمن في الاعتبار من خلال ترميز المعلومات على شكل سلاسل نبضات لتجنب فقدانها. وهذا يتجنب تعقيد الشبكة العصبية المتكررة (RNN). تُعد الخلايا العصبية النبضية وحدات حسابية أكثر قوة من الخلايا العصبية الاصطناعية التقليدية. ^{[ 21 ]}

تُعدّ الشبكات العصبية النبضية (SNNs) نظريًا أقوى من ما يُسمى "شبكات الجيل الثاني"، والتي تُعرَّف بأنها شبكات عصبية اصطناعية "تعتمد على وحدات حسابية تُطبِّق دالة تنشيط مع مجموعة متصلة من قيم المخرجات المُحتملة على مجموع مُرجَّح (أو متعدد الحدود) للمدخلات"؛ ومع ذلك، فإنّ مشاكل تدريب الشبكات العصبية النبضية ومتطلبات الأجهزة تُحدِّد من استخدامها. على الرغم من توافر أساليب التعلُّم غير المُشرف المُستوحاة من علم الأحياء، مثل التعلُّم الهيبي و STDP ، إلا أنه لا توجد طريقة تدريب مُشرفة فعّالة مُناسبة للشبكات العصبية النبضية تُوفِّر أداءً أفضل من شبكات الجيل الثاني. ^{[ 21 ]} إنَّ تنشيط الشبكات العصبية النبضية القائم على النبضات غير قابل للتفاضل، وبالتالي فإنَّ الانتشار العكسي القائم على انحدار التدرج غير مُتاح.

تتطلب الشبكات العصبية الاصطناعية تكاليف حسابية أكبر بكثير لمحاكاة النماذج العصبية الواقعية مقارنة بالشبكات العصبية الاصطناعية التقليدية. ^{[ 22 ]}

غالباً ما يتم الخلط بين الشبكات العصبية المقترنة بالنبضات (PCNN) والشبكات العصبية ذات النبضات المتتالية (SNN). ويمكن اعتبار PCNN نوعاً من أنواع SNN.

يعمل الباحثون بنشاط على مواضيع متنوعة. يتعلق أولها بقابلية التفاضل. تحتوي صيغ كلتا طريقتي التعلم الأمامي والخلفي على مشتق دالة التنشيط العصبي، وهي غير قابلة للتفاضل لأن خرج العصبون يكون إما 1 عند إطلاقه نبضة، أو 0 في غير ذلك. هذا السلوك الثنائي (الكل أو لا شيء) يُخلّ بالتدرجات ويجعل هذه العصبونات غير مناسبة للتحسين القائم على التدرج. تشمل طرق حل هذه المشكلة ما يلي:

• اللجوء إلى قواعد التعلم المحلية المستوحاة بيولوجيًا بالكامل للوحدات المخفية
• تحويل الشبكات العصبية المدربة تقليديًا "القائمة على المعدل" إلى شبكات عصبية متسلسلة (SNNs)
• تنعيم نموذج الشبكة ليكون قابلاً للتفاضل باستمرار
• تعريف التدرج البديل (SG) على أنه استرخاء مستمر للتدرجات الحقيقية

أما الأمر الثاني فيتعلق بخوارزمية التحسين. قد تكون خوارزمية الانتشار العكسي القياسية مكلفة من حيث الحساب والذاكرة والاتصال، وقد لا تكون مناسبة للأجهزة التي تُنفذها (مثل الحاسوب أو الدماغ أو الجهاز العصبي). ^{[ 23 ]}

يُعدّ دمج ديناميكيات عصبية إضافية، مثل تكيف تردد النبضات (SFA)، تقدماً ملحوظاً، إذ يُحسّن الكفاءة والقدرة الحسابية. ^{[ 6 ] [ 24 ]} تقع هذه الخلايا العصبية بين التعقيد البيولوجي والتعقيد الحسابي. ^{[ 25 ]} انطلاقاً من رؤى بيولوجية، يُقدّم تكيف تردد النبضات فوائد حسابية كبيرة من خلال تقليل استهلاك الطاقة، ^{[ 26 ]} لا سيما في حالات المحفزات المتكررة أو الشديدة. يُحسّن هذا التكيف وضوح الإشارة/الضوضاء، ويُدخل ذاكرة قصيرة المدى أساسية على مستوى الخلية العصبية، مما يُحسّن بدوره الدقة والكفاءة. ^{[ 27 ]} وقد تحقق ذلك في الغالب باستخدام نماذج الخلايا العصبية المُجزأة . أما النسخ الأبسط، وهي نماذج الخلايا العصبية ذات العتبات التكيفية، فتُمثّل طريقة غير مباشرة لتحقيق تكيف تردد النبضات. فهي تُزوّد ​​الشبكات العصبية النبضية بقدرات تعلّم مُحسّنة، حتى مع اللدونة المشبكية المُقيّدة، وترفع الكفاءة الحسابية. ^{[ 28 ] [ 29 ]} تُقلل هذه الخاصية من الضغط على طبقات الشبكة بتقليل الحاجة إلى معالجة النبضات، مما يُخفض الحمل الحسابي ووقت الوصول إلى الذاكرة، وهما جانبان أساسيان في الحوسبة العصبية . علاوة على ذلك، تُحقق الشبكات العصبية النبضية التي تستخدم خلايا عصبية قادرة على معالجة النبضات مستويات دقة تُضاهي تلك التي تُحققها الشبكات العصبية الاصطناعية التقليدية، ^{[ 30 ] [ 31 ]} مع الحاجة إلى عدد أقل من الخلايا العصبية لأداء مهام مماثلة. تُبسط هذه الكفاءة سير العمل الحسابي وتُوفر المساحة والطاقة، مع الحفاظ على السلامة التقنية. يُمكن للشبكات العصبية النبضية العميقة عالية الأداء العمل بمعدل 0.3 نبضة لكل خلية عصبية. ^{[ 32 ]}

يمكن من حيث المبدأ تطبيق الشبكات العصبية النبضية (SNNs) على نفس تطبيقات الشبكات العصبية الاصطناعية التقليدية (ANNs). ^{[ 33 ]} إضافةً إلى ذلك، تستطيع الشبكات العصبية النبضية محاكاة الجهاز العصبي المركزي للكائنات الحية، مثل حشرة تبحث عن الطعام دون معرفة مسبقة بالبيئة المحيطة. ^{[ 34 ]} ونظرًا لواقعيتها النسبية، يمكن استخدامها لدراسة الدوائر العصبية البيولوجية . فبدءًا من فرضية حول بنية الدائرة العصبية البيولوجية ووظيفتها، يمكن مقارنة تسجيلات هذه الدائرة بمخرجات شبكة عصبية نبضية مقابلة، لتقييم مدى معقولية هذه الفرضية. تفتقر الشبكات العصبية النبضية إلى آليات تدريب فعالة، مما قد يعقد بعض التطبيقات، بما في ذلك رؤية الحاسوب.

عند استخدام الشبكات العصبية النبضية (SNNs) للبيانات القائمة على الصور، يجب تحويل الصور إلى قطارات نبضية ثنائية. ^{[ 35 ]} تشمل أنواع التشفير ما يلي: ^{[ 36 ]}

• الترميز الزمني؛ توليد نبضة واحدة لكل عصبون، حيث يكون زمن الكمون للنبضة متناسبًا عكسيًا مع شدة البكسل.
• ترميز المعدل: تحويل شدة البكسل إلى سلسلة من النبضات، حيث يتناسب عدد النبضات مع شدة البكسل.
• الترميز المباشر؛ باستخدام طبقة قابلة للتدريب لتوليد قيمة عددية عشرية لكل خطوة زمنية. تقوم الطبقة بتحويل كل بكسل في خطوة زمنية معينة إلى قيمة عددية عشرية، ثم يتم استخدام عتبة على القيم العددية العشرية المولدة لاختيار إما صفر أو واحد.
• ترميز الطور؛ ترميز المعلومات الزمنية في أنماط النبضات بناءً على مذبذب عالمي.
• ترميز النبضات؛ إرسال النبضات على شكل دفعات، مما يزيد من موثوقية الاتصال.

تتوفر مجموعة متنوعة من برامج التطبيقات التي يمكنها محاكاة الشبكات العصبية الاصطناعية. ويمكن تصنيف هذه البرامج وفقًا لاستخداماتها:

محاكاة الشبكة العصبية المتشابكة

تحاكي هذه النماذج نماذج عصبية معقدة. تتطلب الشبكات الكبيرة عادةً معالجة مطولة. ومن بين المرشحين: ^{[ 37 ]}

• بريان - تم تطويره بواسطة رومان بريت ودان جودمان في مدرسة المعلمين العليا ؛
• GENESIS (نظام المحاكاة العصبية العامة ^{[ 38 ]} ) - تم تطويره في مختبر جيمس باور في معهد كاليفورنيا للتكنولوجيا (كالتك )؛
• نيست – تم تطويرها بواسطة مبادرة نيست؛
• نيورون – تم تطويره بشكل رئيسي بواسطة مايكل هاينز وجون دبليو مور وتيد كارنيفال في جامعة ييل وجامعة ديوك ؛
• RAVSim (أداة وقت التشغيل) ^{[ 39 ]} - تم تطويرها بشكل رئيسي بواسطة سناء الله في جامعة بيليفيلد للعلوم التطبيقية والفنون ؛
• snnTorch – مكتبة بايثون مفتوحة المصدر تعمل على تبسيط بناء الشبكات العصبية النبضية وتنفيذ التدريب القائم على التدرج باستخدام PyTorch. ^{[ 40 ]}

بدأت الجهود المبذولة لتطبيق الشبكات العصبية النبضية القائمة على الأجهزة في ثمانينيات القرن الماضي، ^{[ 41 ]} عندما بدأ الباحثون باستكشاف الأنظمة العصبية المستوحاة من الدماغ. وفي العقود اللاحقة، مكّنت التطورات في تقنيات أشباه الموصلات من تطوير العديد من المشاريع البارزة. ^{[ 42 ]}

أحد هذه المشاريع هو SpiNNaker ، الذي تم تطويره في جامعة مانشستر، والذي يستخدم ملايين النوى المعالجة لمحاكاة واسعة النطاق للخلايا العصبية الشوكية.

تُعد TrueNorth ، التي طورتها شركة IBM، واحدة من أوائل الرقائق العصبية التجارية، المصممة للمعالجة المتوازية والموفرة للطاقة.

تركز شريحة البحث " لويحي " التابعة لشركة إنتل على التعلم عبر الإنترنت والقدرة على التكيف في النمذجة العصبية الشكلية.

في سياقات البحث، تدمج منصات مثل BrainScaleS ، المطورة في أوروبا، الدوائر التناظرية والرقمية لتسريع عمليات المحاكاة العصبية. أما Neurogrid ، من جامعة ستانفورد، فقد صُممت لمحاكاة الخلايا العصبية والتشابكات العصبية البيولوجية بكفاءة. وتُعد نماذج Dynap-se ^{[ 43 ]} ، التي طورتها شركة iniLabs، عائلة من الرقائق العصبية منخفضة الطاقة والقائمة على الأحداث، والمخصصة للاستخدام في تطبيقات الروبوتات وإنترنت الأشياء.

بالإضافة إلى ذلك، يجري استكشاف الأجهزة القائمة على المقاومات المتغيرة وغيرها من تقنيات الذاكرة الناشئة لتنفيذ الشبكات العصبية الاصطناعية، بهدف تحقيق استهلاك أقل للطاقة وتحسين التوافق مع النماذج العصبية البيولوجية. ^{[ 42 ]}

اقترح ساتون وبارتو أن البنى العصبية المستقبلية ^{[ 44 ]} ستتألف من مليارات المشابك النانوية، الأمر الذي يتطلب فهمًا واضحًا للآليات الفيزيائية المصاحبة لها. وقد استُخدمت أنظمة تجريبية تعتمد على وصلات نفقية كهروإجهادية لإثبات إمكانية تسخير اللدونة المشبكية المعتمدة على التوقيت (STDP) من خلال تبديل الاستقطاب غير المتجانس. ومن خلال الجمع بين التصوير المجهري الماسح، والنقل الكهربائي، وديناميكيات الجزيئات على المستوى الذري، يمكن نمذجة تغيرات الموصلية عن طريق انعكاس المجال الذي يهيمن عليه التكوين النووي. وأظهرت عمليات المحاكاة أن مصفوفات المشابك النانوية الكهروإجهادية يمكنها أن تتعلم ذاتيًا التعرف على الأنماط بطريقة يمكن التنبؤ بها، مما يمهد الطريق نحو التعلم غير الخاضع للإشراف . ^{[ 45 ]}

تم اختبار قدرات التصنيف لشبكات الخلايا العصبية الشوكية المدربة وفقًا لأساليب التعلم غير الخاضع للإشراف ^{[ 46 ] على مجموعات بيانات مرجعية مثل Iris وWisconsin Breast Cancer وStatlog Landsat. [ 47 ] [ 48 ]} استُخدمت مناهج متنوعة لترميز المعلومات وتصميم الشبكات، مثل شبكة تغذية أمامية ثنائية الطبقات لتجميع البيانات وتصنيفها. استنادًا إلى هوبفيلد (1995)، قام الباحثون بتطبيق نماذج للحقول الاستقبالية المحلية التي تجمع بين خصائص دوال الأساس الشعاعي والخلايا العصبية الشوكية لتحويل إشارات الإدخال ذات التمثيل العشري إلى تمثيل شوكي. ^{[ 49 ] [ 50 ]}