مستخدم:Noor ALHuda Shbailat/الشَبكة العصبيِة

عرض مبسط ل feedforward الشبكة العصبية الاصطناعية

الشبكة العصبية هي شبكة أو دارة من الخلايا العصبية ، أو بالمعنى الحديث ، شبكة عصبية اصطناعية ، تتكون من عصبونات أو عقد اصطناعية. [1] وبالتالي فإن الشبكة العصبية هي إما شبكة عصبية بيولوجية ، مكونة من خلايا عصبية بيولوجية حقيقية ، أو شبكة عصبية اصطناعية ، لحل مشاكل الذكاء الاصطناعي. الروابط بين الخلايا العصبية البيولوجية تمثل كأوزان. فالقيم الموجبة تعكس اتصالًا مثيرًا ، في حين أن القيم السلبية تعني الاتصالات المثبطة. يتم تعديل جميع المدخلات بالوزن وتلخيصها(جمعها). يشار إلى هذا النشاط(العلاقة) بتركيبة خطية. أخيرًا ، يتحكم تابع تفعيل الشبكة العصبية الاصطناعية (, an activation functionهو تابع رياضي يعين النتيجة تبعا للمعطيات بحيث تصبح النتيجة معطى للنقطة الموالية وهكذا حتى بلوغ الحل المطلوب للمسألة الأصلية.) في طول الناتج. على سبيل المثال ، يتراوح نطاق الناتج  المقبول عادة بين 0 و 1 ، أو يمكن أن يكون −1 و 1.

يمكن استخدام هذه الشبكات الاصطناعية للنمذجة التنبؤية(استخدام الاحصائيات للتنبؤ بالنتائج) والتحكم التكيفي والتطبيقات التي يمكن تدريبهم عبر مجموعة بيانات. يمكن أن يحدث التعلم الذاتي الناتج عن التجربة داخل الشبكات ، والتي يمكن أن تستخلص استنتاجات من مجموعة من المعلومات المعقدة و التي تبدو غير مرتبطة

نظرة عامة

تتكون الشبكة العصبية البيولوجية من مجموعة أو مجموعات من الخلايا العصبية المرتبطة كيميائيا أو وظيفيا. قد تكون خلية عصبية واحدة متصلة بالعديد من الخلايا العصبية الأخرى وقد يكون العدد الإجمالي للخلايا العصبية والروابط في شبكة واسعة النطاق. اتصالات تسمى نقاط الاشتباك العصبي ، عادة ما تتشكل من المحاور إلى التشعبات ، على الرغم من نقاط الاشتباك العصبي(dendrodendritic: هي روابط بين التشعبات في اثنين من الخلايا العصبية المختلفة)[3] وغيرها من الاتصالات الممكنة. وبصرف النظر عن الإشارات الكهربائية, هناك أشكال أخرى من الإشارات التي تنشأ من نشر الناقل العصبي للإشارات التي ينقلها.

الذكاء الاصطناعي ، النمذجة المعرفية(هو تقريب للعمليات المعرفية للإنسان لأغراض الفهم والتنبؤ.) ، الشبكات العصبية هي معلومات تجهز(تقوم بمعالجة) نماذج مستوحاة من طريقة الأنظمة العصبية البيولوجية في معالجة البيانات.  يحاول الذكاء الاصطناعي والنمذجة المعرفية محاكاة بعض خصائص الشبكات العصبية البيولوجية. في مجال الذكاء الاصطناعي, الشبكات العصبية الاصطناعية تم تطبيقها بنجاح  لل :التعرف على الكلام, تحليل الصورة والتحكم التكيفي(هو طريقة التحكم المستخدمة من قبل وحدة التحكم والتي يجب أن تتكيف مع نظام متحكم به معطيات تختلف أو تكون غير محددة في البداية.)، من أجل بناء ادوات البرامج (في الكمبيوتر و ألعاب الفيديو) أو الروبوتات المستقلة.

تاريخيا ، تطورت أجهزة الكمبيوتر الرقمية  من نموذج(von Neumann :هي بنية كمبيوتر تستند إلى وصف لعام 1945 من قبل عالم الرياضيات والفيزياء جون فون نيومان) تعمل عبر تنفيذ تعليمات صريحة عبر الوصول إلى الذاكرة عن طريق عدد من المعالجات. ومن ناحية أخرى ، تستند أصول الشبكات العصبية على الجهود الرامية إلى تمثيل(نمذجة)  المعلومات في النظم البيولوجية. على عكس نموذج فون نيومان ، الحوسبة الشبكية العصبية لا تفصل الذاكرة والمعالجة.

لقد عملت نظرية الشبكة العصبية على تحديد كيفية عمل الخلايا العصبية في الدماغ بشكل أفضل وتوفير الأساس للجهود المبذولة لخلق الذكاء الاصطناعي.

التاريخ

تم اقتراح القاعدة النظرية الأولية للشبكات العصبية المعاصرة بشكل مستقل من قبل ألكساندر باين [4] (1873) وويليام جيمس [5] (1890). في عملهم ، نتجت كل من الأفكار ونشاط الجسم عن التفاعلات بين الخلايا العصبية داخل الدماغ.

المحاكاة الحاسوبية للعمارة المتفرعة من التشعبات في الخلايا العصبية الهرمية .

بالنسبة إلى باين ، [4] كل نشاط أدى إلى إطلاق مجموعة معينة من الخلايا العصبية. وعندما تكررت الأنشطة ، تعززت الصلات(الروابط) بين تلك الخلايا العصبية. وفقا لنظريته ، كان هذا التكرار هو ما أدى إلى تشكيل الذاكرة. كان المجتمع العلمي العام في ذلك الوقت متشككا في نظرية باين[4] لأنها تطلبت على ما يبدو عدد مفرط من الوصلات العصبية داخل الدماغ. ومن الواضح الآن أن الدماغ معقد للغاية وأن نفس "الأسلاك"\الروابط  في الدماغ يمكنها التعامل مع مشاكل ومدخلات متعددة.

نظرية جيمس [5] كانت مماثلة لنظرية bain ، [4] ومع ذلك ، اقترح أن الذكريات والأفعال نتجت من تيارات كهربائية تتدفق بين الخلايا العصبية في الدماغ. نموذجه ، قام بالتركيز على تدفق التيارات الكهربائية ، لم يتطلب وصلات عصبية فردية لكل ذاكرة أو عمل.

شيرينغتون [7] (1898) أجرى تجارب لاختبار نظرية جيمس. قام بتشغيل التيارات الكهربائية أسفل الحبال الشوكية من الفئران. ومع ذلك ، بدلا من إظهار زيادة في التيار الكهربائي كما توقع جيمس ، وجد شرينغتون أن قوة التيار الكهربائي انخفض مع استمرار الاختبار مع مرور الوقت. ومن المهم أن هذا العمل أدى إلى اكتشاف مفهوم التعود(habituationهو شكل من أشكال التعلم غير الترابطي حيث تتناقص الاستجابة الفطرية (غير المعززة) للمنبهات بعد التعرضات  المتكررة أو المطولة لتلك المحفزات).

أنشأ McCulloch and Pitts) [8]) عام (1943) نموذجًا حسابيًا\محوسبا  للشبكات العصبية القائمة على الرياضيات والخوارزميات. واطلقوا على هذا النموذج  اسم عتبة المنطق. لقد مهد النموذج الطريق لبحوث الشبكة العصبية لتقسيمها إلى طريقتين مختلفتين. ركز أحد الأساليب على العمليات البيولوجية في الدماغ والآخر ركز على تطبيق الشبكات العصبية على الذكاء الاصطناعي.

في أواخر الأربعينيات من القرن العشرين ، ابتكر عالم النفس دونالد هيب [9] فرضية التعلم على أساس آلية اللدونة العصبية التي تُعرف الآن باسم التعلم الهبي(نظرية هيبان هي نظرية علمية عصبية تدعي أن الزيادة في الفعالية المشبكية تنشأ عن التحفيز المتكرر والمستمر للخلية قبل المشبكية لخلية ما بعد المشبكية.). يعتبر التعلم الهبي  "عادة" نموذجية ، وكانت المتغيرات اللاحقة لها نماذج مبكرة لتقوية طويلة المدى. بدأت هذه الأفكار يتم تطبيقها على النماذج الحسابية في عام 1948 باستخدام آلات Turing's B-type.

استخدم فارلي وكلارك [10] (1954) لأول مرة الآلات المحوسبة(الحسابية) ، ثم سميت الآلات الحاسبة ، لمحاكاة شبكة هيبية (Hebbian network)في معهد ماساتشوستس للتكنولوجيا(MIT). تم إنشاء آلات حسابية الأخرى للشبكة العصبية بواسطة روتشستر وهولندا وهابيت ودودا [11] (1956).

قام روزنبلات [12] (1958) بإنشاء الإدراك الحسي (في التعلم الآلي ، فإن perceptron عبارة عن خوارزمية للتعلم الخاضع للإشراف على المصنفات الثنائية(binary:0 or 1). المصنف الثنائي عبارة عن علاقة يمكنها أن تقرر ما إذا كان ام لا المدخل، يمثله متجه الأرقام ، ينتمي إلى فئة معينة أم لا.)، وهي خوارزمية للتعرف على الأنماط استنادًا إلى شبكة كمبيوتر التعلم المكونة من طبقتين باستخدام الجمع والطرح البسيط. مع التدوين الرياضي ، وصف روزنبلات أيضًا الدوائر غير الموجودة في الإدراك الحسي الأساسي ، مثل الدائرة الحصرية أو الدارة بشكل عام، وهي الدائرة التي لا يمكن معالجة حسابها الرياضي حتى بعد إنشاء خوارزمية(backpropagation عبارة عن خوارزمية تستخدم على نطاق واسع في تدريب الشبكات العصبية المباشرة  للتعلم الخاضع للإشراف\الرجوع بنموذج الشبكة العصبية من النتائج حتى المدخلات (بواسطة Werbos [13] (1975).

شهدت أبحاث الشبكات العصبية ركودا  بعد نشر أبحاث التعلم الآلي من قبل مارفن مينسكي وسيمور بابيرت [14] (1969). اكتشفوا مشكلتين رئيسيتين مع الآلات الحسابية التي عالجت الشبكات العصبية. القضية الأولى كانت أن الشبكات العصبية أحادية الطبقة كانت غير قادرة على معالجة الدائرة الحصرية بشكل عام. المسألة الثانية المهمة هي أن أجهزة الكمبيوتر لم تكن متطورة بما يكفي للتعامل بفعالية مع وقت التشغيل الطويل الذي تتطلبه الشبكات العصبية الكبيرة. تباطأت أبحاث الشبكات العصبية حتى حققت أجهزة الكمبيوتر طاقة معالجة أكبر. من العوامل الرئيسية في التقدم اللاحق أيضًا خوارزمية backpropagation) (التي نجحت في حل المشكلة الحصرية (Werbos 1975) بشكل فعال. [13]

أصبحت المعالجة الموزعة المتوازية لمنتصف الثمانينات شعبية تحت اسم الربط(هو نهج في مجالات العلوم المعرفية التي تأمل في توضيح الظواهر العقلية باستخدام الشبكات العصبية الاصطناعية (ANN).). قدم النص الذي كتبه روميلهارت وماكليلاند [15] (1986) عرضًا كاملاً حول استخدام التوصيلية في أجهزة الكمبيوتر لمحاكاة العمليات العصبية.

تُعتبر الشبكات العصبية ، كما تستخدم في الذكاء الاصطناعي ، تظهر بشكل تقليدي كنماذج مبسطة للمعالجة العصبية في الدماغ ، على الرغم من أن العلاقة بين هذا النموذج والعمارة البيولوجية\البناء البيولوجي للمخ تناقش ، لأنه ليس من الواضح إلى أي مدى تعكس الشبكات العصبية الاصطناعية تماثلها مع وظيفة الدماغ. [16]

الذكاء الاصطناعي

الشبكة العصبية (NN) ، في حالة الخلايا العصبية الاصطناعية تسمى الشبكة العصبية الاصطناعية (ANN) أو محاكاة الشبكات العصبية (SNN) هو مجموعة مترابطة من الخلايا العصبية  الطبيعية  أو الاصطناعية  التي تستخدم النموذج الرياضي أو الحسابي لمعالجة المعلومات على أساس ((connectionistic نهج الحساب. وفي معظم الحالات ، تكون( (ANN نظاما تكيفيا يغير هيكله استنادا إلى معلومات خارجية أو داخلية تتدفق عبر الشبكة.

من الناحية العملية ، تعتبر الشبكات العصبية أدوات نمذجة للبيانات الإحصائية أو اتخاذ القرارات غير الخطية(من حيث العلاقة بين التغير في المدخلات على النتائج). يمكن استخدامها لنمذجة العلاقات المعقدة بين المدخلات والمخرجات أو للعثور على أنماط في البيانات.

تتضمن الشبكة العصبية الاصطناعية شبكة من العناصر المعالجة البسيطة (الخلايا العصبية الاصطناعية) التي يمكن أن تظهر سلوكًا معقدًا بشكل عام ، تحدده العلاقات بين عناصر المعالجة ومعطيات العنصر. تم اقتراح الخلايا العصبية الاصطناعية لأول مرة في عام 1943 من قبل وارن مكولوتش ، عالم فيزيولوجيا الأعصاب ، ووالتر بيتس ، وهو منطقي ، تعاون لأول مرة في جامعة شيكاغو. [17]

النوع الكلاسيكي للشبكة العصبية الاصطناعية هو شبكة هوبفيلد المتكررة(شبكة هوبفيلد هي شكل من أشكال الشبكة العصبية الاصطناعية المتكررة التي شاعها جون هوبفيلد في عام 1982 ، ولكن وصفها ليتل في عام 1974.).

يبدو أن مفهوم الشبكة العصبية تم طرحه أولاً بواسطة ألان تورينج في كتابه "الآلات الذكية" الذي نشر عام 1948 والذي أطلق عليه "الآلات غير المنظمة من النوع B". [18]

تكمن فائدة نماذج الشبكات العصبية الاصطناعية في حقيقة أنه يمكن استخدامها لاستنتاج العلاقة من الملاحظات واستخدامها أيضًا. يمكن أيضًا استخدام الشبكات العصبية غير الخاضعة للإشراف  لتعلم تمثيل المدخلات التي تجسد الخصائص البارزة لتوزيع المدخلات ، على سبيل المثال ، انظر آلة بولتزمان (1983) ، ومؤخراً ، خوارزميات التعلم العميق((المعروف أيضًا باسم التعلم المنظم العميق أو التعلم الهرمي) هو جزء من عائلة واسعة من أساليب التعلم الآلي التي تعتمد على الشبكات العصبية الاصطناعية.) ، والتي يمكن أن تتعلم ضمنيًا وظيفة التوزيع ل البيانات الملحوظة. التعلم في الشبكات العصبية مفيد بشكل خاص في التطبيقات التي تجعل تعقيد البيانات أو المهمة من خلالها تصميم هذه الوظائف غير عملي.

تطبيقات

يمكن استخدام الشبكات العصبية في مجالات مختلفة. المهام التي يتم تطبيقها على الشبكات العصبية الاصطناعية تميل إلى أن تندرج ضمن الفئات الواسعة التالية:

• تقريب الوظيفة ، أو تحليل الانحدار ، بما في ذلك التنبؤ بالسلسلة الزمنية والنمذجة. التصنيف ، بما في ذلك التعرف على الأنماط والتسلسل ، والكشف عن الجدة واتخاذ القرارات المتسلسلة. معالجة البيانات ، بما في ذلك التصفية والتجميع وفصل الإشارة العمياء وضغطها.

تشمل مجالات تطبيق ANNs تحديد النظام غير الخطي [19] والتحكم (التحكم في السيارة ، التحكم في العملية) ، لعب اللعبة وصنع القرار (لعبة الطاولة ، الشطرنج ، السباق) ، التعرف على الأنماط (أنظمة الرادار ، التعرف على الوجوه ، التعرف على الأشياء) ، التعرف على التسلسل (الإيماءات والكلام والتعرف على النص المكتوب بخط اليد) والتشخيص الطبي والتطبيقات المالية واستخراج البيانات (أو اكتشاف المعرفة في قواعد البيانات "KDD") والتصور وتصفية البريد العشوائي عبر البريد الإلكتروني. على سبيل المثال ، من الممكن إنشاء ملف تعريف دلالي لاهتمامات المستخدم الناشئة من الصور التي تم تدريبها للتعرف على الأشياء. [20]

علم الأعصاب

علم الأعصاب النظري والحسابي هو المجال المعني بالتحليل النظري والنمذجة الحاسوبية للأنظمة العصبية البيولوجية. نظرًا لأن النظم العصبية ترتبط ارتباطًا وثيقًا بالعمليات والسلوك المعرفي ، يرتبط الحقل ارتباطًا وثيقًا بالنمذجة المعرفية والسلوكية.

الهدف من هذا المجال هو إنشاء نماذج للأنظمة العصبية البيولوجية من أجل فهم كيفية عمل النظم البيولوجية. لاكتساب هذا الفهم ، يسعى علماء الأعصاب إلى إقامة صلة بين العمليات البيولوجية المرصودة (البيانات) ، والآليات المعقولة بيولوجيًا للمعالجة والتعلم العصبي (نماذج الشبكات العصبية البيولوجية) والنظرية (نظرية التعلم الإحصائي ونظرية المعلومات).

أنواع النماذج

وتستخدم العديد من النماذج. محددة على مستويات مختلفة من التجريد ، ونمذجة جوانب مختلفة من النظم العصبية. وهي تتراوح بين نماذج للسلوك قصير الأجل للخلايا العصبية الفردية ، من خلال نماذج لديناميات الدوائر العصبية الناشئة عن التفاعلات بين الخلايا العصبية الفردية ، ونماذج السلوك الناشئة عن الوحدات العصبية المجردة التي تمثل أنظمة فرعية كاملة. وتشمل هذه نماذج من اللدونة طويلة الأجل وقصيرة الأجل للأنظمة العصبية وعلاقتها بالتعلم والذاكرة ، من الخلايا العصبية الفردية إلى مستوى النظام.

نقد

من الانتقادات الشائعة للشبكات العصبية ، وخاصة في مجال الروبوتات ، أنها تتطلب تنوعًا كبيرًا من التدريب من أجل التشغيل في العالم الحقيقي. هذا ليس مفاجئًا ، لأن أي جهاز تعليمي يحتاج إلى أمثلة تمثيلية كافية من أجل التقاط الهيكل الأساسي الذي يسمح له بالتعميم على الحالات الجديدة. يستخدم دين بوميرلو ، في بحثه المقدم في ورقة بعنوان "التدريب القائم على المعرفة للشبكات العصبية الاصطناعية لقيادة الروبوت الآلي" ، شبكة عصبية لتدريب مركبة آلية للقيادة على أنواع متعددة من الطرق (حارة واحدة ، حارات متعددة ، ترابية ، وما إلى ذلك). يخصص قدر كبير من أبحاثه لـ (1) استقراء سيناريوهات تدريب متعددة من تجربة تدريب واحدة ، و (2) الحفاظ على تنوع التدريب في الماضي بحيث لا يصبح النظام مفرطًا (على سبيل المثال ، يتم تقديمه مع سلسلة من المنعطفات الصحيحة - لا ينبغي أن تتعلم كيف تستدير إلى اليمين دائمًا). هذه المشكلات شائعة في الشبكات العصبية التي يجب أن تقرر من بين مجموعة واسعة من الاستجابات ، ولكن يمكن معالجتها بعدة طرق ، على سبيل المثال عن طريق خلط عشوائي لأمثلة التدريب ، باستخدام خوارزمية التحسين العددية التي لا تتخذ خطوات كبيرة للغاية عندما تغيير اتصالات الشبكة باتباع مثال ، أو عن طريق تجميع الأمثلة في ما يسمى بالدُفعات المصغرة.

كتب AK Dewdney ، وهو كاتب عمود علمي أمريكي سابق ، في عام 1997 ، "على الرغم من أن الشبكات العصبية تحل بعض مشاكل اللعبة ، إلا أن قدراتها على الحساب محدودة للغاية لدرجة أنني مندهش لأن أي شخص يأخذها على محمل الجد كأداة عامة لحل المشكلات" (Dewdney ، ص 82).

الحجج لموقف Dewdney هي أنه لتنفيذ الشبكات العصبية الكبيرة والفعالة للبرامج ، يجب الالتزام بالكثير من موارد المعالجة والتخزين. في حين أن الدماغ يحتوي على أجهزة مصممة خصيصًا لمهمة معالجة الإشارات من خلال رسم بياني للخلايا العصبية ، إلا أن محاكاة نموذج أبسط على تقنية Von Neumann قد يجبر مصمم شبكة عصبية على ملء ملايين من صفوف قاعدة البيانات لاتصالاته - والتي يمكن أن تستهلك كميات هائلة من ذاكرة الكمبيوتر ومساحة القرص الثابت. علاوة على ذلك ، سيحتاج مصمم أنظمة الشبكات العصبية غالبًا إلى محاكاة نقل الإشارات من خلال العديد من هذه الوصلات والخلايا العصبية المرتبطة بها - والتي يجب أن تتوافق في كثير من الأحيان مع كميات لا تصدق من قوة معالجة وحدة المعالجة المركزية والوقت. في حين أن الشبكات العصبية تنتج غالبًا برامج فعالة ، فإنها غالبًا ما تفعل ذلك على حساب الكفاءة (فهي تميل إلى استهلاك مبالغ كبيرة من الوقت والمال).

الحجج ضد موقف Dewdney هي أن الشبكات العصبية قد استخدمت بنجاح في حل العديد من المهام المعقدة والمتنوعة ، مثل الطائرات ذات الطيران المستقل. [21]

علق كاتب التكنولوجيا روجر بريدجمان على تصريحات دودني حول الشبكات العصبية:

الشبكات العصبية ، على سبيل المثال ، لا تزال في قفص الاتهام ليس فقط لأنهم قد انتبهوا إلى السماء العالية ، (ما الذي لم ينجح؟) ولكن أيضًا لأنه يمكنك إنشاء شبكة ناجحة دون فهم كيفية عملها: مجموعة من الأرقام التي تلتقطها سيكون السلوك في جميع الاحتمالات "جدولًا معتمًا وغير قابل للقراءة ... بلا قيمة كمورد علمي".

على الرغم من إعلانه المؤكد بأن العلم ليس تكنولوجياً ، يبدو أن ديودني هنا يسخر الشبكات العصبية كعلم سيئ عندما يحاول معظم من ابتكرهم أن يكونوا مهندسين جيدين. إن الجدول غير المقروء الذي يمكن للآلة المفيدة قراءته ، لا يزال يستحق أن يحصل. [22]

على الرغم من أن تحليل ما تعلمته شبكة عصبية اصطناعية أمر صعب ، إلا أن القيام بذلك أسهل بكثير من تحليل ما تعلمته شبكة عصبية بيولوجية. علاوة على ذلك ، ساهم التركيز الأخير على قابلية تفسير الذكاء الاصطناعي في تطوير الأساليب ، وخاصة تلك التي تعتمد على آليات الانتباه ، لتصور وشرح الشبكات العصبية المستفادة. علاوة على ذلك ، فإن الباحثين المشاركين في استكشاف خوارزميات التعلم للشبكات العصبية يكتشفون تدريجياً مبادئ عامة تتيح نجاح جهاز التعلم. على سبيل المثال ، كتب Bengio و LeCun (2007) مقالة تتعلق بالتعلم المحلي مقابل التعليم غير المحلي ، وكذلك العمارة الضحلة مقابل العمق العميق. [23]

بعض الانتقادات الأخرى جاءت من مؤيدي النماذج الهجينة (الجمع بين الشبكات العصبية والنهج الرمزية). إنهم يدافعون عن الاختلاط بين هذين النهجين ويعتقدون أن النماذج الهجينة يمكنها التقاط آليات العقل البشري بشكل أفضل (Sun and Bookman، 1990). [بحاجة لمصدر]

التحسينات الأخيرة

على الرغم من أن البحث في البداية كان يهتم في الغالب بالخصائص الكهربائية للخلايا العصبية ، إلا أن هناك جزءًا مهمًا بشكل خاص من التحقيق في السنوات الأخيرة يتمثل في استكشاف دور أجهزة التثبيط العصبي مثل الدوبامين والأستيل كولين والسيروتونين في السلوك والتعلم.

النماذج الفيزيائية الحيوية ، مثل نظرية BCM ، كانت مهمة في فهم آليات اللدونة التشابكية ، وكان لها تطبيقات في كل من علوم الكمبيوتر وعلم الأعصاب. البحوث جارية في فهم الخوارزميات الحسابية المستخدمة في الدماغ ، مع بعض الأدلة البيولوجية الحديثة لشبكات الأساس الشعاعي والتكاثر العصبي كآليات لمعالجة البيانات.

تم إنشاء أجهزة حسابية في CMOS لكل من المحاكاة الفيزيائية الحيوية والحوسبة العصبية الشكلية. تُظهر الجهود التي بذلت مؤخرًا وعودًا لإنشاء أجهزة النانو لتحليل المكونات الرئيسية واسعة النطاق للغاية والتحليل. إذا نجحت ، فإن هذه الجهود يمكن أن تستهل حقبة جديدة من الحوسبة العصبية التي تعد خطوة أبعد من الحوسبة الرقمية ، [25] لأنها تعتمد على التعلم بدلاً من البرمجة ولأنها تناظرية بشكل أساسي وليست رقمية على الرغم من أن النسخ الأولى قد تكون في الواقع يكون مع الأجهزة الرقمية CMOS.

بين عامي 2009 و 2012 ، فازت الشبكات العصبية المتكررة والشبكات العصبية العميقة التي تم تطويرها في مجموعة أبحاث Jürgen Schmidhuber في Swiss AI Lab IDSIA بثمانية مسابقات دولية في التعرف على الأنماط والتعلم الآلي. [26] على سبيل المثال ، فازت الذاكرة طويلة المدى متعددة الأبعاد (LSTM) [27] [28] بثلاث مسابقات في التعرف على خط اليد المتصل في المؤتمر الدولي لعام 2009 حول تحليل المستندات والاعتراف بها (ICDAR) ، دون أي معرفة مسبقة عن ثلاث لغات مختلفة يمكن تعلمها.

يمكن استخدام المتغيرات من خوارزمية الانتشار الخلفي وكذلك الطرق غير الخاضعة للإشراف من قبل جيف هينتون وزملاؤه في جامعة تورونتو لتدريب بنيات عصبية عميقة غير خطية للغاية ، [29] على غرار Neocognitron لعام 1980 من قبل كونيهيكو فوكوشيما ، [30] "البنية المعيارية للرؤية" ، [31] مستوحاة من الخلايا البسيطة والمعقدة التي حددها ديفيد إتش هوبيل وتورستن ويزل في القشرة البصرية الأولية.

كما تم إدخال وظيفة أساس شعاعي وشبكات المويجات. يمكن إظهارها لتقديم أفضل خصائص التقريب وتم تطبيقها في تطبيقات تحديد وتصنيف النظام غير الخطي. [19]

تتغذى شبكات التعلّم العميق على الطبقات التلافيفية والطبقات المتجمعة القصوى ، وتعلوها عدة طبقات تصنيف نقية. فازت التطبيقات السريعة المعتمدة على GPU لهذا النهج بالعديد من مسابقات التعرف على الأنماط ، بما في ذلك مسابقة التعرف على إشارات المرور IJCNN 2011 [32] و ISBI 2012 Segmentation of Neuronal Structures in Electron Microscopy Stacks. [33]

كانت هذه الشبكات العصبية أيضًا أول من يتعرفون على الأنماط الاصطناعية لتحقيق أداء تنافسي أو حتى فوق الإنسان [34] على معايير مثل التعرف على إشارات المرور (IJCNN 2012) ، أو مشكلة الأرقام المكتوبة بخط اليد في MNIST Yann LeCun وزملاؤه في جامعة نيويورك.

أنظر أيضا

• ADALINE
• Adaptive resonance theory
• Biological cybernetics
• Biologically inspired computing
• Cerebellar model articulation controller
• Cognitive architecture
• Cognitive science
• Connectomics
• Cultured neuronal networks
• Deep learning
• Digital morphogenesis
• Exclusive or
• Gene expression programming
• Group method of data handling
• Habituation
• In situ adaptive tabulation
• Memristor
• Multilinear subspace learning
• Neural network software
• Nonlinear system identification
• Parallel constraint satisfaction processes
• Parallel distributed processing
• Predictive analytics
• Radial basis function network
• Self-organizing map
• Simulated reality
• Support vector machine
• Tensor product network
• Time delay neural network

روابط خارجية

• مقدمة موجزة عن الشبكات العصبية (D. Kriesel) - مخطوطة مصورة ثنائية اللغة حول الشبكات العصبية الاصطناعية ؛ الموضوعات حتى الآن: Perceptrons ، Backpropagation ، وظائف الأساس الشعاعي ، الشبكات العصبية المتكررة ، خرائط التنظيم الذاتي ، شبكات Hopfield.
• مراجعة الشبكات العصبية في علوم المواد
• دروس الشبكات العصبية الاصطناعية بثلاث لغات (جامعة. بوليتكنيكا دي مدريد)
• مقدمة أخرى لـ ANN
• الجيل القادم من الشبكات العصبية - Google Tech Talks
• أداء الشبكات العصبية
• الشبكات العصبية والمعلومات
• Sanderson، Grant (5 أكتوبر 2017). "But what is a Neural Network?". 3Blue1Brown.

[[تصنيف:تكنولوجيات ناشئة]] [[تصنيف:ذكاء اصطناعي]] [[تصنيف:معلومات ومعرفة وعدم اليقين]] [[تصنيف:اقتصاد قياسي]] [[تصنيف:شبكات]] [[تصنيف:بنية الشبكة]] [[تصنيف:شبكات عصبونية]] [[تصنيف:علوم عصبية حاسوبية]]