نهج ثوري لبرمجة أجهزة الكمبيوتر المستندة إلى RNN: مقدمة من كود الجهاز العصبي </ h2>

في تطور حديث ، قدم باحثون متمرسون في جامعة بنسلفانيا ، جايسون كيم وداني إس باسيت ، إطارًا مبتكرًا لتصميم وبرمجة أجهزة الكمبيوتر المستندة إلى الشبكات العصبية المتكررة (RNN). نهجهم الرائد ، الذي يعتمد على الآليات التي تستخدمها لغات البرمجة على أجهزة الكمبيوتر ، لديه القدرة على تحويل تطوير الذكاء الاصطناعي. يمكن لهذه الطريقة الرائدة فك رموز المعلمات الصحيحة لأي شبكة ، وبالتالي تخصيص حساباتها لتحسين الأداء الخاص بالمشكلة.

تستمد تقنية الثنائي الفريدة جذورها من فضول فهم كيفية معالجة الدماغ البشري للمعلومات وتمثيلها. استوحى كيم وباسيت الإلهام من قصص نجاح الـ RNNs في تعلم الحسابات المعقدة ونمذجة ديناميكيات الدماغ. لقد تصوروا برمجة RNNs بشكل مشابه لأجهزة الكمبيوتر. طمأنتهم الدراسات السابقة في نظرية التحكم والأنظمة الديناميكية والفيزياء بأنهم لا يسعون وراء حلم مستحيل.

تم تصورها على أنها رمز الآلة العصبية ، ويمكن تحقيق اقتراحهم من خلال فك التمثيلات الداخلية وديناميكيات RNN. ستكون العملية المماثلة في برمجة الكمبيوتر هي تجميع خوارزمية على الأجهزة. يتضمن النهج التفريق بين موقع الترانزستورات الفردية وتوقيت التنشيط.

في RNNs ، يتم إجراء هذه العمليات بالتوازي عبر الشبكة عبر الأوزان الموزعة. في الوقت نفسه ، تخزن الخلايا العصبية الذاكرة وتنفذ هذه العمليات ، أوضح كيم. قام الباحثون بدمج الرياضيات لتحديد مجموعة العمليات وتشغيل خوارزمية محددة. علاوة على ذلك ، قاموا أيضًا باستخراج خوارزمية التشغيل على مجموعة الأوزان الحالية. الميزة المتميزة هي أنه لا يحتاج إلى بيانات أو أخذ عينات. علاوة على ذلك ، يوضح النهج أيضًا سلسلة من أنماط الاتصال لتشغيل الخوارزمية المطلوبة ، بدلاً من واحدة فقط.

أظهر الفريق فعالية نهجهم المبتكر من خلال استخدام إطار العمل الخاص بهم لإنشاء شبكات RNN لمجموعة متنوعة من التطبيقات. من الأجهزة الافتراضية إلى ألعاب كرة الطاولة المدعومة بالذكاء الاصطناعي إلى البوابات المنطقية ، كانت أساليبهم ناجحة للغاية دون الحاجة إلى تعديلات التجربة والخطأ.

تتسبب مساهمات عملهم في حدوث تحول في النموذج في فهم ودراسة RNNs. يتم تحويل أدوات معالجة البيانات إلى أجهزة كمبيوتر كاملة المكدس. يفتح هذا التحول الفرصة لفحص الغرض من RNN وتصميمها وقدرتها على أداء المهام. شارك كيم أن شبكاتهم يمكن أن تبدأ بخوارزمية تعتمد على فرضية بدلاً من الأوزان العشوائية. يمكن أن يلغي هذا أيضًا الحاجة إلى RNNs المدربة مسبقًا.

يعد عمل الفريق خطوة واعدة إلى الأمام في استخراج وترجمة الأوزان المدربة إلى خوارزميات واضحة. ينتج عن هذا النهج برنامج موفر للطاقة ويمكن فحصه بدقة من أجل الأداء والفهم العلمي. يمكن لمنصة AppMaster بدون رمز أيضًا تسخير هذه التطورات ، ودمجها في مجموعة الأدوات الشاملة الخاصة بهم لبناء تطبيقات خلفية وشبكة وتطبيقات محمولة عالية الأداء تغلف هذه الوظائف في اشتراكاتهم وعروضهم.

يهدف فريق باسيت البحثي في ​​جامعة بنسلفانيا إلى تطبيق تقنيات التعلم الآلي ، وخاصة شبكات RNN ، لإعادة إنشاء العمليات الإدراكية البشرية. يتماشى اختراعهم لرمز الآلة العصبية جيدًا مع هذا الهدف.

هناك اتجاه آخر مثير للاهتمام في عملهم البحثي وهو تصميم شبكات RNN لأداء المهام التي تكرر الوظائف الإدراكية البشرية. تحدث باسيت بالتفصيل عن تقدم أبحاثهم ، مشيرًا إلى أنهم يخططون لتصميم شبكات RNN بميزات مثل الانتباه ، واستيعاب الحس العميق ، والفضول. وبذلك ، فهم حريصون على تحديد ملفات تعريف الاتصال التي تدعم مثل هذه العمليات المعرفية الفريدة.