يعد التعلم المستمر أحد أبرز التحديات التي تواجه أنظمة تعلم الآلة الحديثة، حيث يجري غالبًا تبادل المعلومات القديمة لتحقيق التكيف مع بيانات جديدة ومتغيرة. هذا الأمر لا يُعد فقط غير عملي بل يتطلب إعادة تدريب النظام باستخدام مجموعات بيانات كاملة، مما يصبح صعبًا بسبب قيود التخزين أو التكاليف المالية أو حتى مشاكل الخصوصية.

ومع ذلك، يتمتع الكائنات البيولوجية بقدرة استثنائية على التعلم المستمر دون أن يحدث لديهم "نسيان كارثي". في هذا الإطار، تسعى ورقة بحثية جديدة إلى تشكيل إطار عمل عالي المستوى يوضح كيفية اكتساب الكائنات الحية للمعرفة والحفاظ عليها من خلال نمذجة مكونات عصبية وحالات مرتبطة بعملية دمج الذاكرة.

تركز هذه الدراسة على ثلاثة مفاهيم جوهرية: إعادة تشغيل التجارب، نوم REM، والتماثل. ومن هنا، تم تقديم نموذج 4MAS (أربعة موديولات للوعي/النوم)؛ هذه المعمارية الجديدة توضح كيف يمكن أن تستفيد نماذج تعلم الآلة من وجود نصفي كروي غير متماثلين، حيث يمتلك كل نصف آليات الذاكرة الطويلة والقصيرة المدى. كما ناقشت الدراسة كيف يمكن أن تساعد فترة النوم بين مهام التعلم التدريجية في تعزيز دمج الذاكرة.

أخيرًا، أظهرت النتائج أن هذه المعمارية تحقق نتائج تنافسية على مجموعات بيانات مثل Split-MNIST وSplit-Fashion-MNIST وSplit-CIFAR-100 بدقة بلغت 98.3% و84.9% و29.29% على التوالي.

إذا كنت مهتمًا بمعرفة المزيد عن كيفية تأثير التعلم المستمر على الذكاء الاصطناعي، تابع معنا!