في عالم الذكاء الاصطناعي، يجمع الذكاء العصبي الرمزي (Neurosymbolic AI) بين الشبكات العصبية (Neural Networks) وبرامج الرموز (Symbolic Programs) لخلق تنبؤات موثوقة وقابلة للتفسير. واحدة من هذه الأطر هو NeurASP، الذي يقوم بتدريب شبكة عصبية لتوقع المفاهيم الأسباب المتعلقة بها باستخدام قواعد مكتوبة بلغة برمجة مجموعة الإجابات (Answer Set Programming - ASP) لحل المهام التالية.

السمة المميزة في هذا الإطار هي أن التسميات تُقدم فقط للتنبؤات الناتجة عن القواعد الرمزية، وليس للمفاهيم الكامنة نفسها. غير أن عملية الانتشار العكسي (Backpropagation) من خلال مكون ASP غير القابل للتفريق تتطلب حسابات احتمالية وتدرج باهظة الثمن، مما يعيق قابلية التوسع إلى مهام أكثر تعقيداً.

في ورقة بحثية جديدة، تم معالجة القيود الحالية لـ NeurASP من خلال تحسين أداءه الحسابي عبر تقنيات مثل التحويل (Vectorization)، المعالجة في دفعات (Batch Processing) وتخزين الحسابات الوسيطة (Caching) خلال مرحلة التدريب. تم مقارنة سرعة الحساب بين النسخة الأصلية ونسختنا الجديدة من NeurASP، مع تسجيل تسريعات مذهلة بمعدلات عدة أوامر من حيث الحجم للمهام الأكبر.

من أجل اختبار قدرات وظيفة التعلم المعززة لدى NeurASP، اقترح الباحثون مجموعة بيانات جديدة تتضمن مهام صعبة تتعلق بألعاب الورق. هذه النتائج تشير بوضوح إلى أن تحسين الأداء الحسابي يمكن أن يفتح آفاقاً جديدة لتطبيقات الذكاء الاصطناعي المعقدة.

ما رأيكم في هذا التطور؟ كيف ترون تأثير تقنيات التسريع على الذكاء العصبي الرمزي؟ شاركونا في التعليقات.