في عالم الذكاء الاصطناعي، تبرز التجمعات العصبية (Neural Assemblies) كمكون حيوي يلعب دوراً محورياً في كيفية تعلم الأنظمة الاصطناعية. وفقاً لدراسة حديثة، يمكن لهذه التجمعات – المكونة من مجموعات من الخلايا العصبية التي تتفاعل بشكل متزامن لتقوية الروابط بينها – أن تتعلم اتجاه التأثير السببي بين المتغيرات بشكل فعال.

على الرغم من أن التجمعات العصبية كانت معروفة كوسيلة مناسبة لتصنيف وفهم المعلومات، إلا أنها لم تُظهر من قبل قدرتها على استيعاب الاتجاه السببي. ومع ذلك، تم التحقق من أن العمليات الأساسية لهذه التجمعات – مثل الإسقاط (projection) والتحكم في المرونة المحلية (local plasticity control) واختيار الفائزين بشكل نادر (sparse winner selection) – كافية لتحقيق التعلم الاتجاهي.

نقدم لكم آلية جديدة تُدعى DIRECT (DIRectional Edge Coupling/Training) التي تعمل على تنشيط التجمعات مصدرًا وهدفًا تحت جدول زمني لجني القوة التكيفية. هذه الطريقة، بخلاف الطرق التقليدية المعتمدة على الانتشار العكسي (backpropagation)، تعتمد فقط على المرونة المحلية، مما يجعل الادعاءات السببية الناتجة قابلة للتدقيق على مستوى الآلية.

أثبتت النتائج من خلال استراتيجيات تحقق متقدمة مثل قياس عدم التماثل في قوة الاتصال العصبي (synaptic-strength asymmetry) وتداخل الانتشار الوظيفي (functional propagation overlap)، مما يعكس موثوقية تدفق الإشارات الاتجاهية. وقد تمكن الإطار المقترح من إعادة بناء هيكل مثالي عبر مجموعة متنوعة من المجالات، مما يساعد على تأكيد قدرة التجمعات العصبية على الربط بين الديناميات البيولوجية القابلة للتطبيق والنماذج السببية الرسمية، مما يوفر إطارًا "قابلًا للتفسير بشكل تصميمي" حيث يمكن تتبع الادعاءات السببية إلى معايير عصبية محددة.

ننتظر منكم التفاعل! ما رأيكم في هذه الدراسة والتي تهدف إلى تغيير طرق تعلم الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات.