ثورة التعلم المستمر: شبكة المهام الوظيفية المستوحاة من قشرة الدماغ

في عصر الذكاء الاصطناعي، يتطلع الباحثون إلى تطوير نماذج قادرة على التعلم المستمر دون أن تتعرض لفقدان المعرفة السابقة، وهو ما يُعرف بالنسيان الكارثي (catastrophic forgetting). وقد قدّمت الأبحاث الأخيرة نموذجًا رائدًا يُعرف بشبكات المهام الوظيفية (Functional Task Networks - FTN) استلهم تصميمه من البنية المعقدة لقشرة الدماغ لدى الثدييات.

تعتمد شبكات المهام الوظيفية على تقنية تقسيم المعلمات، حيث تُنشئ نموذجًا باستخدام ثلاث مراحل رئيسية. أولاً، يتم استخدام طريقة الانحدار التدرجي (gradient descent) على قناع مستمر لتحديد الخلايا العصبية المرتبطة بالمهام. يلي ذلك عملية تنعيم (smoothing kernel) لتحسين التوزيع المكاني، وأخيرًا تُدمج النتائج عبر تقنية تُعرف بـ "الك-فائز يأخذ كل شيء" (k-winner-take-all) والتي تعمل ضمن ميزانية سعة محددة.

ما يميز هذا النموذج هو القدرة على استرجاع الشبكة الفرعية المهمة لمهمة سابقة بخطوة واحدة فقط من الانحدار، مما يمكن من تصنيف المهام دون الحاجة إلى تسميات، مما يفتح آفاقًا جديدة للتعلم اللاتعليمي (unsupervised learning).

تم اختبار FTN على ثلاثة معايير رئيسية للتعلم المستمر، بما في ذلك مولد تصنيفي/تقديري متعدد المهام وتجارب باستخدام مجموعة بيانات MNIST التي تتضمن تغيير تسمية الفئات. وقد أظهرت النتائج أن استخدام FTN مع تنعيم دقيق (FTN-Slow) يؤدي إلى تقليل النسيان تقريبًا إلى الصفر. بينما يقدم FTN بتقنية تنعيم أسرع (FTN-Fast) موازنة بين السرعة والاحتفاظ بالمعرفة.

تتيح التقنية المبتكرة تقليل التعقيد الحسابي من مشكلة البحث عن القناع الأمثل إلى عملية مسح قريبة من الخطية (near-linear scan) عبر الأحياء القشرية المضغوطة، مما يسهم بشكل كبير في تحسين أداء النماذج في مهام التعلم المستمر.