في عالم الذكاء الاصطناعي، تعتبر الشبكات العصبية من أهم التقنيات المستخدمة في التعلم الآلي، ولكنها غالبًا ما تستهلك كميات كبيرة من الطاقة. ولكن، ماذا لو كانت هناك طريقة لتقليل هذه الاستهلاكات بشكل كبير؟

أظهرت الأبحاث الأخيرة في هذا المجال أن استخدام الشبكات العصبية التناظرية (Analog Neural Networks) يمكن أن يوفر حلاً مبتكرًا. تعتمد هذه الشبكات على مفهوم جديد يجمع بين التقنيات التقليدية وفلسفة الأبحاث الحديثة، حيث يتم تصميم الاتصالات داخل الشبكة لتكون غير خطية وقابلة للتدريب.

استلهم الباحثون من شبكات كولموغوروف-أرنولد (Kolmogorov-Arnold Networks) لإنشاء نموذج يتيح لكل اتصال في الشبكة أن يكون عنصرًا حسابيًا تعلمه الشبكة بنفسها، مما يُعزّز من قدرة الشبكة على التعامل مع المهام المعقدة مثل التحكم المستمر (Continuous Control) وحركيات الروبوتات وتحديد نقاط القوة الشمسية (Photovoltaic Maximum-Power-Point Tracking).

لقد أظهرت النتائج أن هذه الشبكات تتمتع بقدرة على تمثيل أهداف سلسة وقيم مستمرة، مما يُمكن استخدامها بأعداد أقل من العقد والاتصالات مقارنة بشبكات الإدراك المتعددة الطبقات (Multilayer Perceptrons) التقليدية. ومع ذلك، تقدم هذه التقنية بديلاً مثيرًا دون أي مزايا استثنائية من حيث كفاءة المعلمات عندما يتعلق الأمر بحدود القرارات التصنيفية.

تظهر الشبكات المدربة القدرة على الانتقال إلى الأجهزة الحقيقية عبر حوالي 35,000 اتصال، مع موثوقية مقدارها قيد التقدير. ومن المتوقع أن تعمل النسخ المخصصة المبنية على تقنية CMOS باستجابة حرارية تبلغ حوالي 30 ميكرووات.

يتضح أن الفائدة تأتي من القدرة على وضع عدم الخطية القابلة للتدريب على الاتصالات بدلاً من الاعتماد على جهاز معين. يسعنا الآن تخيل مستقبل أكثر كفاءة وفاعلية في استخدام الطاقة، ما يفتح آفاقًا جديدة للتطبيقات الذكية!

ما رأيكم في هذا التطور المثير في مجال الذكاء الاصطناعي؟ شاركونا أفكاركم في التعليقات!