أحد أكبر التحديات التي تواجه الشبكات العصبية الاصطناعية (Artificial Neural Networks) هو قدرتها المحدودة على التعلم المتواصل. فعندما يتم تدريبها على مهام جديدة، غالباً ما تعاني من تداخل النماذج (Interference) ونسيان المعلومات القديمة.

وبالرغم من وجود العديد من الخوارزميات التي تهدف لحماية الذكريات القديمة من هذا التداخل، إلا أنها عادةً ما تُطبق أثناء أو مباشرةً بعد كل جلسة تدريب جديدة. على عكس ذلك، يمكن للبشر والحيوانات التعلم بشكل مستمر، حيث يكتسبون عدة ذكريات جديدة خلال فترة التعلم النشط قبل أن يتم جمعها في تخزين طويل الأمد.

دراستنا الجديدة تظهر أنه يمكن تدريب مهام جديدة متعددة بشكل متتالي قبل تطبيق مرحلة إعادة التشغيل غير المراقب (Unsupervised Replay) الشبيهة بالنوم. هذه المرحلة تساعد في استعادة الأداء بشكل جزئي عبر جميع المهام التي تم تعلمها سابقاً.

تشير نتائج البحث إلى أن المعلومات الخاصة بكل مهمة تظل قوية أمام التدريب الجديد، لكن تبدأ في التراجع تدريجياً مع استمرار التدريب على مهام جديدة. هذه النتائج تفتح آفاقاً جديدة لتطوير حلول الذكاء الاصطناعي للتعلم المستمر.

في ضوء هذه الاكتشافات، كيف يمكن أن تتغير approaches التعلم في المستقبل؟ هل يمكن اعتبار النوم جزءاً لا يتجزأ من تصميم الشبكات العصبية؟ شاركونا آراءكم في التعليقات!