كيف تعيد الشبكات العصبية الاستوائية تشكيل مجال الذكاء الاصطناعي؟ 🚀

تعتبر الشبكات العصبية التلافيفية (Convolutional Neural Networks - CNNs) حجر الزاوية في العديد من أنظمة الرؤية الحاسوبية الحديثة، إلا أن اعتمادها على حسابات مكثفة قائمة على الضرب يطرح تحديات كبيرة عند نشرها على الأجهزة ذات الموارد المحدودة. في هذا السياق، تأتي الشبكات العصبية الاستوائية (Tropical Convolutional Neural Networks - TCNNs) كحل مبتكر؛ حيث تستبدل الضربات الحسابية بعمليات حسابية أقل تكلفة مثل عمليات min/max-plus.

ومع ذلك، غالبًا ما يؤدي ذلك إلى تقليل دقة النموذج. لمواجهة هذه المشكلة، تم تقديم نموذجين جديدين: اللفيف الاستوائي المركب (Compound Tropical Convolution - cTCNN) واللفيف الاستوائي الموازي (Parallel Tropical Convolution - pTCNN). تتميز هذه العمليات الجديدة بدمج العمليات الجبرية minplus وmaxplus داخل طبقة واحدة، مما يعزز القدرة التمثيلية للنموذج مع الحفاظ على انخفاض التكلفة الحسابية.

كما تم توفير تنفيذ مفتوح المصدر لهذه العمليات ضمن إطار عمل متوافق مع PyTorch، مع ميزات تم تحسينها بشكل خاص لعمل وحدات معالجة الرسومات باستخدام TileLang.

لقد أجرينا تجارب واسعة النطاق على مجموعة من مقاييس تصنيف الصور والتجزئة الدلالية، وأثبتنا أن طبقات cTCNN وpTCNN المقترحة تحقق أداءً تنافسيًا مقارنةً بالشبكات العصبية التلافيفية القياسية، بينما تقلل بشكل ملحوظ من عدد الضربات المطلوبة. بالإضافة إلى ذلك، أظهرنا أن النماذج الهجينة، التي تدمج بين اللفيف الاستوائي واللفيف التقليدي، يمكن أن تُزيد من توازن الدقة والكفاءة.

تشير هذه النتائج إلى أن أنواع اللفيف الاستوائي تشكل مكونات فعالة وقابلة للتطبيق لبناء نماذج تعلم عميق فعالة ومبتكرة.