ثورة في الذكاء الاصطناعي: الشبكة العصبية المتذبذبة وينفري تدخل عالم التعلّم الآلي!

في عالم الذكاء الاصطناعي، تلعب التذبذبات والتزامن دورًا أساسيًا لا يمكن تجاهله في عمليات [التمثيل](/tag/التمثيل) والحساب. ولكن، حتى الآن، كانت الأساليب الحالية المستخدمة في [التعلم](/tag/التعلم) الآلي، والتي تعتمد على [ديناميكيات](/tag/ديناميكيات) التزامن، مقتصرة على مجالات متخصصة مثل [اكتشاف](/tag/اكتشاف) الكائنات، كما تعاني من نقص الإمكانية للتوسع في المهام القياسية مثل [الرؤية](/tag/الرؤية) الحسابية أو [التفكير المنطقي](/tag/[التفكير](/tag/التفكير)-المنطقي).

اليوم، نقدم لكم الشبكة العصبية المتذبذبة وينفري (Winfree Oscillatory Neural Network أو WONN)، وهي [معمارية](/tag/معمارية) [عصبية](/tag/عصبية) [ديناميكية](/tag/ديناميكية) تعتمد على الديناميكيات العامة لوينفري. تجمع WONN بين [التفاعلات](/tag/التفاعلات) المتذبذبة المنظمة التي تتطور على السطح الأسطواني $(S^1)^d$، مع تعميمات من المنحنيات الزمنية والديناميات البنائية.

تمتاز WONN بقدرتها على دمج ميول استقرائية قائمة على الفازة مع [آليات](/tag/آليات) [تفاعل](/tag/تفاعل) مرنة وهرمية قابلة للتعلم، سواء من خلال تعيينات ثلاثية الزوايا ثابتة أو [شبكات](/tag/شبكات) [عصبية](/tag/عصبية) قابلة للتعلم.

لقد تم [تقييم أداء](/tag/[تقييم](/tag/تقييم)-[أداء](/tag/أداء)) WONN على مجموعة متنوعة من مهام [التعرف](/tag/التعرف) على [الصور](/tag/الصور) والتفكير المعقد، مثل [مجموعات بيانات](/tag/مجموعات-[بيانات](/tag/بيانات)) CIFAR وImageNet وMaze-hard وSudoku. وقد أظهرت WONN أداءً تنافسيًا أو متفوقًا مع [كفاءة](/tag/كفاءة) كبيرة في استخدام المعلمات.

ومن المثير للاهتمام، أن WONN تعتبر - حسب علمنا - أول [معمارية](/tag/معمارية) قائمة على التزامن تقدم أداءً تنافسيًا عند التعامل مع [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) ImageNet-1K. على وجه الخصوص، حققت WONN [دقة](/tag/دقة) تصل إلى 80.1% في [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) Maze-hard، باستخدام فقط 1% من معلمات [النماذج](/tag/النماذج) الحالية الرائدة.

تشير هذه النتائج إلى أن الديناميات المتذبذبة المنظمة توفر بديلاً قابلاً للتوسع وفعالًا من حيث المعلمات مقارنة بالمعماريات العصبية التقليدية.