Нейросеть для прогноза ВВП на C++ без TensorFlow: работает на Arduino за 400 рублей

لقد قام مطور من Habr بإنشاء شبكة عصبية للتنبؤ بديناميات الناتج المحلي الإجمالي بالكامل في C++20 — بدون TensorFlow أو PyTorch أو أي أطر عمل من جهات خارجية. تمت كتابة جميع الرياضيات من الصفر، والنموذج الناتج قادر على العمل على لوحة Arduino بسعر 300–400 روبل مع حد أقصى للذاكرة بقدر 32 كيلوبايت.

لماذا نتخلى عن Python

يفترض النهج القياسي للنمذجة الاقتصادية الكلية وجود خوادم قوية ومكتبات Python ثقيلة. يتفوق TensorFlow و PyTorch في المهام واسعة النطاق، لكنهما يأتيان مع عشرات الجيجابايتات من التبعيات ويتطلبان بنية تحتية حسابية كاملة. بالنسبة لمركز البيانات العام، هذا أمر طبيعي — لجهاز ميداني أو جهاز تحكم دقيق بميزانية محدودة، فهذا عائق لا يمكن التغلب عليه.

لوحات Arduino بذاكرة وصول عشوائي تبلغ 32 كيلوبايت وسعر يتراوح بين 300–400 روبل لا تستطيع فعليًا تشغيل مفسر Python، ناهيك عن TensorFlow. بدا الفجوة بين تحليل "ذكي" وأجهزة حقيقية ذات ميزانية محدودة لا يمكن التغلب عليها — حتى قرر المؤلف كتابة كل شيء من الصفر. يتم تنفيذ جميع رياضيات الطبقات العصبية في C++20 نقي بدون تبعيات خارجية.

لاختيار سريع للأوزان أثناء التطوير على جهاز كمبيوتر، يتم توصيل NVIDIA CUDA — فقط في مرحلة التطوير. يتم تصدير النموذج المدرب إلى تنسيق ثنائي مضغوط ويعمل على أي جهاز، بما في ذلك أجهزة التحكم الدقيقة.

الهندسة المعمارية: من رأس المال إلى العصبون

الشبكة العصبية لا تقرب ببساطة السلاسل الزمنية — فهي تحاكي دورات تدوير رأس المال الحقيقية. تعكس هندسة الشبكة المنطق الاقتصادي، وليس مجرد أنماط إحصائية في الأرقام. تنضغط أربع طبقات مخفية من شبكة غير خطية إلى ستة نيورونات إسقاط وفقًا لمنهجية البنك الدولي. الخصائص التقنية الرئيسية:

• C++20 بدون تبعيات خارجية — تحكم كامل بالذاكرة
• NVIDIA CUDA لتسريع التدريب في مرحلة التطوير
• 4 طبقات مخفية بدوال تنشيط غير خطية
• ضغط إلى 6 نيورونات إسقاط وفقًا لمنهجية البنك الدولي
• التوافق مع Arduino بحد أقصى للذاكرة 32 كيلوبايت

ستة نيورونات إخراج — لا يُعتبر رقمًا تعسفيًا: كل واحد يتوافق مع أحد المؤشرات الرئيسية وفقًا لمنهجية البنك الدولي. هذا يجعل النموذج قابلاً للتفسير: يفهم المحلل أي عامل أثر على التنبؤ، بدلاً من الثقة العمياء بـ "صندوق أسود".

الشبكات العصبية والاقتصاد الكلي: التاريخ

الشبكات العصبية للتنبؤ بالناتج المحلي الإجمالي ليست جديدة. في أواخر القرن العشرين، كان سوانسون وويت من بين الأوائل الذين أثبتوا: تلتقط النماذج غير الخطية بشكل أفضل الدورات الاقتصادية المخفية في البيانات الأمريكية مقارنة بالنماذج الخطية الكلاسيكية. أظهر كوان وليو أن التنظيف المسبق للسلاسل الزمنية قبل إدخالها إلى الشبكة يقلل بشكل كبير من خطأ التنبؤ.

في أوائل العقد الأول من القرن الحادي والعشرين، أكد ماركيليني ونيوسير وفاغنر تفوق الشبكات متعددة الطبقات على ARIMA عند تحليل الناتج المحلي الإجمالي لدول أوروبية على آفاق زمنية طويلة. طور لين وتشن مخطط تبديل الأوزان الذي يسمح للنموذج بالتعرف على فترات الأزمات والتحولات الهيكلية في الاقتصاد. في عام 2024، أجرى تشانج وبيان اختبارات على نطاق واسع على بيانات الاقتصاد الصيني وأكدوا: تعطي دوال التنشيط غير الخطية ميزة مستدامة في تتبع معدلات النمو طويلة الأجل للناتج المحلي الإجمالي.

"تنضغط أربع طبقات مخفية من شبكة غير خطية إلى ستة نيورونات إسقاط وفقًا

لمنهجية البنك الدولي" — هكذا يصف المؤلف القرار المعماري المركزي.

ماذا يعني هذا

يثبت المشروع: لا تتطلب النمذجة الاقتصادية الجدية بنية تحتية مكلفة. إذا تم التفكير في الهندسة المعمارية بعناية، فإن شبكة عصبية للتنبؤ بالناتج المحلي الإجمالي تتسع في 32 كيلوبايت وتعمل على لوحة بسعر 400 روبل. بالنسبة لمطوري الأنظمة المدمجة، هذا إشارة مباشرة: الحدود بين الذكاء الاصطناعي الاقتصادي الكلي والحوسبة الحدية أرق مما يُعتقد عادةً.