NVIDIA BioNeMo تتيح ضبط نماذج الذكاء الاصطناعي البيولوجية بتقنية LoRA في غضون ساعات
أطلقت NVIDIA حزمة BioNeMo Recipes، وهي مسارات عمل جاهزة لضبط نماذج الذكاء الاصطناعي البيولوجية التأسيسية بتقنية LoRA. وتدعم الحزمة نموذجين رئيسيين: ESM2 للبروتينات وEvo 2 للحمض النووي (DNA). تقوم LoRA بتجميد معظم الأوزان وتحديث مصفوفات صغيرة فقط، ما يخفض عدد المعاملات القابلة للتدريب بنسبة 90–99%. وبذلك بات نموذج ESM2 بحجم 3 مليارات معامل يعمل على وحدة GPU واحدة أو اثنتين بدلًا من عشرات وحدات A100.
معالج بواسطة الذكاء الاصطناعي من NVIDIA Developer Blog؛ بتحرير Hamidun News
أطلقت NVIDIA BioNeMo مجموعة من «الوصفات» الجاهزة لضبط النماذج البيولوجية التأسيسية بتقنية LoRA (التكيّف منخفض الرتبة، Low-Rank Adaptation). وتتيح هذه الأدوات لفرق الباحثين تكييف نماذج لغوية كبيرة خاصة بالبروتينات والحمض النووي (DNA) مع مهام علمية محددة، دون الحاجة إلى موارد الحواسيب العملاقة.
النماذج التأسيسية في علم الأحياء
يمر علم الأحياء الحسابي بتحول يشبه ما شهده مجال معالجة اللغات الطبيعية (NLP) مع ظهور BERT. فالنماذج المدرَّبة مسبقًا على مليارات التسلسلات البيولوجية ترصد أنماطًا إحصائية يصعب وصفها بالقواعد الكلاسيكية، لكن المحوّلات (Transformers) تلتقطها بكفاءة.
تعمل BioNeMo Recipes مع نموذجين رئيسيين. ESM2 نموذج لغوي للبروتينات من Meta*، جرى تدريبه على UniRef50. وقد حلّل مئات الملايين من تسلسلات الأحماض الأمينية، وتعلّم التنبؤ بالخصائص البنيوية والوظيفية للبروتينات، وتتراوح إصداراته بين 8 ملايين و15 مليار معامل. أما Evo 2 فهو نموذج لغوي للحمض النووي (DNA) من Arc Institute، دُرّب على 9,3 تريليون نيوكليوتيد من جينومات 128 000 نوع. ويتنبأ بالعناصر التنظيمية الوظيفية، ويحاكي عواقب الطفرات الجينومية.
يتكيّف كلا النوعين من النماذج جيدًا مع المهام المتخصصة، مثل توصيف وظائف البروتينات، والتنبؤ بالتموضع داخل الخلية، وتقييم قابلية المتغيرات الجينية للإمراض. غير أن إعادة تدريب هذه النماذج بالكامل مكلفة وتستغرق وقتًا طويلًا.
لماذا تغيّر LoRA الحسابات؟
بدلًا من تحديث جميع الأوزان، تضيف LoRA إلى طبقات المحوّل مصفوفات صغيرة منخفضة الرتبة، وتبقى بقية المعاملات مجمّدة. وتخضع هذه الإضافات الصغيرة وحدها للانتشار الخلفي للخطأ. وفيما يلي أبرز الأرقام الخاصة بالنماذج البيولوجية:
- ينخفض عدد المعاملات القابلة للتدريب بنسبة 90–99%
- يعمل ESM2 بحجم 3 مليارات معامل مع LoRA على وحدة GPU واحدة أو اثنتين بدلًا من عشرات وحدات A100
- تنخفض تكلفة التجربة من آلاف الدولارات إلى بضعة دولارات لكل ساعة GPU
- تتقلص مدة التدريب من أسابيع إلى بضع ساعات
- تقارب جودة النتائج في المهام شديدة التخصص ما يحققه الضبط الكامل
وهذا أمر بالغ الأهمية في علم الأحياء، إذ غالبًا ما تكون مجموعات البيانات المخبرية صغيرة، من مئات الأمثلة أو آلافها. وإعادة تدريب نموذج كبير بالكامل على حجم كهذا تؤدي إلى فقدان القدرة على التعميم، بينما تتعامل LoRA، بعدد ضئيل من المعاملات الجديدة، مع هذه الحالة بصورة أفضل بكثير.
ما الذي تتضمنه BioNeMo Recipes؟
BioNeMo Recipes هي مسارات عمل جاهزة قائمة على ملفات التهيئة، ومزوّدة بالوثائق والأمثلة والاختبارات. يختار الباحث النموذج والمهمة ومجموعة البيانات، ثم تضبط الوصفة تلقائيًا المعاملات الفائقة (hyperparameters)، وتهيّئ تحميل الأوزان والتسجيل. وتشمل الأدوات:
- دعم LoRA والضبط الكامل لنموذجي ESM2 وEvo 2
- التكامل مع NVIDIA NeMo Framework وبنية DGX التحتية
- صيغ جاهزة لمجموعات بيانات البروتينات والجينومات
- التسجيل عبر Weights & Biases ونقاط حفظ تلقائية (checkpoints)
الجمهور المستهدف هو المجموعات الطبية الحيوية وشركات الأدوية التي تحتاج إلى تخصيص النموذج لكائن حي بعينه أو نوع بروتين محدد أو مرض معيّن. ومن المهام النموذجية: التنبؤ بسمّية البروتينات العلاجية، والبحث عن المواقع الوظيفية في الجينوم، وتقييم قابلية المتغيرات النادرة للإمراض، وتصميم إنزيمات بخصائص محددة.
ماذا يعني ذلك؟
تخفض BioNeMo Recipes عتبة الدخول أمام الفرق التي لا تملك بنية تحتية كبيرة للتعلم الآلي (ML). فبات بإمكان مختبر أدوية أو مجموعة أكاديمية تملك وحدتي GPU تخصيص نموذج تأسيسي وفق ظروفها. ويسرّع ذلك الطريق من الفرضية العلمية إلى الأداة الحسابية، وفي المستقبل من الاكتشاف إلى العلاج.
*Meta مصنّفة في روسيا منظمة متطرفة ومحظورة في الاتحاد الروسي.
- 26 أكتوبر 2026DSReg تربط المتغيرات الكامنة في JEPA بالأسباب الحقيقية للبيانات
- 26 أكتوبر 2026Alibaba تطرح الجيل الثاني من نظارات Qwen بسعر يبدأ من $450
- 26 أكتوبر 2026Anthropic تستبدل Git بنظامها Scion: 7 مهندسين وClaude في 5 أشهر
- 26 أكتوبر 2026TechCrunch تجمع وكلاء ذكاء اصطناعي للرسائل النصية: من المساعدين الشخصيين إلى وكلاء العائلة والعمل
أسئلة وأجوبة حول الخبر
لماذا تغيّر LoRA الحسابات؟
بدلًا من تحديث جميع الأوزان، تضيف LoRA إلى طبقات المحوّل مصفوفات صغيرة منخفضة الرتبة، وتبقى بقية المعاملات مجمّدة. وتخضع هذه الإضافات الصغيرة وحدها للانتشار الخلفي للخطأ. وفيما يلي أبرز الأرقام الخاصة بالنماذج البيولوجية: ينخفض عدد المعاملات القابلة للتدريب بنسبة 90–99% يعمل ESM2 بحجم 3 مليارات معامل مع LoRA على وحدة GPU واحدة أو اثنتين بدلًا من عشرات وحدات A100 تنخفض تكلفة التجربة من آلاف الدولارات إلى بضعة دولارات لكل ساعة GPU تتقلص مدة التدريب من أسابيع إلى بضع ساعات تقارب جودة النتائج في المهام شديدة التخصص ما يحققه الضبط الكامل وهذا أمر بالغ الأهمية في علم الأحياء، إذ
ما الذي تتضمنه BioNeMo Recipes؟
BioNeMo Recipes هي مسارات عمل جاهزة قائمة على ملفات التهيئة، ومزوّدة بالوثائق والأمثلة والاختبارات. يختار الباحث النموذج والمهمة ومجموعة البيانات، ثم تضبط الوصفة تلقائيًا المعاملات الفائقة (hyperparameters)، وتهيّئ تحميل الأوزان والتسجيل. وتشمل الأدوات: دعم LoRA والضبط الكامل لنموذجي ESM2 وEvo 2 التكامل مع NVIDIA NeMo Framework وبنية DGX التحتية صيغ جاهزة لمجموعات بيانات البروتينات والجينومات التسجيل عبر Weights & Biases ونقاط حفظ تلقائية (checkpoints) الجمهور المستهدف هو المجموعات الطبية الحيوية وشركات الأدوية التي تحتاج إلى تخصيص النموذج لكائن حي بعينه أو نوع بروتين محدد
ماذا يعني ذلك؟
تخفض BioNeMo Recipes عتبة الدخول أمام الفرق التي لا تملك بنية تحتية كبيرة للتعلم الآلي (ML). فبات بإمكان مختبر أدوية أو مجموعة أكاديمية تملك وحدتي GPU تخصيص نموذج تأسيسي وفق ظروفها. ويسرّع ذلك الطريق من الفرضية العلمية إلى الأداة الحسابية، وفي المستقبل من الاكتشاف إلى العلاج. Meta مصنّفة في روسيا منظمة متطرفة ومحظورة في الاتحاد الروسي.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.