MetaNCA يعلّم الشبكات العصبية التنظيم الذاتي دون الانتشار الخلفي للأخطاء
MetaNCA إطار جديد للتعلّم الفوقي (meta-learning) مستلهم من الخلايا العصبية البيولوجية. تولّد القواعد المحلية المتعلَّمة بنفسها أوزان شبكات MLP وCNN وResNet، دون backpropagation في مرحلة الاستدلال. يتوسع النظام ليشمل شبكات بحجم 2 مليون معامل، ويعمّم على معماريات لم يرها أثناء التدريب الفوقي. ويعزز تنوع المعماريات خلال التدريب هذه القدرة على التعميم.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.LG؛ بتحرير Hamidun News
نشر باحثون في يوليو 2026 على arXiv ورقة بحثية عن MetaNCA، وهو إطار Meta Neural Cellular Automata الذي يدرّب قواعد محلية على تنظيم أوزان الشبكات العصبية الاصطناعية ذاتيًا. وبعد التدريب الفوقي، يولّد النظام أوزانًا لشبكات MLP وCNN وResNet دون أي خطوة backpropagation واحدة، ويعمّم على معماريات لم يرها أثناء التدريب.
من أين جاءت الفكرة
التنظيم الذاتي خاصية جوهرية في الأنظمة الحية. فالخلايا العصبية البيولوجية تتبادل الإشارات عبر المشابك العصبية، وتكيّف روابطها طوال حياة الكائن الحي اعتمادًا على المعلومات المحلية وحدها. لا توجد إشارة خطأ عامة، بل تفاعلات محلية فقط، ومنها ينبثق الذكاء.
أظهرت الخلايا الآلية العصبية (NCA) بالفعل قدرتها على نمذجة التخلّق الشكلي (morphogenesis) عبر قواعد تحديث محلية بسيطة، وهي مقاومة للتكرار المتعدد وللاضطرابات العشوائية. أخذ مؤلفو MetaNCA هذا النموذج وطبّقوه لا على تطور الشكل البيولوجي، بل على توليد أوزان الشبكات العصبية الاصطناعية.
كيف يعمل MetaNCA
يتألف الإطار من مكوّنين. الأول هو شبكة القواعد (rule network)، وتحدّث بصورة تكرارية معاملات المكوّن الثاني، أي الشبكة المستهدفة (task network). يجري التفاعل محليًا فقط: يُحدَّث كل وزن بناءً على معلومات من الأوزان المجاورة والحالات المخفية، دون الوصول إلى البنية العامة للشبكة.
ولتنفيذ هذه الفكرة، طوّر المؤلفون معمارية جديدة هي Weight Transformer. وتستخدم الانتباه الخطي (linear attention) لتجميع الإشارات من الجيران في الرسم البياني الحسابي. وبعد انتهاء التدريب الفوقي، تستطيع شبكة القواعد توليد أوزان لمعماريات جديدة كليًا، دون هبوط تدرجي (gradient descent) إضافي.
أبرز الحقائق:
- معمارية شبكة القواعد: Weight Transformer بانتباه خطي
- المعماريات المختبَرة: MLP وCNN وResNet
- مجموعات البيانات: MNIST وCIFAR-100
- أقصى حجم: شبكات حتى 2 مليون معامل
- التعميم: يعمل MetaNCA على معماريات لم تكن ضمن مجموعة التدريب الفوقي
ماذا يستطيع النظام بعد التدريب؟
بعد انتهاء التدريب الفوقي، لا تحتاج شبكة القواعد إلى backpropagation لتوليد أوزان الشبكات الجديدة. وهذا فارق جوهري عن النهج المعتاد، إذ تتطلب كل معمارية جديدة عادةً دورة تدريب كاملة بالهبوط التدرجي. ويستبدل MetaNCA هذه العملية بتطبيق تكراري للقواعد المحلية.
«التنظيم الذاتي خاصية للحياة، ينشأ عن السلوك الجماعي لمكوّنات منفردة
تعمل بالاعتماد على معلومات محلية»، هكذا يصوغ المؤلفون الدافع الرئيسي.
والنتيجة اللافتة بوجه خاص تخص التعميم: فالنموذج المدرَّب على مجموعة من المعماريات المختلفة ينجح في توليد أوزان لتكوينات لم تكن في مجموعة التدريب. كما يبيّن المؤلفون أن تنوع المعماريات في مرحلة التدريب الفوقي يعزز مباشرةً هذه القدرة على النقل.
ما معنى ذلك
يقترح MetaNCA مسارًا بديلًا لتدريب الشبكات العصبية، عبر التنظيم الذاتي المحلي بدلًا من التدرج العام. ورغم أن النظام لم يُختبر حتى الآن إلا على شبكات صغيرة نسبيًا ومجموعات بيانات قياسية، فإن مبدأ التعميم المعماري دون إعادة تدريب خطوة مهمة محتملة نحو شبكات عصبية أكثر مرونة وقدرة على التكيف.
*Meta مصنّفة في روسيا منظمة متطرفة ومحظورة فيها.
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.