KANLab: نسخة مشتقة من TensorFlow Playground تعرض تدريب شبكات KAN داخل المتصفح

أصدر الباحثون Lukas Niehaus وRobin Rawiel وUlf Krumnack أداة KANLab، وهي أداة تفاعلية في المتصفح لتدريب شبكات كولموغوروف–أرنولد (KAN). والأداة نسخة مشتقة مباشرة من TensorFlow Playground، بيئة التجريب المعروفة لدى كثيرين من دورات تعلّم الآلة. تتدرب شبكة KAN صغيرة في علامة التبويب المفتوحة، وتُعاد رسم كل دالة تنشيط من نوع B-spline مع كل خطوة من خطوات الانحدار التدريجي. ويصف المشروعَ الإصدارُ الأولي من الورقة arXiv 2610.20117 (14 أكتوبر 2026)، وقد قدّم صاحبها العمل في Hugging Face Daily Papers. الشيفرة مفتوحة بترخيص Apache-2.0.

لماذا يصعب شرح KAN في محاضرة؟

تستند شبكات KAN إلى نظرية كولموغوروف–أرنولد: يمكن بناء أي دالة متصلة متعددة المتغيرات من دوال أحادية المتغير ومن عملية الجمع. في الإدراك الحسي متعدد الطبقات (perceptron) الكلاسيكي تقع الأوزان على الحواف، وتكون اللاخطية ثابتة في العُقد. أما في KAN فالأمر معكوس: تحمل الحواف دوالَّ أحادية المتغير قابلة للتعلّم، وغالبًا ما تكون B-splines. ظهرت هذه البنية عام 2024، وتراكمت حولها منذ ذلك الحين نسخ متعددة وإضافات.

هذه الإضافات تحديدًا هي ما يعيق المدرّس. فالتطبيقات الحديثة لشبكات KAN تتضمن وصلات متبقية (residual) ومعاملات تحجيم قابلة للتعلّم. ولم يعد المنحنى على الحافة مجرد دالة في نقاط التحكم الخاصة به، فيصعب على الطالب أن يربط الصورة بما يجري تحسينه فعلًا.

ماذا أزال المؤلفون ولماذا؟

يتخلى KANLab عمدًا عن الوصلات المتبقية وعن التحجيم القابل للتعلّم معًا. فمنحنى B-spline المعروض هو بالضبط نقاط التحكم القابلة للتعلّم الخاصة به، دون أي مضاعِفات مخفية. وهذا الاختيار يجعل الأداة مبسّطة قياسًا بالتطبيقات الإنتاجية، لكنه ضروري للهدف الرئيسي: أن يرى المستخدم السبب والنتيجة لا مجرد تقريب.

البيئة هي نفسها في TensorFlow Playground: مسألة تصنيف ثنائية الأبعاد مدمجة، يمكن أن تتسع الشبكة كلها على الشاشة وتُتابَع بالعين.

ماذا يمكن فعله في الواجهة؟

يذكر المؤلفون الإمكانات التالية:

• استعراض دوال التنشيط على كل حافة من حواف الشبكة؛
• تعديل التنشيطات يدويًا، مثل سحب نقاط التحكم فرادى؛
• مراقبة كيف يصحح الانحدار التدريجي التدخل اليدوي ويعيد المنحنى إلى الوضع الأمثل؛
• اختيار مخططات التهيئة (initialization) ومقارنة تأثيرها في بداية التدريب؛
• دراسة تباين التنشيطات؛
• إجراء تقليم (pruning) تفاعلي، أي حذف حواف من الشبكة؛
• إعادة تدريب الشبكة بعد التقليم ومعرفة ما تبقّى منها.

وفي بيئة كهذه يسهل عرض التقليم وإعادة التدريب بصريًا. فالطالب يرى أي الحواف تحمل العبء، وأيها تحولت إلى منحنيات شبه مسطحة. ويمكن اختبار كيفية تعافي الشبكة بعد إفساد أحد التنشيطات يدويًا في دقيقة واحدة، دون Python ودون GPU.

أين تجد الأداة ولمن تفيد؟

الأداة متاحة على العنوان kanlab.app، ويتوفر عرض تجريبي في Space على Hugging Face (luniehaus/kanlab) ومستودع على GitHub (lniehaus/kanlab). وقت النشر كان للمستودع نحو أربع نجوم، وللورقة تصويت إيجابي (upvote) واحد. المشروع حديث جدًا، وهو تعليمي في المقام الأول.

الفائدة العملية هنا متواضعة وواقعية. فبالنسبة إلى مدرّسي دورات التعلّم العميق، يوفر KANLab عرضًا جاهزًا لمحاضرة أو ندوة: يمكن تشغيله في أي متصفح، ويتيح ترخيص Apache-2.0 تعديله ودمجه في المواد التعليمية الخاصة. أما الباحثون الذين يدخلون موضوع KAN للتو، فيساعدهم على بناء حدس سريع بدور نقاط التحكم والتهيئة والتقليم، قبل الانتقال إلى المكتبات ذات المجموعة الكاملة من التعقيدات. الأداة غير مخصصة للمهام الواقعية: فمجموعات البيانات التجريبية ثنائية الأبعاد والبنية المبسطة لا تكشف شيئًا عن جودة KAN على البيانات الكبيرة. ويطلب المؤلفون ملاحظات المستخدمين، خاصة من أولئك الذين يُدرجون KAN في المناهج التعليمية بالفعل، ويمكن ترك الملاحظات في المستودع أو أسفل الورقة على Hugging Face.