Meta FAIR تطلق NeuralSet: حزمة Python لربط البيانات العصبية بنماذج الذكاء الاصطناعي

أطلقت Meta FAIR حزمة NeuralSet، وهي حزمة Python لأبحاث Neuro-AI، تجمع في مسار عمل واحد البيانات العصبية والمنبهات التجريبية وتمثيلات (embeddings) النماذج الحديثة. ويُفترض بالمشروع أن يزيل الربط اليدوي بين أدوات علم الأعصاب ومنظومة التعلم العميق، وهو ربط ظل حتى الآن يعطّل الأبحاث الكبيرة.

ما المشكلة؟

تتوافر في علم الأعصاب منذ زمن طويل أدوات متخصصة قوية، مثل MNE-Python وNilearn وEEGLAB وFieldTrip وfMRIPrep. غير أن معظم هذه المنظومة ظهر قبل طفرة التعلم العميق، وصُمّم لسيناريوهات تُحمَّل فيها البيانات كاملة في الذاكرة وتُعالَج فيها كل وسيلة (modality) على حدة. ولم يعد ذلك كافيًا لمهام Neuro-AI الحديثة: فالباحثون يحتاجون إلى ربط إشارات الدماغ ليس ببعضها فحسب، بل أيضًا بالنصوص والصوت والصور والفيديو التي تمرّ عبر نماذج من منظومة Hugging Face.

ولهذا تبني المختبرات غالبًا مسارات معالجة محلية الصنع: تنظّف بيانات fMRI أو EEG على حدة، وتحسب تمثيلات الكلمات أو الإطارات أو الصوت على حدة، ثم تزامن كل شيء زمنيًا بصورة يدوية، وتضبط التخزين المؤقت، وتعيد كتابة البنية التحتية لكل تجربة جديدة. وعندما يتعلق الأمر بمجموعات بيانات عامة بحجم تيرابايتات ومنبهات مستمرة مثل الكلام أو الفيديو، يصبح هذا الأسلوب مرهقًا، بل يعطّل الأبحاث فعليًا.

كيف صُمّمت NeuralSet

تقوم الفكرة الأساسية في NeuralSet على الفصل بين بنية التجربة والاستخراج الثقيل للبيانات. تصف الحزمة أولًا كل ما يحدث بوصفه أحداثًا خفيفة لها نوع ووقت بدء ومدة ومحور زمني مشترك. وتُجمع هذه الأحداث في كائن Study واحد قائم على pandas DataFrame، ما يتيح للباحث تصفية مجموعات البيانات الكبيرة ودمجها وإعادة تركيبها دون تحميل الإشارات الخام في الذاكرة (RAM). ويتوافق هذا النهج أيضًا مع مجموعات بيانات BIDS التي أصبحت معيارًا في جزء من الأبحاث العصبية.

• تدعم الحزمة fMRI وEEG وMEG وiEEG وfNIRS وEMG والنبضات العصبية (spikes)
• تتكامل مع النصوص والصوت والصور والفيديو
• يمكن أخذ التمثيلات (embeddings) من نماذج Hugging Face، بما فيها CLIP وDINOv2 وWhisper وWav2Vec وGPT-2 وLLaMA
• يمكن تحويل التمثيلات الثابتة إلى سلاسل زمنية لمزامنتها مع الإشارات العصبية

بعد ذلك تأتي مكوّنات Extractor. فهي تستخدم للبيانات العصبية مكتبات مجرَّبة بحسب الغرض: فعلى سبيل المثال يعتمد FmriExtractor على Nilearn، بينما يعتمد MegExtractor وEegExtractor على MNE-Python. أما بالنسبة إلى المنبهات، فتبني الحزمة تمثيلات من نماذج حديثة وتحوّلها إلى صيغة زمنية موحّدة. والنتيجة النهائية Dataset وDataLoader قياسيان متوافقان مع PyTorch، يمكن ربطهما مباشرة بتدريب النماذج دون إعادة كتابة المسار لكل وسيلة.

التوسّع دون عناء

تركّز Meta FAIR بصورة خاصة على قابلية إعادة الإنتاج والبنية التحتية. تعتمد NeuralSet في عمل المستخرِجات (extractors) مخططًا من ثلاث مراحل: تُفحص المعلمات أولًا، ثم تُحضَّر الحسابات الثقيلة مسبقًا وتُخزَّن مؤقتًا، وأثناء التدريب تُسحب البيانات من الذاكرة المؤقتة بصورة كسولة. ويهم ذلك في العمليات المكلفة، مثل تمرير مرمّز (encoder) لغوي كبير أو متعدد الوسائط على المدونة بأكملها: فالتمثيلات التي حُسبت مرة واحدة يمكن إعادة استخدامها في تجارب جديدة.

كما تستخدم الحزمة Pydantic للتحقق الصارم من الإعدادات، وواجهة خلفية قائمة على exca للتخزين المؤقت الحتمي وتتبّع أصل الحسابات. وإذا حُدّد معامل بصورة خاطئة، يظهر الخطأ فورًا لا بعد ساعات من الحساب. ويمكن تشغيل الشيفرة نفسها محليًا أولًا على مشارك واحد، ثم نقلها إلى عنقود SLURM بإعداد واحد فقط.

ويؤكد المؤلفون في الورقة العلمية والوثائق أن NeuralSet لا تحل محل MNE-Python أو Nilearn، بل تعمل بوصفها طبقة تنسيق (orchestration) بين أدوات علم الأعصاب الناضجة وPyTorch. وفي المقارنة الواردة في الورقة، كانت الحزمة الحل الوحيد الذي يوفر دعمًا كاملًا في جميع الفئات التي جرى فحصها، بدءًا من أجهزة التسجيل ووصولًا إلى إمكانات البنية التحتية.

ماذا يعني ذلك

NeuralSet ليست نموذجًا جديدًا، بل طبقة بنية تحتية قد تسرّع بصورة ملحوظة فئة كاملة من مشاريع Neuro-AI. وإذا بسّطت الحزمة فعلًا العمل مع البيانات العصبية متعددة الوسائط وتمثيلات النماذج الحديثة، فسيقلّ على الباحثين العمل الهندسي اليدوي، وتزيد فرصهم في بناء تجارب قابلة لإعادة الإنتاج بسرعة أكبر وعلى نطاق واسع.

*تعدّ روسيا شركة Meta منظمة متطرفة وتحظر أنشطتها فيها.