كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

متقدمالمعماريات العصبية المتقدمة

شبكات كولموغوروف–أرنولد (KAN)

Kolmogorov–Arnold Networks

شبكات تضع دوال تنشيط قابلة للتعلم (منحنيات B-spline) على الحواف بدلاً من أوزان ثابتة، بينما تجمع العقد مدخلاتها بالجمع فقط، استلهاماً من نظرية تمثيل كولموغوروف–أرنولد.

نظرة عامة

الاسمشبكات كولموغوروف–أرنولد – Kolmogorov–Arnold Networks
سنة الظهور2024
الباحثونZiming Liu، Yixuan Wang، Sachin Vaidya، Fabian Ruehle، James Halverson، Marin Soljačić، Thomas Y. Hou، Max Tegmark
الجهةMIT وآخرون
الورقة الأصليةKAN: Kolmogorov–Arnold networks arXiv
نوع البياناتبيانات جدولية، حقول فيزيائية ودوال
المجالاتالبيانات الجدولية، الحوسبة العلمية
الكلفة الحسابيةأعلى من MLP لكل معامل بسبب حساب دوال الأساس.
حجم البياناتمسائل علمية ومجموعات صغيرة منخفضة الأبعاد.

المشكلة التي تحلها

في MLP تكون دوال التنشيط ثابتة على العقد والأوزان خطية، فيصعب تفسير الدوال المتعلمة. سعى المؤلفون إلى نماذج أكثر قابلية للتفسير ودقة في مسائل علمية منخفضة الأبعاد.

الخلفية والتطور

ما قبلها: الإدراك متعدد الطبقات، نظرية كولموغوروف–أرنولد (1957)

  1. 1957

    نشر كولموغوروف نظرية تمثيل أي دالة مستمرة متعددة المتغيرات بتركيب دوال أحادية المتغير وعملية الجمع. [مرجع]

  2. 2024

    نُشرت KAN على arXiv في أبريل 2024، ثم في ICLR 2025. [مرجع]

الفكرة الأساسية

تنص النظرية على أن $f(x_1,\dots,x_n)=\sum_q\Phi_q\left(\sum_p\phi_{q,p}(x_p)\right)$. تعمّم KAN هذا إلى طبقات أعمق: كل حافة تحمل دالة أحادية المتغير $\phi(x)$ تمثَّل كمجموع لدوال أساس B-spline بمعاملات متعلمة (مع دالة أساس SiLU)، وكل عقدة تجمع ما يصلها. يمكن رسم كل دالة حافة ومحاولة مطابقتها بصيغة رمزية.

مثال: لتعلم $f(x,y)=\exp(\sin(\pi x)+y^2)$ يمكن لشبكة KAN بشكل [2,1,1] أن تتعلم حوافاً تشبه $\sin(\pi x)$ و$y^2$ ثم $\exp$، فتظهر البنية الرمزية في الرسوم.

المخطط التفاعلي

مخطط توضيحي مبسّط بأبعاد مثال صغير، وليس رسماً مطابقاً لكل تفاصيل التنفيذ الأصلي. اضغط أي طبقة لترى وظيفتها وأبعادها والعملية الرياضية.

اختر طبقة من المخطط.

المكونات

المكوّنالوظيفة
Inputمتغيرات عددية منخفضة الأبعاد
Learnable edge functions$\phi(x)=w_b\,\mathrm{silu}(x)+w_s\sum_i c_iB_i(x)$
Spline gridشبكة عقد G ودرجة k (عادة 3)
Node summationالعقدة تجمع مدخلاتها فقط
Grid extensionتكثيف الشبكة أثناء التدريب
Pruning / Symbolic regressionتقليم الحواف ومطابقة الدوال برموز

المعادلات

1. نظرية تمثيل كولموغوروف–أرنولد

$$f(x_1,\dots,x_n)=\sum_{q=1}^{2n+1}\Phi_q\!\left(\sum_{p=1}^{n}\phi_{q,p}(x_p)\right)$$

الرموز
$\phi_{q,p}$دوال داخلية أحادية المتغير
$\Phi_q$دوال خارجية أحادية المتغير
الأبعاد
لـ $n$ متغيرات تكفي $2n+1$ دالة خارجية
مثال عددي
لـ $n=2$ يكفي 5 حدود خارجية.
علاقتها بالمعمارية
الأساس النظري، مع ملاحظة أن الدوال في النظرية قد تكون غير ملساء جداً.

2. طبقة KAN

$$x_{l+1,j}=\sum_{i=1}^{n_l}\phi_{l,j,i}(x_{l,i}),\qquad \phi(x)=w_b\,\mathrm{silu}(x)+w_s\sum_{m=1}^{G+k}c_m B_m(x)$$

الرموز
$B_m$دوال أساس B-spline
$G$عدد فترات الشبكة
$k$درجة spline
$c_m$معاملات متعلمة
الأبعاد
معاملات الطبقة نحو $n_l\,n_{l+1}(G+k+2)$
مثال عددي
طبقة [2→5] مع $G=5,k=3$: كل حافة لها 8 معاملات spline + وزنان ⇒ $10\times10=100$ معامل.
علاقتها بالمعمارية
المعاملات أكثر لكل حافة من MLP، لكن الشبكة قد تكون أصغر.

3. دوال B-spline (تكرار Cox–de Boor)

$$B_{i,0}(x)=\mathbf{1}[t_i\le x<t_{i+1}],\quad B_{i,k}(x)=\frac{x-t_i}{t_{i+k}-t_i}B_{i,k-1}(x)+\frac{t_{i+k+1}-x}{t_{i+k+1}-t_{i+1}}B_{i+1,k-1}(x)$$

الرموز
$t_i$عقد الشبكة
الأبعاد
قيمة قياسية لكل $x$
مثال عددي
مع عقد منتظمة وخطوة 1، تكون $B_{i,1}$ "قبعة" مثلثية قمتها 1.
علاقتها بالمعمارية
تجعل الدالة محلية: تغيير معامل يؤثر في جزء صغير فقط من المجال.

آلية العمل خطوة بخطوة

  1. تُحدد شبكة spline لكل حافة على مدى الدخل.
  2. تُحسب قيم دوال الأساس لكل دخل.
  3. تُحسب دالة كل حافة ثم تُجمع عند العقد.
  4. تتكرر الطبقات.
  5. تُدرّب المعاملات بالانحدار مع تنظيم للتقليم.
  6. يمكن تكثيف الشبكة ومطابقة الدوال بصيغ رمزية.

المزايا والقيود

المزايا

  • قابلية تفسير أعلى في المسائل منخفضة الأبعاد.
  • دقة جيدة في تقريب الدوال الملساء والمعادلات العلمية حسب تجارب المؤلفين.
  • إمكانية استخراج صيغ رمزية.

القيود

  • أبطأ تدريباً من MLP بالمعاملات نفسها في التنفيذات الحالية.
  • الأفضلية على MLP ليست عامة؛ دراسات لاحقة وجدت نتائج متباينة حسب المهمة.
  • ما زالت معمارية بحثية حديثة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • اكتشاف علاقات رمزية في بيانات علمية.
  • تقريب دوال ملساء منخفضة الأبعاد مع رغبة في التفسير.

لا تناسب

  • الصور والنصوص عالية الأبعاد دون دمج مع معماريات أخرى.
  • حين تكون السرعة أولوية.

التطبيقات

المجالالاستخدام
الحوسبة العلميةتقريب حلول المعادلات واكتشاف القوانين الرمزية.
البيانات الجدوليةنماذج قابلة للتفسير على بيانات جدولية صغيرة.

كود PyTorch

كود تعليمي مبسّط يعمل على بيانات اصطناعية صغيرة، يغطي: الاستيراد، وتعريف النموذج، والبيانات، والتمرير الأمامي، والخسارة، والمُحسِّن، وحلقة التدريب، والتقييم، والاستدلال. ليس التنفيذ الكامل للبحث الأصلي.

التنفيذ الرسمي للمؤلفين هو مكتبة pykan؛ هذا الكود تعليمي يوضح طبقة KAN بدوال B-spline دون تكثيف الشبكة أو التقليم أو المطابقة الرمزية.

Python (PyTorch)
# Kolmogorov–Arnold Network (KAN) بـ B-splines — تنفيذ تعليمي
# مثال تعليمي مبسّط بـ PyTorch (ليس التنفيذ الأصلي الكامل للبحث): بيانات اصطناعية صغيرة،
# يعمل على المعالج المركزي (CPU) خلال ثوانٍ. الأرقام التي يطبعها تخص هذا المثال فقط.
# 1) استيراد المكتبات
import torch
import torch.nn as nn
import torch.nn.functional as F

torch.manual_seed(0)

# 2) تعريف النموذج
class KANLayer(nn.Module):
    def __init__(self, n_in, n_out, G=5, k=3, lo=-1.0, hi=1.0):
        super().__init__()
        h = (hi - lo) / G
        self.register_buffer('t', torch.arange(-k, G + k + 1) * h + lo)      # عقد ممتدة
        self.k = k
        self.c = nn.Parameter(torch.randn(n_out, n_in, G + k) * 0.1)        # معاملات spline
        self.wb = nn.Parameter(torch.ones(n_out, n_in) * 0.5)               # وزن الأساس silu
    def bsplines(self, x):                                                  # x: B×n_in → B×n_in×(G+k)
        x = x.unsqueeze(-1); t = self.t
        Bk = ((x >= t[:-1]) & (x < t[1:])).float()
        for p in range(1, self.k + 1):
            Bk = (x - t[:-(p + 1)]) / (t[p:-1] - t[:-(p + 1)]) * Bk[..., :-1] + \
                 (t[p + 1:] - x) / (t[p + 1:] - t[1:-p]) * Bk[..., 1:]
        return Bk
    def forward(self, x):
        spline = torch.einsum('bim,oim->bo', self.bsplines(x), self.c)       # Σ_i Σ_m c B(x_i)
        base = F.silu(x) @ self.wb.T
        return base + spline

class KAN(nn.Module):
    def __init__(self, width=(2, 5, 1), G=5):
        super().__init__()
        self.layers = nn.ModuleList([KANLayer(a, b, G) for a, b in zip(width[:-1], width[1:])])
    def forward(self, x):
        for i, l in enumerate(self.layers):
            x = l(x)
            if i < len(self.layers) - 1:
                x = torch.tanh(x)            # إبقاء المدخلات داخل مدى الشبكة [-1, 1] (تبسيط تعليمي)
        return x

# 3) إعداد البيانات
# f(x, y) = exp(sin(πx) + y²) مطبّعة، x, y ∈ [-1, 1]
def f(X):
    return torch.exp(torch.sin(torch.pi * X[:, :1]) + X[:, 1:] ** 2) / 3.0
X = torch.rand(1000, 2) * 2 - 1
Y = f(X)
X_train, y_train, X_test, y_test = X[:800], Y[:800], X[800:], Y[800:]
model = KAN()

# 4) دالة الخسارة والمحسّن
loss_fn = nn.MSELoss()
opt = torch.optim.Adam(model.parameters(), lr=2e-2)

# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 60, 64
for epoch in range(EPOCHS):
    model.train()
    perm = torch.randperm(len(X_train))
    total = 0.0
    for i in range(0, len(X_train), BATCH):
        idx = perm[i:i + BATCH]
        xb, yb = X_train[idx], y_train[idx]
        out = model(xb)                       # Forward Pass
        loss = loss_fn(out, yb)
        opt.zero_grad()
        loss.backward()                    # Backpropagation
        opt.step()
        total += loss.item() * len(idx)
    if epoch % max(1, EPOCHS // 4) == 0 or epoch == EPOCHS - 1:
        print(f"epoch {epoch:3d}  loss={total / len(X_train):.4f}")

# 6) التقييم (Evaluation)
model.eval()
with torch.no_grad():
    xb = X_test
    out = model(xb)
    mse = F.mse_loss(out, y_test).item()
    print(f"test MSE = {mse:.4f}")

# 7) الاستدلال (Inference) على عيّنة جديدة
with torch.no_grad():
    xb = X_test[:1]
    out = model(xb)
    print("prediction:", out.squeeze().tolist())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 3.8 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test MSE = 0.0000

عدد المعاملات القابلة للتدريب في المثال: model = 135.

هذه النتائج لبيانات اصطناعية صغيرة وعدد حقب قليل، وتُثبت أن الكود يعمل فقط؛ لا تقارنها بالنتائج المنشورة.

جرّب وتعمّق

معماريات مرتبطة

مبتدئ1986

الإدراك متعدد الطبقات

Multilayer Perceptron (MLP)

شبكة من طبقات خطية متتالية تفصل بينها دوال تنشيط غير خطية، وهي اللبنة الأولى التي تُبنى عليها معظم المعماريات الحديثة.

الأساسيات

متوسط2019

الشبكات العصبية المستندة إلى الفيزياء

Physics-Informed Neural Networks (PINN)

شبكة تقرّب حل معادلة تفاضلية جزئية u_θ(x,t)، وتُدرَّب بخسارة تجمع باقي المعادلة (محسوباً بالاشتقاق التلقائي) مع الشروط الابتدائية والحدية وأي قياسات متاحة، فتحل مسائل أم…

الشبكات العصبية المستندة إلى الفيزياء

بحثي2023

المؤثرات العصبية

Neural Operators (NO)

عائلة معماريات تتعلم مؤثرات بين فضاءات دوال لا بين متجهات بأبعاد ثابتة، بتكديس طبقات خطية نقطية مع مؤثرات تكاملية بنوى متعلَّمة، فتكون مستقلة عن التقطيع (discretization-…

الشبكات العصبية المستندة إلى الفيزياء

أفكار بحثية

  • مقارنة KAN مع MLP بالعدد نفسه من المعاملات على مسائل PDE مع قياس الزمن والدقة.
  • استخدام KAN كرأس تصنيف قابل للتفسير فوق سمات CNN في صور طبية.

اقتراحات للانطلاق وليست فجوات بحثية مؤكدة؛ راجع الأدبيات الحديثة قبل اعتمادها.

اختبر فهمك

  1. مفهوم

    أين توجد الدوال القابلة للتعلم في KAN؟

  2. مفهوم

    ما الأساس النظري الذي استلهمته KAN؟

  3. مقارنة

    ما العبارة الأدق عن مقارنة KAN مع MLP؟

المراجع

  1. Liu, Z., Wang, Y., Vaidya, S., Ruehle, F., Halverson, J., Soljačić, M., Hou, T. Y., & Tegmark, M. (2025). KAN: Kolmogorov–Arnold networks. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/2404.19756

    arXivتحقق آلي عبر OpenAlex/arXiv – 2026-11-20

  2. Kolmogorov, A. N. (1957). On the representation of continuous functions of many variables by superposition of continuous functions of one variable and addition. Doklady Akademii Nauk SSSR, 114(5), 953–956 (in Russian). English translation: American Mathematical Society Translations, Series 2, 28, 55–59 (1963). https://doi.org/10.1090/trans2/028/04

    DOIتحقق آلي عبر Crossref – 2026-11-20DOI of the 1963 English translation

  3. Cybenko, G. (1989). Approximation by superpositions of a sigmoidal function. Mathematics of Control, Signals and Systems, 2(4), 303–314. https://doi.org/10.1007/BF02551274

    DOIتحقق آلي عبر Crossref – 2026-11-20