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

متقدمالشبكات الزمنية والمتسلسلةالمعماريات العصبية المتقدمة

الشبكات العصبية السائلة (LNN)

Liquid Neural Networks

شبكات متكررة زمنية مستمرة يتغير فيها ثابت الزمن لكل عصبون حسب الدخل (Liquid Time-Constant)، فتتكيف ديناميكيتها مع البيانات مع عدد عصبونات صغير.

نظرة عامة

الاسمالشبكات العصبية السائلة – Liquid Neural Networks
سنة الظهور2021
الباحثونRamin Hasani، Mathias Lechner، Alexander Amini، Daniela Rus، Radu Grosu
الجهةMIT CSAIL / TU Wien
الورقة الأصليةLiquid time-constant networks DOI arXiv
نوع البياناتتسلسلات وسلاسل زمنية
المجالاتالتنبؤ بالسلاسل الزمنية، الروبوتات

المشكلة التي تحلها

الشبكات المتكررة العادية تتعامل مع الزمن كخطوات متساوية وثوابت زمنية ثابتة، بينما الأنظمة الفيزيائية والتحكم تحتاج ديناميكيات مستمرة متكيفة.

الخلفية والتطور

ما قبلها: الشبكة العصبية المتكررة، المعادلات التفاضلية العصبية

  1. 2021

    قُدمت شبكات LTC في AAAI 2021. [مرجع]

  2. 2022

    قدّم الفريق صيغة مغلقة تقريبية (CfC) تتجنب حلّال المعادلات التفاضلية وتسرّع النموذج. [مرجع]

الفكرة الأساسية

حالة العصبون $x$ تتبع معادلة تفاضلية يكون فيها معدل التسرب $1/\tau+f(x,I)$ معتمداً على الدخل والحالة عبر شبكة صغيرة $f$. لذلك يصبح "ثابت الزمن" الفعلي متغيراً (سائلاً). تُحل المعادلة عددياً بحلّال ضمني مدمج (fused) أو تُقرّب بصيغة مغلقة في CfC.

مثال: في قيادة ذاتية، يتباطأ تفاعل العصبون عندما يكون الطريق مستقيماً ثابتاً، ويتسارع عند ظهور منعطف حاد، لأن ثابت الزمن يتغير مع الدخل.

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
Input sequenceإشارات زمنية
Gating network fشبكة صغيرة تعطي معدلاً موجباً
ODE state x(t)حالة مستمرة
Fused ODE solverخطوة ضمنية-صريحة مستقرة
Readoutطبقة خطية على الحالة

المعادلات

1. معادلة LTC

$$\frac{dx(t)}{dt}=-\left[\frac{1}{\tau}+f\!\left(x(t),I(t);\theta\right)\right]x(t)+f\!\left(x(t),I(t);\theta\right)A$$

الرموز
$\tau$ثابت زمن أساسي
$f$شبكة غير سالبة
$A$متجه انحياز (جهد عكسي)
الأبعاد
$x\in\mathbb{R}^{h}$
مثال عددي
إذا كانت $f=0$ تتلاشى الحالة بثابت $\tau$؛ إذا كانت $f=1$ و$\tau=1$ يصبح المعدل الفعلي 2 وتقترب الحالة من $A/2$.
علاقتها بالمعمارية
ثابت الزمن الفعلي $\tau/(1+\tau f)$ يتغير مع الدخل.

2. خطوة الحلّال المدمج

$$x(t+\Delta t)=\frac{x(t)+\Delta t\,f(x(t),I(t))\,A}{1+\Delta t\left(\frac{1}{\tau}+f(x(t),I(t))\right)}$$

الرموز
$\Delta t$خطوة التكامل
الأبعاد
$x\in\mathbb{R}^{h}$
مثال عددي
$x=0$، $f=1$، $A=1$، $\tau=1$، $\Delta t=0.5$ ⇒ $x=0.5/2=0.25$.
علاقتها بالمعمارية
خطوة شبه ضمنية مستقرة عددياً حسب البحث.

آلية العمل خطوة بخطوة

  1. تُقسم كل خطوة زمنية إلى عدة خطوات تكامل صغيرة.
  2. تُحسب البوابة f من الحالة والدخل.
  3. تُحدّث الحالة بالحلّال المدمج.
  4. تُقرأ الحالة الأخيرة أو كل الحالات بطبقة خطية.
  5. يتم التدريب بالانتشار العكسي عبر الزمن.

المزايا والقيود

المزايا

  • عدد عصبونات صغير ونماذج مدمجة.
  • سلوك مستقر ومحدود نظرياً حسب المؤلفين.
  • مناسبة للتحكم والسلاسل غير منتظمة الزمن.

القيود

  • أبطأ من RNN العادية بسبب خطوات الحلّال (حسّنته CfC).
  • أدوات وتجارب أقل انتشاراً.

متى تُستخدم؟ ومتى لا؟

تناسب

  • تحكم الروبوتات والسيارات.
  • سلاسل زمنية بفواصل غير منتظمة.

لا تناسب

  • النصوص الطويلة حيث تفوقت Transformers وSSM.

التطبيقات

المجالالاستخدام
الروبوتاتالتحكم في القيادة الذاتية والطائرات المسيّرة.
التنبؤ بالسلاسل الزمنيةالتنبؤ بسلاسل فيزيائية وحيوية.

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.

Python (PyTorch)
# Liquid Time-Constant (LTC) Network — 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 LTCCell(nn.Module):
    def __init__(self, d_in, h, tau=1.0, unfolds=4, dt=0.25):
        super().__init__()
        self.f = nn.Linear(d_in + h, h)                     # شبكة البوابة
        self.A = nn.Parameter(torch.randn(h) * 0.5)
        self.tau, self.unfolds, self.dt = tau, unfolds, dt
    def forward(self, I, x):
        for _ in range(self.unfolds):                       # خطوات الحلّال المدمج
            f = torch.sigmoid(self.f(torch.cat([I, x], 1)))
            x = (x + self.dt * f * self.A) / (1 + self.dt * (1 / self.tau + f))
        return x

class LTCNet(nn.Module):
    def __init__(self, d_in=1, h=16):
        super().__init__()
        self.cell, self.h, self.out = LTCCell(d_in, h), h, nn.Linear(h, 1)
    def forward(self, seq):                                 # B×T×d
        x = torch.zeros(seq.shape[0], self.h)
        for t in range(seq.shape[1]):
            x = self.cell(seq[:, t], x)
        return self.out(x)

# 3) إعداد البيانات
# التنبؤ بالقيمة التالية لموجة جيبية مشوشة بتردد متغير
def make(n, T=20):
    w = torch.rand(n, 1) * 0.4 + 0.2
    t0 = torch.rand(n, 1) * 6
    t = t0 + torch.arange(T + 1).float()
    s = torch.sin(w * t) + 0.05 * torch.randn(n, T + 1)
    return s[:, :T, None], s[:, T:]
X_train, y_train = make(600)
X_test, y_test = make(150)
model = LTCNet()

# 4) دالة الخسارة والمحسّن
loss_fn = nn.MSELoss()
opt = torch.optim.Adam(model.parameters(), lr=1e-2)

# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 12, 32
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 5.4 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test MSE = 0.0399

عدد المعاملات القابلة للتدريب في المثال: model = 321.

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

جرّب وتعمّق

معماريات مرتبطة

متقدم2018

المعادلات التفاضلية العصبية

Neural Ordinary Differential Equations (Neural ODE)

تُعرّف الحالة المخفية بمعادلة تفاضلية مستمرة تُعطى مشتقتها بشبكة عصبية، ويُحسب الخرج بحلّال عددي، فتصبح الشبكة "مستمرة العمق".

الشبكات الزمنية والمتسلسلةالشبكات العصبية المستندة إلى الفيزياء

مبتدئ1990

الشبكة العصبية المتكررة

Recurrent Neural Network (RNN)

شبكة تعالج التسلسل عنصراً بعنصر وتحمل حالة مخفية تنقل المعلومات من الخطوات السابقة، باستخدام الأوزان نفسها في كل خطوة.

الشبكات الزمنية والمتسلسلة

متوسط1997

الشبكات العصبية النبضية

Spiking Neural Networks (SNN)

شبكات تتواصل عصبوناتها بنبضات ثنائية متقطعة في الزمن، مثل الدماغ. يتراكم الجهد الغشائي ويُطلق نبضة عند تجاوز العتبة، ثم يُعاد ضبطه.

المعماريات العصبية المتقدمة

متقدم2022

نماذج فضاء الحالة

Structured State Space Models (SSM / S4)

طبقات تسلسلية مبنية على نموذج فضاء الحالة الخطي المستمر، تُقطَّع زمنياً ويمكن حسابها كتكرار سريع في الاستدلال أو كالتفاف طويل متوازٍ في التدريب، مع تهيئة خاصة (HiPPO) لح…

الشبكات الزمنية والمتسلسلة

أفكار بحثية

  • مقارنة LTC وCfC وGRU على سلاسل طبية غير منتظمة الزمن (مثل العلامات الحيوية في العناية المركزة).

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

اختبر فهمك

  1. مفهوم

    ما معنى "سائل" في Liquid Time-Constant؟

  2. مقارنة

    ما الذي قدمته CfC (2022) مقارنة بـ LTC؟

  3. رياضي

    إذا كانت $f=0$ دائماً، كيف تتصرف حالة LTC دون دخل؟

المراجع

  1. Hasani, R., Lechner, M., Amini, A., Rus, D., & Grosu, R. (2021). Liquid time-constant networks. Proceedings of the AAAI Conference on Artificial Intelligence, 35(9), 7657–7666. https://doi.org/10.1609/aaai.v35i9.16936

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  2. Hasani, R., Lechner, M., Amini, A., Liebenwein, L., Ray, A., Tschaikowski, M., Teschl, G., & Rus, D. (2022). Closed-form continuous-time neural networks. Nature Machine Intelligence, 4, 992–1003. https://doi.org/10.1038/s42256-022-00556-7

    DOIتحقق آلي عبر Crossref – 2026-11-20

  3. Chen, R. T. Q., Rubanova, Y., Bettencourt, J., & Duvenaud, D. (2018). Neural ordinary differential equations. Advances in Neural Information Processing Systems (NeurIPS) 31. https://arxiv.org/abs/1806.07366

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