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

أساسيالشبكات الزمنية والمتسلسلة

الذاكرة الطويلة قصيرة المدى (LSTM)

Long Short-Term Memory

شبكة متكررة بخلية ذاكرة وبوابات (نسيان، إدخال، إخراج) تتحكم بما يُحفظ وما يُمحى، فتتعلم اعتماديات بعيدة أفضل بكثير من RNN البسيطة.

نظرة عامة

الاسمالذاكرة الطويلة قصيرة المدى – Long Short-Term Memory
سنة الظهور1997
الباحثونSepp Hochreiter، Jürgen Schmidhuber
الورقة الأصليةLong short-term memory DOI
نوع البياناتتسلسلات وسلاسل زمنية، نصوص
المجالاتالتنبؤ بالسلاسل الزمنية، الصوت والكلام، تحليل الصور الطبية، معالجة اللغة الطبيعية
الكلفة الحسابية$O(T\cdot h(h+d))$ ولا تتوازى على طول التسلسل.
حجم البياناتآلاف إلى ملايين التسلسلات.

المشكلة التي تحلها

تلاشي التدرّج في RNN البسيطة يمنع تعلم العلاقات بين أحداث متباعدة زمنياً.

الخلفية والتطور

ما قبلها: الشبكة العصبية المتكررة

  1. 1997

    قدم Hochreiter وSchmidhuber LSTM مع "دوّار الخطأ الثابت". [مرجع]

  2. 2000

    أضاف Gers وزملاؤه بوابة النسيان التي أصبحت جزءاً قياسياً. [مرجع]

  3. 2005

    استخدمت LSTM ثنائية الاتجاه في تصنيف الأصوات. [مرجع]

الفكرة الأساسية

حالة الخلية $c_t$ تسير عبر الزمن بتعديلات جمعية فقط (نسيان جزئي + إضافة)، فيمر التدرّج دون أن يتلاشى بسرعة. البوابات قيم بين 0 و1 تُحسب من الدخل والحالة السابقة.

مثال: في تحليل مشاعر جملة طويلة تبدأ بـ "لم يعجبني..." وتنتهي بكلام محايد، تحافظ الخلية على أثر النفي حتى النهاية.

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
Forget gate f_tما يُمحى من الخلية
Input gate i_tما يُضاف
Candidate g_tالمحتوى المقترح
Cell state c_tالذاكرة طويلة المدى
Output gate o_tما يُعرض كحالة مخفية
Hidden state h_tالخرج

المعادلات

1. البوابات

$$f_t=\sigma(W_f[h_{t-1},x_t]+b_f),\; i_t=\sigma(W_i[h_{t-1},x_t]+b_i),\; o_t=\sigma(W_o[h_{t-1},x_t]+b_o),\; g_t=\tanh(W_g[h_{t-1},x_t]+b_g)$$

الرموز
$\sigma$Sigmoid
$[\cdot,\cdot]$ربط
الأبعاد
كل بوابة $\in\mathbb{R}^{h}$، و$W\in\mathbb{R}^{h\times(h+d)}$
مثال عددي
مع $h=64$ و$d=10$: كل مصفوفة $64\times74$، والمعاملات الكلية $4(64\cdot74+64)=19200$.
علاقتها بالمعمارية
تحدد التدفق داخل الخلية.

2. تحديث الخلية والحالة

$$c_t=f_t\odot c_{t-1}+i_t\odot g_t,\qquad h_t=o_t\odot\tanh(c_t)$$

الرموز
$\odot$ضرب عنصر بعنصر
الأبعاد
$c_t,h_t\in\mathbb{R}^{h}$
مثال عددي
$f=0.9$، $c_{t-1}=1$، $i=0.5$، $g=0.4$ ⇒ $c_t=1.1$؛ مع $o=1$: $h_t=\tanh(1.1)\approx0.80$.
علاقتها بالمعمارية
التحديث الجمعي هو سر حفظ المعلومات طويلاً.

آلية العمل خطوة بخطوة

  1. تُحسب البوابات الأربع من الدخل والحالة السابقة.
  2. تُنسى أجزاء من الخلية.
  3. يُضاف محتوى جديد.
  4. تُحسب الحالة المخفية من الخلية.
  5. يتكرر ذلك لكل خطوة ثم يُحسب الخرج.

المزايا والقيود

المزايا

  • تتعامل مع اعتماديات أطول بكثير من RNN.
  • ناضجة ومدعومة في كل الأطر.

القيود

  • معالجة متسلسلة بطيئة للتسلسلات الطويلة جداً.
  • معاملات أكثر بأربع مرات من RNN بنفس الحجم.

متى تُستخدم؟ ومتى لا؟

تناسب

  • سلاسل زمنية متوسطة الطول.
  • خطوط أساس قوية للتنبؤ.

لا تناسب

  • سياقات طويلة جداً حيث تتفوق Transformer وSSM في التوازي.

التطبيقات

المجالالاستخدام
التنبؤ بالسلاسل الزمنيةالتنبؤ بالطلب والطاقة والأسعار.
معالجة اللغة الطبيعيةنمذجة اللغة والتعرف على الكلام (تاريخياً).
تحليل الصور الطبيةتحليل الإشارات الحيوية مثل ECG وEEG.
الروبوتاتالتحكم المتسلسل والتنبؤ بالحركة.

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)
# LSTM — مهمة ذاكرة طويلة
# 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 LSTMClassifier(nn.Module):
    def __init__(self, d_in=1, h=32, n_classes=2):
        super().__init__()
        self.lstm = nn.LSTM(d_in, h, batch_first=True)
        self.out = nn.Linear(h, n_classes)
    def forward(self, x):
        _, (h_T, c_T) = self.lstm(x)        # الحالة المخفية وحالة الخلية الأخيرتان
        return self.out(h_T[-1])

# 3) إعداد البيانات
# مهمة ذاكرة: الإشارة (±1) تظهر في الخطوة الأولى فقط، ثم ضوضاء؛ الفئة = إشارة البداية
def make(n, T=40):
    y = torch.randint(0, 2, (n,))
    X = torch.randn(n, T, 1) * 0.2
    X[:, 0, 0] = y.float() * 2 - 1
    return X, y
X_train, y_train = make(800)
X_test, y_test = make(200)

model = LSTMClassifier()

# 4) دالة الخسارة والمحسّن
loss_fn = nn.CrossEntropyLoss()
opt = torch.optim.Adam(model.parameters(), lr=5e-3)

# 5) حلقة التدريب (Training Loop) مع Forward Pass
EPOCHS, BATCH = 30, 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)
    acc = (out.argmax(dim=-1) == y_test).float().mean().item()
    print(f"test accuracy = {acc:.3f}")

# 7) الاستدلال (Inference) على عيّنة جديدة
with torch.no_grad():
    xb = X_test[:1]
    out = model(xb)
    print("predicted class:", out.argmax(dim=-1).item())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 4.5 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 4٬546.

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

جرّب وتعمّق

معماريات مرتبطة

أساسي2014

الوحدة المتكررة ذات البوابات

Gated Recurrent Unit (GRU)

تبسيط لـ LSTM ببوابتين فقط (تحديث وإعادة ضبط) ودون حالة خلية منفصلة، بأداء مقارب في كثير من المهام ومعاملات أقل.

الشبكات الزمنية والمتسلسلة

أساسي1997

LSTM ثنائية الاتجاه

Bidirectional LSTM (BiLSTM)

طبقتان متكررتان تقرأ إحداهما التسلسل من البداية والأخرى من النهاية، وتُربط حالتاهما فيرى كل موضع سياقه السابق واللاحق.

الشبكات الزمنية والمتسلسلة

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

أساسي2015

الشبكات الهجينة CNN–LSTM

CNN-LSTM

CNN تستخرج تمثيلاً من كل عنصر مكاني (إطار فيديو، نافذة إشارة، صورة)، ثم LSTM تنمذج تتابع هذه التمثيلات عبر الزمن؛ وفي البديل ConvLSTM يُدمج الالتفاف داخل بوابات LSTM نفس…

الشبكات الزمنية والمتسلسلةالمعماريات الهجينة

أفكار بحثية

  • مقارنة LSTM مع Mamba في التنبؤ بأحمال الشبكة الكهربائية لسياقات بطول آلاف الخطوات.

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

اختبر فهمك

  1. مفهوم

    ما وظيفة بوابة النسيان في LSTM؟

  2. رياضي

    مع $f=0.5$ و$c_{t-1}=2$ و$i=0$ ما قيمة $c_t$؟

  3. مفهوم

    من أضاف بوابة النسيان إلى LSTM؟

المراجع

  1. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735

    DOIتحقق آلي عبر Crossref – 2026-11-20

  2. Gers, F. A., Schmidhuber, J., & Cummins, F. (2000). Learning to forget: Continual prediction with LSTM. Neural Computation, 12(10), 2451–2471. https://doi.org/10.1162/089976600300015015

    DOIتحقق آلي عبر Crossref – 2026-11-20

  3. Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2), 157–166. https://doi.org/10.1109/72.279181

    DOIتحقق آلي عبر Crossref – 2026-11-20