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 المتخصصة

الشبكات العصبية المعيارية (Modular NN)

Modular Neural Networks

شبكات تُبنى من وحدات قابلة لإعادة الاستخدام (مثل Find وAnd وCount) تُركّب ديناميكياً حسب بنية المهمة أو السؤال، فتنقل المهارات إلى تراكيب جديدة لم تُرَ في التدريب.

نظرة عامة

الاسمالشبكات العصبية المعيارية – Modular Neural Networks
سنة الظهور2016
الباحثونJacob Andreas، Marcus Rohrbach، Trevor Darrell، Dan Klein (Neural Module Networks)
الجهةUC Berkeley
الورقة الأصليةNeural module networks DOI arXiv
نوع البياناتصور، نصوص، أنواع متعددة
المجالاتالرؤية الحاسوبية، الروبوتات، معالجة اللغة الطبيعية
الكلفة الحسابيةحسب البرنامج؛ غالباً صغيرة.
حجم البياناتمتوسطة مع تنوع البرامج.

المشكلة التي تحلها

الشبكات الضخمة الموحدة تحفظ أنماطاً ولا تعمم تركيبياً بسهولة (مثلاً: تعرف "أحمر" و"مثلث" لكنها تفشل في "مثلث أحمر" إن لم تره).

الخلفية والتطور

ما قبلها: الإدراك متعدد الطبقات، آلية الانتباه

  1. 2016

    Neural Module Networks للإجابة عن أسئلة الصور بتركيب وحدات حسب تحليل السؤال. [مرجع]

  2. 2023

    مسح "Modular Deep Learning" يصنف الوحدات والتوجيه والتجميع. [مرجع]

الفكرة الأساسية

كل وحدة تؤدي عملية بسيطة بأوزانها الخاصة. "تخطيط" (برنامج) يحدد كيف تُركّب الوحدات لكل مثال: Count(And(Find[red], Find[triangle])). لأن الوحدة Find[red] نفسها تُستخدم في كل البرامج، تتعلم معناها بشكل مستقل، فيمكن تركيبها مع وحدات أخرى في برامج جديدة.

مثال: روبوت يتعلم "التقط" و"الأزرق" و"المكعب" منفصلة، ثم ينفذ "التقط المكعب الأزرق" دون تدريب خاص.

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
Modulesوحدات صغيرة متخصصة
Layout / programيحدد التركيب
Router or parserيختار التخطيط
Shared trainingعبر برامج متعددة

المعادلات

1. تركيب الوحدات

$$\hat y=\mathrm{Count}\big(\mathrm{Find}_{a}(s)\odot\mathrm{Find}_{b}(s)\big)$$

الرموز
$\mathrm{Find}_a$انتباه على الخلايا ذات الصفة a
$\odot$تقاطع (And)
الأبعاد
انتباه $\in[0,1]^{9}$
مثال عددي
انتباه الأحمر $(1,0,1)$ والمثلث $(1,1,0)$ ⇒ التقاطع $(1,0,0)$ والعدد 1.
علاقتها بالمعمارية
البرنامج يحدد التركيب لكل سؤال.

2. التوجيه المرن (عام)

$$y=\sum_{m}r_m(x)\,f_m(x)$$

الرموز
$r_m$درجة توجيه
$f_m$الوحدة m
الأبعاد
خرج
مثال عددي
توجيه صلب: $r=(0,1,0)$ يختار الوحدة الثانية فقط.
علاقتها بالمعمارية
MoE حالة خاصة بتوجيه متعلَّم.

آلية العمل خطوة بخطوة

  1. عرّف مكتبة وحدات.
  2. حدد التخطيط لكل مثال (معطى أو متعلَّم).
  3. نفّذ الوحدات بالترتيب.
  4. درّب على برامج متنوعة.
  5. اختبر على تراكيب جديدة.

المزايا والقيود

المزايا

  • تعميم تركيبي.
  • قابلية تفسير (خطوات واضحة).
  • إعادة استخدام وتحديث وحدات منفردة.

القيود

  • يحتاج تخطيطات أو محللاً.
  • تعلم التخطيط نفسه صعب.
  • أبطأ من شبكة موحدة.

متى تُستخدم؟ ومتى لا؟

تناسب

  • مهام تركيبية واضحة البنية.
  • أنظمة تحتاج تفسيراً خطوة بخطوة.

لا تناسب

  • مهام إدراكية بلا بنية تركيبية.

التطبيقات

المجالالاستخدام
الرؤية الحاسوبيةالإجابة عن أسئلة الصور.
معالجة اللغة الطبيعيةفهم التعليمات المركبة ومحولات (adapters) قابلة للتركيب.
الروبوتاتتركيب مهارات حركية.

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)
# Neural Module Network: وحدات Find/And/Count وتعميم تركيبي
# 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
ATTR = ['red', 'green', 'blue', 'circle', 'square', 'triangle']
class Find(nn.Module):
    """وحدة Find[a]: تعطي انتباهاً (0..1) على الخلايا التي تحمل الصفة a. وحدة لكل صفة، تُعاد في أي برنامج."""
    def __init__(self, d=7):
        super().__init__(); self.net = nn.Sequential(nn.Linear(d, 16), nn.ReLU(), nn.Linear(16, 1))
    def forward(self, scene):                        # scene: B×9×7
        return torch.sigmoid(self.net(scene)).squeeze(-1)    # B×9

class NeuralModuleNet(nn.Module):
    def __init__(self, max_count=9):
        super().__init__()
        self.find = nn.ModuleDict({a: Find() for a in ATTR})
        self.count = nn.Sequential(nn.Linear(1, 32), nn.ReLU(), nn.Linear(32, max_count + 1))   # وحدة Count
    def run(self, program, scene):
        """program: ('count', 'red') أو ('count', 'and', 'red', 'circle') — تخطيط يحدد تركيب الوحدات."""
        att = self.find[program[-1]](scene)
        if program[1] == 'and':
            att = att * self.find[program[2]](scene)          # وحدة And: تقاطع الانتباهين
        return self.count(att.sum(1, keepdim=True))

# 3) إعداد البيانات
# مشاهد 3×3: كل خلية فارغة أو فيها شكل بلون. السؤال برنامج من وحدات، والجواب عدد.
COLORS, SHAPES = ATTR[:3], ATTR[3:]
def make_scenes(n):
    s = torch.zeros(n, 9, 7)
    occ = torch.rand(n, 9) < 0.7
    col, shp = torch.randint(0, 3, (n, 9)), torch.randint(0, 3, (n, 9))
    s[..., 0] = (~occ).float()
    s.scatter_(2, (1 + col)[..., None], occ[..., None].float())
    s.scatter_(2, (4 + shp)[..., None], occ[..., None].float())
    return s
def answer(program, scene):
    def has(a):
        i = ATTR.index(a); return scene[..., 1 + i]
    m = has(program[-1]) * (has(program[2]) if program[1] == 'and' else 1)
    return m.sum(1).long()
# تراكيب "لون و شكل" للتدريب، ونحجب تركيبين للاختبار لقياس التعميم التركيبي
ALL_AND = [('count', 'and', c, s) for c in COLORS for s in SHAPES]
HELD_OUT = [('count', 'and', 'red', 'triangle'), ('count', 'and', 'blue', 'circle')]
TRAIN_PROGRAMS = [('count', a) for a in ATTR] + [p for p in ALL_AND if p not in HELD_OUT]
model = NeuralModuleNet()

# 4) الخسارة والمحسّن
opt = torch.optim.Adam(model.parameters(), lr=3e-3)

# 5) حلقة التدريب: في كل خطوة برنامج عشوائي من برامج التدريب ودفعة مشاهد
for step in range(3000):
    prog = TRAIN_PROGRAMS[torch.randint(0, len(TRAIN_PROGRAMS), (1,)).item()]
    scene = make_scenes(64)
    loss = F.cross_entropy(model.run(prog, scene), answer(prog, scene))          # Forward Pass عبر تخطيط البرنامج
    opt.zero_grad(); loss.backward(); opt.step()
    if step % 750 == 0 or step == 2999:
        print(f"step {step:4d}  loss={loss.item():.4f}")

# 6) التقييم: برامج التدريب، ثم تراكيب لم تُرَ إطلاقاً
@torch.no_grad()
def acc(programs, n=500):
    r = []
    for p in programs:
        s = make_scenes(n); r.append((model.run(p, s).argmax(1) == answer(p, s)).float().mean().item())
    return sum(r) / len(r)
print(f"accuracy on training programs        = {acc(TRAIN_PROGRAMS):.3f}")
print(f"accuracy on held-out compositions     = {acc(HELD_OUT):.3f}")

# 7) الاستدلال: كم مثلثاً أحمر في مشهد جديد؟ (تركيب لم يُدرَّب عليه)
with torch.no_grad():
    s = make_scenes(1); p = ('count', 'and', 'red', 'triangle')
    print("program:", p, "→ predicted:", model.run(p, s).argmax(1).item(), " true:", answer(p, s).item())

نُفّذ هذا الكود بتاريخ 2026-11-20 في 5.9 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

accuracy on training programs        = 0.996
accuracy on held-out compositions     = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 1٬264.

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

جرّب وتعمّق

معماريات مرتبطة

متوسط1991

خليط الخبراء

Mixture of Experts (MoE)

عدة شبكات "خبيرة" وشبكة بوابة تقرر، لكل دخل، وزن كل خبير في الخرج. يتعلم الخبراء التخصص في مناطق مختلفة من فضاء الدخل، فيُقسَّم العمل تلقائياً.

المعماريات المتخصصة

متقدم2017

خليط الخبراء المتناثر

Sparse Mixture of Experts (Sparse MoE)

طبقة خبراء يُفعّل فيها لكل رمز عدد صغير فقط من الخبراء (top-k)، فيزداد عدد معاملات النموذج كثيراً دون زيادة مماثلة في الحساب لكل رمز، مع آليات لموازنة الحمل بين الخبراء.

المعماريات المتخصصة

متوسط2017

الشبكات الفائقة

Hypernetworks

شبكة صغيرة (الشبكة الفائقة) تولّد أوزان شبكة أخرى (الشبكة الهدف)، فتصبح الأوزان دالة لمدخل شرطي مثل هوية المهمة أو رقم الطبقة.

المعماريات العصبية المتقدمةالمعماريات المتخصصة

متقدم2020

المعماريات العصبية المعززة بالاسترجاع

Retrieval-Augmented Neural Architectures (RAG)

نماذج تجمع ذاكرة غير معلمية (فهرس مستندات) مع نموذج معلمي: مسترجع يجد مقاطع ذات صلة بالسؤال، ومولّد يستخدمها لإنتاج الجواب، فيمكن تحديث المعرفة بتحديث الفهرس دون إعادة ا…

المعماريات المتخصصةمعماريات المحولات

أفكار بحثية

  • شبكات معيارية للإجابة عن أسئلة سريرية مركبة على صور الأشعة مع تفسير خطوات الاستدلال.

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

اختبر فهمك

  1. مفهوم

    ما الميزة الرئيسية للشبكات المعيارية في المثال؟

  2. مفهوم

    ماذا يحدد "التخطيط" في NMN؟

  3. مفهوم

    كيف تُنفذ وحدة And على انتباهين؟

المراجع

  1. Andreas, J., Rohrbach, M., Darrell, T., & Klein, D. (2016). Neural module networks. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 39–48. https://doi.org/10.1109/CVPR.2016.12

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  2. Pfeiffer, J., Ruder, S., Vulić, I., & Ponti, E. M. (2023). Modular deep learning. Transactions on Machine Learning Research (TMLR). https://arxiv.org/abs/2302.11529

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

  3. Jacobs, R. A., Jordan, M. I., Nowlan, S. J., & Hinton, G. E. (1991). Adaptive mixtures of local experts. Neural Computation, 3(1), 79–87. https://doi.org/10.1162/neco.1991.3.1.79

    DOIتحقق آلي عبر Crossref – 2026-11-20