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

البحث عن المعماريات العصبية (NAS)

Neural Architecture Search

أتمتة تصميم المعماريات: فضاء بحث يحدد المعماريات الممكنة، واستراتيجية بحث (تعلم معزز، تطور، بايزي، تدرج) تقترح مرشحين، واستراتيجية لتقدير أدائهم.

نظرة عامة

الاسمالبحث عن المعماريات العصبية – Neural Architecture Search
سنة الظهور2017
الباحثونBarret Zoph، Quoc V. Le
الجهةGoogle Brain
الورقة الأصليةNeural architecture search with reinforcement learning arXiv
نوع البياناتصور، أنواع متعددة
المجالاتالرؤية الحاسوبية، تحليل الصور الطبية، معالجة اللغة الطبيعية
الكلفة الحسابيةمن ساعات إلى آلاف أيام GPU حسب الطريقة.
حجم البياناتحسب المهمة؛ تقسيم صارم تدريب/تحقق/اختبار.

المشكلة التي تحلها

تصميم المعماريات يدوياً يحتاج خبرة وتجارب كثيرة، وقد تفوته تصاميم أفضل.

الخلفية والتطور

ما قبلها: الشبكة العصبية الالتفافية، الشبكة العصبية المتكررة

  1. 2017

    Zoph وLe: متحكم RNN يُدرّب بالتعلم المعزز لتوليد المعماريات. [مرجع]

  2. 2019

    Real وزملاؤه: التطور المنظم (تقادم الأفراد) وAmoebaNet. [مرجع]

  3. 2019

    مسح Elsken وزملائه بالمكونات الثلاثة. [مرجع]

  4. 2019

    DARTS: بحث قابل للاشتقاق بتكلفة أقل كثيراً. [مرجع]

الفكرة الأساسية

كل مرشح يُدرّب (غالباً تدريباً قصيراً أو على بيانات أصغر) ويُقيّم على مجموعة تحقق، والنتيجة تغذي الاستراتيجية. في التطور المنظم: اختر عينة من الجماعة، خذ أعلاها دقة على التحقق، طفّره، أضف الطفل وأزل الأقدم (لا الأسوأ)، ما يقلل الاعتماد على تقييمات محظوظة. التقرير النهائي يجب أن يكون على بيانات اختبار لم تُستخدم أثناء البحث.

مثال: بحث عن شبكة صغيرة لتصنيف صور الجلد على هاتف: فضاء البحث يحدد عدد الطبقات والعرض والأنوية، وقيد زمن الاستدلال جزء من الهدف.

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.

الحلقة تتكرر حتى نفاد الميزانية.

المكونات

المكوّنالوظيفة
Search spaceالعمليات والاتصالات الممكنة
Search strategyRL، تطور، بايزي، تدرج
Performance estimationتدريب قصير، مشاركة أوزان، توقع
Final training + testبلا تسرب

المعادلات

1. مسألة NAS

$$a^{*}=\arg\max_{a\in\mathcal{A}}\;\mathrm{Acc}_{val}\big(w^{*}(a),a\big),\qquad w^{*}(a)=\arg\min_w\mathcal{L}_{train}(w,a)$$

الرموز
$\mathcal{A}$فضاء البحث
الأبعاد
معمارية
مثال عددي
فضاء بـ 3 خيارات للطبقات و4 للعرض و2 للتنشيط: $|\mathcal{A}|=24$.
علاقتها بالمعمارية
مسألة ثنائية المستوى مكلفة.

2. تحديث REINFORCE للمتحكم (Zoph وLe)

$$\nabla_{\theta_c}J\approx\frac1m\sum_{k=1}^{m}\sum_{t=1}^{T}\nabla_{\theta_c}\log P(a_t\mid a_{1:t-1};\theta_c)\,(R_k-b)$$

الرموز
$R_k$دقة التحقق للمعمارية k
$b$خط أساس
الأبعاد
تدرج
مثال عددي
إذا كانت $R=0.92$ و$b=0.90$ يُعزز احتمال القرارات التي أنتجتها بمقدار متناسب مع $0.02$.
علاقتها بالمعمارية
تعلم معزز على تسلسل قرارات التصميم.

آلية العمل خطوة بخطوة

  1. عرّف فضاء البحث.
  2. اختر استراتيجية البحث.
  3. قيّم المرشحين بميزانية محدودة.
  4. اختر الأفضل على التحقق.
  5. أعد تدريبه كاملاً وقيّمه على الاختبار.

المزايا والقيود

المزايا

  • اكتشاف تصاميم قوية آلياً.
  • دمج قيود الأجهزة.

القيود

  • تكلفة حسابية كبيرة في الطرق المبكرة.
  • نتائج حساسة لفضاء البحث وبروتوكول التقييم.
  • البحث العشوائي خط أساس قوي يصعب تجاوزه بفارق كبير أحياناً.

متى تُستخدم؟ ومتى لا؟

تناسب

  • تصميم نماذج لأجهزة مقيدة.
  • حين يتكرر النشر على مهام مشابهة.

لا تناسب

  • ميزانية حسابية صغيرة جداً.
  • بيانات قليلة تجعل تقييم التحقق ضوضائياً.

التطبيقات

المجالالاستخدام
الرؤية الحاسوبيةشبكات تصنيف وكشف فعالة.
معالجة اللغة الطبيعيةخلايا متكررة ومحوّلات.
تحليل الصور الطبيةنماذج طبية مخصصة للأجهزة.

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.

فضاء البحث صغير جداً (24 معمارية) للتوضيح؛ النتيجة تُقيّم على بيانات اختبار منفصلة عن بيانات البحث.

Python (PyTorch)
# NAS بالتطور المنظم مقارنة بالبحث العشوائي (الميزانية نفسها)
# 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
SPACE = {'layers': [1, 2, 3], 'width': [4, 8, 16, 32], 'act': ['relu', 'tanh']}      # فضاء البحث
def build(arch):
    act = {'relu': nn.ReLU, 'tanh': nn.Tanh}[arch['act']]
    layers, d = [], 2
    for _ in range(arch['layers']):
        layers += [nn.Linear(d, arch['width']), act()]; d = arch['width']
    return nn.Sequential(*layers, nn.Linear(d, 2))

def evaluate(arch, steps=150):
    """استراتيجية تقدير الأداء: تدريب قصير ثم دقة التحقق (تقريب منخفض الدقة شائع في NAS)."""
    torch.manual_seed(0)
    net = build(arch); opt = torch.optim.Adam(net.parameters(), lr=1e-2)
    for _ in range(steps):
        loss = F.cross_entropy(net(X_train), y_train); opt.zero_grad(); loss.backward(); opt.step()
    with torch.no_grad():
        return (net(X_val).argmax(1) == y_val).float().mean().item()

def random_arch(g):
    return {k: v[torch.randint(0, len(v), (1,), generator=g).item()] for k, v in SPACE.items()}
def mutate(arch, g):
    a = dict(arch); k = list(SPACE)[torch.randint(0, len(SPACE), (1,), generator=g).item()]
    a[k] = SPACE[k][torch.randint(0, len(SPACE[k]), (1,), generator=g).item()]
    return a

# 3) إعداد البيانات
# حلزونان متداخلان: مهمة تحتاج عمقاً وعرضاً كافيين؛ تقسيم تدريب / تحقق (للبحث) / اختبار (للتقرير النهائي فقط)
def spirals(n):
    t = torch.rand(n) * 3 * torch.pi + 0.5
    y = torch.randint(0, 2, (n,))
    r = t / (3 * torch.pi)
    x = torch.stack([r * torch.cos(t + torch.pi * y), r * torch.sin(t + torch.pi * y)], 1) + 0.03 * torch.randn(n, 2)
    return x, y
X_train, y_train = spirals(600); X_val, y_val = spirals(300); X_test, y_test = spirals(600)

# 4) و 5) استراتيجية البحث: تطور منظَّم (Regularized Evolution) مقابل بحث عشوائي بالميزانية نفسها
g = torch.Generator().manual_seed(42)
BUDGET, POP, SAMPLE = 30, 8, 3
history = []
population = []
for _ in range(POP):                                               # تهيئة الجماعة
    a = random_arch(g); population.append((a, evaluate(a))); history.append(population[-1])
while len(history) < BUDGET:
    cand = [population[torch.randint(0, len(population), (1,), generator=g).item()] for _ in range(SAMPLE)]
    parent = max(cand, key=lambda t: t[1])                         # اختيار بالبطولة
    child = mutate(parent[0], g)
    population.append((child, evaluate(child))); history.append(population[-1])
    population.pop(0)                                              # إزالة الأقدم (وليس الأسوأ): هذا هو "التنظيم"
best_evo = max(history, key=lambda t: t[1])
rand = [(a, evaluate(a)) for a in (random_arch(g) for _ in range(BUDGET))]
best_rand = max(rand, key=lambda t: t[1])
print("evolution best:", best_evo[0], f"val={best_evo[1]:.3f}")
print("random    best:", best_rand[0], f"val={best_rand[1]:.3f}")

# 6) التقييم النهائي على بيانات اختبار لم تُستخدم في البحث (لتجنب تسرب البيانات)
def test_acc(arch):
    torch.manual_seed(0)
    net = build(arch); opt = torch.optim.Adam(net.parameters(), lr=1e-2)
    for _ in range(600):
        loss = F.cross_entropy(net(X_train), y_train); opt.zero_grad(); loss.backward(); opt.step()
    with torch.no_grad():
        return (net(X_test).argmax(1) == y_test).float().mean().item()
print(f"test accuracy of evolved architecture = {test_acc(best_evo[0]):.3f}")
print(f"test accuracy of smallest architecture {{'layers': 1, 'width': 4}} = {test_acc({'layers': 1, 'width': 4, 'act': 'relu'}):.3f}")

# 7) الاستدلال بالمعمارية المكتشفة
print("number of evaluated architectures:", len(history), "| search space size:", 3 * 4 * 2)

نُفّذ هذا الكود بتاريخ 2026-11-20 في 10.1 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy of evolved architecture = 1.000
test accuracy of smallest architecture {'layers': 1, 'width': 4} = 0.632

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

جرّب وتعمّق

معماريات مرتبطة

بحثي2019

البحث المعماري القابل للاشتقاق

Differentiable Architecture Search (DARTS)

يجعل البحث المعماري مسألة تحسين مستمرة: كل حافة في الخلية تحسب خليطاً موزوناً من كل العمليات الممكنة بأوزان Softmax لمعاملات معمارية α، فتُحسّن α بالتدرج على بيانات التح…

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

متقدم2016

الشبكات العصبية المعيارية

Modular Neural Networks (Modular NN)

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.

المعماريات المتخصصة

أفكار بحثية

  • NAS مقيد بزمن الاستدلال لنماذج تصنيف الآفات الجلدية على هواتف منخفضة التكلفة.

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

اختبر فهمك

  1. مفهوم

    ما المكونات الثلاثة لـ NAS وفق مسح Elsken وزملائه؟

  2. مفهوم

    في التطور المنظم، أي فرد يُزال من الجماعة؟

  3. مفهوم

    لماذا يجب تقييم المعمارية النهائية على بيانات اختبار منفصلة؟

المراجع

  1. Zoph, B., & Le, Q. V. (2017). Neural architecture search with reinforcement learning. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1611.01578

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

  2. Real, E., Aggarwal, A., Huang, Y., & Le, Q. V. (2019). Regularized evolution for image classifier architecture search. Proceedings of the AAAI Conference on Artificial Intelligence, 33(01), 4780–4789. https://doi.org/10.1609/aaai.v33i01.33014780

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  3. Elsken, T., Metzen, J. H., & Hutter, F. (2019). Neural architecture search: A survey. Journal of Machine Learning Research, 20(55), 1–21. https://arxiv.org/abs/1808.05377

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

  4. Liu, H., Simonyan, K., & Yang, Y. (2019). DARTS: Differentiable architecture search. International Conference on Learning Representations (ICLR). https://arxiv.org/abs/1806.09055

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