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

متوسطالمعماريات العصبية المتقدمة

الشبكات العصبية النبضية (SNN)

Spiking Neural Networks

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

نظرة عامة

الاسمالشبكات العصبية النبضية – Spiking Neural Networks
سنة الظهور1997
الباحثونWolfgang Maass (تأطير الجيل الثالث)؛ التدريب بالتدرجات البديلة: Neftci، Mostafa، Zenke (2019)
الورقة الأصليةNetworks of spiking neurons: The third generation of neural network models DOI
نوع البياناتتسلسلات وسلاسل زمنية، أحداث زمنية ونبضات
المجالاتالرؤية الحاسوبية، الروبوتات، الصوت والكلام
الكلفة الحسابيةعلى GPU: تكلفة T خطوات زمنية؛ على العتاد العصبي الشكلي: حساب مدفوع بالأحداث.
حجم البياناتمتوسطة؛ وتُستخدم كثيراً مع بيانات حدثية.

المشكلة التي تحلها

الشبكات التقليدية تستهلك طاقة كبيرة لأنها تحسب قيماً مستمرة لكل وحدة في كل خطوة. الحوسبة العصبية الشكلية (neuromorphic) تهدف إلى حساب مدفوع بالأحداث أقل استهلاكاً.

الخلفية والتطور

ما قبلها: الإدراك متعدد الطبقات، Hodgkin–Huxley، Integrate-and-Fire

  1. 1997

    صنّف Maass الشبكات النبضية كجيل ثالث وأثبت قدرتها الحسابية. [مرجع]

  2. 2014

    كتاب Gerstner وزملائه المرجعي في ديناميكيات العصبونات. [مرجع]

  3. 2019

    أصبح التدريب بالتدرجات البديلة (surrogate gradients) الطريقة الشائعة. [مرجع]

الفكرة الأساسية

في نموذج LIF يتسرب الجهد نحو قيمة الراحة، ويزداد مع تيار الدخل. عند بلوغ العتبة $V_{th}$ تُطلق نبضة $S=1$ ويُعاد الجهد. دالة النبضة (خطوة هيفيسايد) غير قابلة للاشتقاق، لذا يُستبدل تدرّجها في الانتشار العكسي بدالة ملساء (surrogate).

مثال: عصبون يستقبل تياراً ثابتاً: إذا كان التيار ضعيفاً لا يصل الجهد للعتبة أبداً؛ وإذا زاد التيار تزداد سرعة الإطلاق. المعلومة تُرمّز في معدل النبضات أو توقيتها.

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 encodingترميز معدّل (Poisson) أو زمني أو بيانات حدثية
LIF neuronsجهد غشائي يتسرب ويتراكم
Threshold & resetإطلاق نبضة وإعادة الضبط
Synaptic weightsأوزان بين الطبقات
Surrogate gradientتقريب مشتقة النبضة
Readoutعدّ النبضات أو جهد طبقة الخرج

المعادلات

1. معادلة LIF المستمرة

$$\tau_m\frac{dV}{dt}=-(V-V_{rest})+R\,I(t)$$

الرموز
$\tau_m$ثابت زمن الغشاء
$V_{rest}$جهد الراحة
$R$المقاومة
$I(t)$تيار الدخل
الأبعاد
كميات قياسية لكل عصبون
مثال عددي
مع $V_{rest}=0$ و$RI=1.5$ ثابت يقترب الجهد من $1.5$؛ إذا كانت العتبة $1$ سيُطلق العصبون نبضات دورية.
علاقتها بالمعمارية
تصف التراكم والتسرب.

2. الصيغة المتقطعة مع الإطلاق

$$V_t=\beta V_{t-1}+W x_t-S_{t-1}V_{th},\qquad S_t=\Theta(V_t-V_{th}),\qquad \beta=e^{-\Delta t/\tau_m}$$

الرموز
$\beta$معامل التسرب
$\Theta$دالة الخطوة
$S_t$النبضة 0 أو 1
الأبعاد
لكل عصبون في كل خطوة
مثال عددي
$\beta=0.9$، $V_{t-1}=0.8$، $Wx_t=0.3$ ⇒ $V_t=1.02>1$ فتُطلق نبضة.
علاقتها بالمعمارية
هي ما ينفذه المحاكي في المختبر وفي الكود.

3. التدرّج البديل

$$\frac{\partial S}{\partial V}\approx\frac{1}{\left(1+k\,|V-V_{th}|\right)^2}$$

الرموز
$k$حدة المنحنى
الأبعاد
قيمة قياسية
مثال عددي
عند $V=V_{th}$ يكون التدرّج 1، ويتناقص بعيداً عن العتبة.
علاقتها بالمعمارية
يسمح بالتدريب بالانتشار العكسي عبر الزمن.

آلية العمل خطوة بخطوة

  1. يُرمّز الدخل كقطارات نبضات عبر T خطوة.
  2. في كل خطوة يُحسب التيار ويُحدّث الجهد.
  3. تُطلق النبضات ويُعاد الضبط.
  4. تُعد نبضات الخرج.
  5. يُحسب التدرّج عبر الزمن بالبديل الأملس.

المزايا والقيود

المزايا

  • كفاءة طاقة محتملة على العتاد العصبي الشكلي.
  • مناسبة للبيانات الحدثية (كاميرات الأحداث).
  • نمذجة زمنية طبيعية.

القيود

  • التدريب أصعب وأبطأ على GPU العادية.
  • الدقة غالباً أقل من الشبكات التقليدية المكافئة.
  • مكاسب الطاقة تتحقق على عتاد متخصص.

متى تُستخدم؟ ومتى لا؟

تناسب

  • الأنظمة المدمجة منخفضة الطاقة.
  • بيانات حساسات الأحداث.

لا تناسب

  • حين تكون الدقة القصوى أولوية على GPU تقليدية.

التطبيقات

المجالالاستخدام
الروبوتاتتحكم منخفض الطاقة في الروبوتات.
الصوت والكلامالتعرف على الكلمات المفتاحية.
الرؤية الحاسوبيةمعالجة بيانات كاميرات الأحداث.

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.

يمكن استخدام مكتبات مثل snnTorch أو SpikingJelly لنماذج أكبر؛ هنا تنفيذ يدوي لتوضيح المعادلات.

Python (PyTorch)
# Spiking Neural Network بعصبونات LIF وتدرج بديل
# 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 SpikeFn(torch.autograd.Function):
    @staticmethod
    def forward(ctx, v):
        ctx.save_for_backward(v)
        return (v > 0).float()                              # Θ(V - V_th) بعد الإزاحة
    @staticmethod
    def backward(ctx, g):
        v, = ctx.saved_tensors
        return g / (1 + 10 * v.abs()) ** 2                  # surrogate gradient
spike = SpikeFn.apply

class SNN(nn.Module):
    def __init__(self, d_in=20, h=64, n_classes=2, beta=0.9, T=25):
        super().__init__()
        self.fc1, self.fc2, self.beta, self.T = nn.Linear(d_in, h), nn.Linear(h, n_classes), beta, T
    def forward(self, x):                                   # x: B×d في [0,1] ⇒ ترميز معدّل
        B = x.shape[0]
        v1, v2 = torch.zeros(B, self.fc1.out_features), torch.zeros(B, self.fc2.out_features)
        count = torch.zeros(B, self.fc2.out_features)
        for t in range(self.T):
            s_in = (torch.rand_like(x) < x).float()         # نبضات Poisson
            v1 = self.beta * v1 + self.fc1(s_in); s1 = spike(v1 - 1.0); v1 = v1 - s1   # إعادة ضبط بالطرح
            v2 = self.beta * v2 + self.fc2(s1);   s2 = spike(v2 - 1.0); v2 = v2 - s2
            count = count + s2
        return count                                        # عدد نبضات كل فئة

# 3) إعداد البيانات
# فئتان: نمط شدة مرتفع في النصف الأول من المدخلات أو في النصف الثاني
y = torch.randint(0, 2, (600,))
X = torch.rand(600, 20) * 0.3
X[y == 0, :10] += 0.6; X[y == 1, 10:] += 0.6
X = X.clamp(0, 1)
X_train, y_train, X_test, y_test = X[:480], y[:480], X[480:], y[480:]
model = SNN()

# 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 = 8, 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 3.5 ثانية (PyTorch (CPU), Python 3 – local build machine).

من مخرجاته:

test accuracy = 1.000

عدد المعاملات القابلة للتدريب في المثال: model = 1٬474.

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

جرّب وتعمّق

معماريات مرتبطة

متقدم2021

الشبكات العصبية السائلة

Liquid Neural Networks (LNN)

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

الشبكات الزمنية والمتسلسلةالمعماريات العصبية المتقدمة

أساسي2004

حوسبة الخزان

Reservoir Computing (ESN / LSM)

شبكة متكررة كبيرة بأوزان عشوائية ثابتة (الخزان) تحوّل الدخل إلى حالات غنية، ولا يُدرَّب إلا طبقة القراءة الخطية، غالباً بانحدار ريدج مغلق الصيغة.

الشبكات الزمنية والمتسلسلةالمعماريات العصبية المتقدمة

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

أفكار بحثية

  • تقدير استهلاك الطاقة الفعلي لـ SNN على عتاد عصبي شكلي مقابل CNN مكمّمة لمهمة كلمات مفتاحية عربية.

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

اختبر فهمك

  1. مفهوم

    متى يطلق عصبون LIF نبضة؟

  2. مفهوم

    لماذا نحتاج التدرّج البديل (surrogate gradient)؟

  3. رياضي

    مع $\beta=0.5$ و$V_{t-1}=1.2$ ودخل $0.5$ وعتبة 1، هل يطلق العصبون؟

المراجع

  1. Maass, W. (1997). Networks of spiking neurons: The third generation of neural network models. Neural Networks, 10(9), 1659–1671. https://doi.org/10.1016/S0893-6080(97)00011-7

    DOIتحقق آلي عبر Crossref – 2026-11-20

  2. Neftci, E. O., Mostafa, H., & Zenke, F. (2019). Surrogate gradient learning in spiking neural networks: Bringing the power of gradient-based optimization to spiking neural networks. IEEE Signal Processing Magazine, 36(6), 51–63. https://doi.org/10.1109/MSP.2019.2931595

    DOIarXivتحقق آلي عبر Crossref – 2026-11-20

  3. Gerstner, W., Kistler, W. M., Naud, R., & Paninski, L. (2014). Neuronal dynamics: From single neurons to networks and models of cognition. Cambridge University Press. https://doi.org/10.1017/CBO9781107447615

    DOIتحقق آلي عبر Crossref – 2026-11-20