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
| الاسم | الشبكات العصبية النبضية – Spiking Neural Networks |
|---|---|
| سنة الظهور | 1997 |
| الباحثون | Wolfgang Maass (تأطير الجيل الثالث)؛ التدريب بالتدرجات البديلة: Neftci، Mostafa، Zenke (2019) |
| الورقة الأصلية | Networks of spiking neurons: The third generation of neural network models DOI |
| نوع البيانات | تسلسلات وسلاسل زمنية، أحداث زمنية ونبضات |
| المجالات | الرؤية الحاسوبية، الروبوتات، الصوت والكلام |
| الكلفة الحسابية | على GPU: تكلفة T خطوات زمنية؛ على العتاد العصبي الشكلي: حساب مدفوع بالأحداث. |
| حجم البيانات | متوسطة؛ 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
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).
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
| المكوّن | الوظيفة |
|---|---|
| Input encoding | ترميز معدّل (Poisson) أو زمني أو بيانات حدثية |
| LIF neurons | جهد غشائي يتسرب ويتراكم |
| Threshold & reset | إطلاق نبضة وإعادة الضبط |
| Synaptic weights | أوزان بين الطبقات |
| Surrogate gradient | تقريب مشتقة النبضة |
| Readout | عدّ النبضات أو جهد طبقة الخرج |
المعادلات
1. معادلة LIF المستمرة
| $\tau_m$ | ثابت زمن الغشاء |
| $V_{rest}$ | جهد الراحة |
| $R$ | المقاومة |
| $I(t)$ | تيار الدخل |
2. الصيغة المتقطعة مع الإطلاق
| $\beta$ | معامل التسرب |
| $\Theta$ | دالة الخطوة |
| $S_t$ | النبضة 0 أو 1 |
3. التدرّج البديل
| $k$ | حدة المنحنى |
آلية العمل خطوة بخطوة
- يُرمّز الدخل كقطارات نبضات عبر T خطوة.
- في كل خطوة يُحسب التيار ويُحدّث الجهد.
- تُطلق النبضات ويُعاد الضبط.
- تُعد نبضات الخرج.
- 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
| المجال | الاستخدام |
|---|---|
| الروبوتات | تحكم منخفض الطاقة في الروبوتات. |
| الصوت والكلام | التعرف على الكلمات المفتاحية. |
| الرؤية الحاسوبية | معالجة 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.
# 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
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.
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.
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.
لا توجد نتائج مطابقة للمرشحات.
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
متى يطلق عصبون LIF نبضة؟
لماذا؟ الإطلاق مشروط بـ $V_t\ge V_{th}$.
لماذا نحتاج التدرّج البديل (surrogate gradient)؟
لماذا؟ نستبدل المشتقة بدالة ملساء أثناء الانتشار العكسي فقط.
مع $\beta=0.5$ و$V_{t-1}=1.2$ ودخل $0.5$ وعتبة 1، هل يطلق العصبون؟
لماذا؟ $0.5\times1.2+0.5=1.1>1$.
المراجع
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
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
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
