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 الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبية

Simulink والذكاء الاصطناعي

دمج نماذج الذكاء الاصطناعي والشبكات العصبية في Simulink

Integrating AI Models and Neural Networks in Simulink

متوسط 40 دقيقة

طرق إدخال نموذج مدرب إلى Simulink: كتل Predict وStateful Predict، وكتل التنبؤ لنماذج Statistics Toolbox، وكتلة MATLAB Function، ونماذج الرتبة المختزلة (ROM).

ستتعلم في هذا الدرس

  • اختيار طريقة الدمج المناسبة للنموذج
  • كتابة دالة متوافقة مع توليد الكود لاستخدامها في MATLAB Function
  • فهم النماذج البديلة (Surrogate / ROM)
  • الانتباه لتوحيد المعالجة المسبقة بين التدريب وSimulink

طرق الدمج

الطريقةمتىمتطلبات
كتلة Predictشبكة dlnetwork محفوظة في ملف MATDeep Learning Toolbox (R2020b+)
كتلة Stateful Predictشبكات LSTM التي تحتفظ بالحالة بين الخطواتDeep Learning Toolbox
كتل Statistics ToolboxSVM أو أشجار أو انحدار من fitc*/fitr*saveLearnerForCoder ثم الكتلة
MATLAB Functionنموذج صغير أو منطق مخصصكود متوافق مع التوليد
تصدير الشبكة كطبقات Simulinkرؤية بنية الشبكة كتلاًإصدارات حديثة من Deep Learning Toolbox؛ تحقق من وجود exportNetworkToSimulink في إصدارك

دالة جاهزة لكتلة MATLAB Function

function y = nnPredict(x) %#codegen
% شبكة صغيرة بأوزان ثابتة مدربة مسبقاً (2 -> 3 -> 1)
W1 = [0.8 -0.5; 0.3 0.9; -0.7 0.4];  b1 = [0.1; -0.2; 0.05];
W2 = [1.2 -0.8 0.6];  b2 = -0.1;
h = max(W1 * x(:) + b1, 0);       % ReLU
y = W2 * h + b2;
end
inputs = [0 0; 1 0; 0 1; 1 1; 2 -1];
for k = 1:size(inputs, 1)
    fprintf('x = [%g %g] -> y = %.4f\n', inputs(k,1), inputs(k,2), nnPredict(inputs(k,:)));
end
الناتج الفعلي (شُغِّل في GNU Octave 8.4 أثناء إعداد الدرس، والطباعة بـ fprintf/disp فتطابق MATLAB)
x = [0 0] -> y = 0.0500
x = [1 0] -> y = 0.9000
x = [0 1] -> y = -0.3900
x = [1 1] -> y = -0.4200
x = [2 -1] -> y = 2.5400

اختبر الدالة في MATLAB قبل وضعها في الكتلة؛ التعليق %#codegen يجعل محلل الكود ينبهك لأي بنية غير قابلة للتوليد.

كتلة Predict لشبكة مدربة

% في MATLAB: احفظ الشبكة
save('trainedNet.mat', 'net');
% في Simulink: من Library Browser > Deep Learning Toolbox > Deep Neural Networks
% أضف كتلة Predict واضبط Network = Network from MAT-file و File path = trainedNet.mat
% ولنماذج Statistics Toolbox:
mdl = fitcsvm(X, y);
saveLearnerForCoder(compact(mdl), 'svmModel');     % ثم كتلة ClassificationSVM Predict

يتطلب هذا الكود: Simulink، Deep Learning Toolbox، Statistics and Machine Learning Toolbox. لم يُشغَّل في بيئة إعداد الدرس لعدم توفر الـ Toolbox، لذلك لا نعرض أرقاماً من عندنا؛ شغّله في MATLAB لديك وقارن النتائج.

Simulink منتج منفصل عن MATLAB ولم يتوفر في بيئة إعداد الدرس، لذلك لم يُشغّل هذا المقطع؛ الأوامر من توثيق Simulink الرسمي.

النماذج البديلة (Reduced Order Models)

عندما يكون مكوّن فيزيائي مفصل بطيئاً جداً في المحاكاة (محرك، بطارية)، نولّد بيانات منه ونجري تدريب شبكة صغيرة (LSTM أو NARX) تقلده، ثم نستبدله بها لتسريع اختبار المتحكم وتجارب التصميم. تأكد أن نطاق المدخلات في الاستخدام داخل نطاق بيانات التدريب.

خلاصة الدرس

  • مكتبة Deep Neural Networks في Deep Learning Toolbox تقدم كتلتي Predict وStateful Predict.
  • مكتبة Statistics and Machine Learning Toolbox في Simulink تقدم كتل تنبؤ مثل ClassificationSVM Predict.
  • MATLAB Function block تقبل كوداً متوافقاً مع التوليد (%#codegen).
  • النموذج البديل شبكة تتعلم سلوك مكوّن فيزيائي بطيء لتسريع المحاكاة.
  • أي تطبيع طُبق في التدريب يجب تطبيقه داخل النموذج بالقيم نفسها.

شُغّل test_nnPredict.m مع nnPredict.m في GNU Octave 8.4. أمثلة الكتل تحتاج Simulink ولم تُشغّل.

المتطلبات البرمجية

  • MATLAB
  • Simulink
  • Deep Learning Toolbox
  • Statistics and Machine Learning Toolbox

بعض هذه الأدوات (Toolboxes) تُرخَّص منفصلة عن MATLAB. تحقق من توفرها بالأمر ver في Command Window.

جرّب بنفسك في المختبرمحاكي الشبكات العصبية

المراجع

تحقّق من فهمك