أسرع بـ 4200 مرة من الطرق التقليدية! يقترح المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ نظام NOBLE، أول إطار عمل للنمذجة العصبية مُعتمد على بيانات قشرية بشرية.
لا تزال كيفية تشكيل الدماغ البشري للوظائف الإدراكية من خلال دوائر معقدة مكونة من مئات الخلايا العصبية لغزًا عميقًا لم يُحل بعد في علوم الحياة. على مدار العقد الماضي، ومع تراكم البيانات متعددة الوسائط في الفيزيولوجيا الكهربية، وعلم التشكل، وعلم النسخ، كشف العلماء تدريجيًا عن التباين الكبير للخلايا العصبية البشرية في التعبير الجيني، والبنية التشكلية، والخصائص الكهربية الفيزيولوجية. ومع ذلك، لا يزال تأثير هذه الاختلافات على معالجة الدماغ للمعلومات - على سبيل المثال، الصلة الجوهرية بين التعبير الجيني المحدد والأمراض العصبية - سؤالًا مفتوحًا.
تقليديًا، استخدم الباحثون نماذج مبنية على معادلات تفاضلية جزئية ثلاثية الأبعاد ومتعددة المقصورات (PDEs) لمحاكاة النشاط العصبي. وبينما تستطيع هذه النماذج إعادة إنتاج الواقعية البيولوجية بشكل جيد نسبيًا،ومع ذلك، هناك عيب قاتل: التكلفة الحسابية مرتفعة للغاية.قد يستهلك تحسين نموذج خلية عصبية واحدة حوالي 600,000 ساعة من تشغيل وحدة المعالجة المركزية، وحتى التغييرات الطفيفة في المعاملات قد تؤدي بسهولة إلى انحرافات كبيرة بين نتائج المحاكاة والبيانات التجريبية. والأهم من ذلك، أن هذه النماذج الحتمية تعجز عن رصد "التباين الجوهري" الملحوظ في التجارب؛ فحتى مع نفس المدخلات، قد تُنتج الخلية العصبية نفسها استجابات كهربائية فيزيولوجية مختلفة. علاوة على ذلك، غالبًا ما يُؤدي إدخال العشوائية بشكل مصطنع إلى تداخل غير ميكانيكي، مما يُضعف موثوقية تنبؤات النموذج.
ولمعالجة هذه التحديات، قام فريق مشترك من مؤسسات بما في ذلك المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ، ومعهد كاليفورنيا للتكنولوجيا، وجامعة ألبرتا...تم اقتراح إطار عمل للتعلم العميق يسمى NOBLE (المشغل العصبي مع التضمينات الكامنة ذات المعلومات البيولوجية).
يكمن ابتكار هذا الإطار في،إنه أول إطار عمل للتعلم العميق واسع النطاق يتحقق من أدائه باستخدام البيانات التجريبية من القشرة المخية البشرية، وهو الأول الذي يحقق التعلم المباشر للسلوك الديناميكي غير الخطي للخلايا العصبية من البيانات التجريبية.ويتمثل الاختراق الأساسي في إنشاء "مشغل عصبي" موحد.يمكنه ربط المساحة الكامنة المستمرة للخصائص العصبية بمجموعة من استجابات الجهد دون تدريب نظام بديل منفصل لكل نموذج. في الاختبارات التي أُجريت على مجموعة بيانات الخلايا العصبية الموجبة للألبومين (PVALB)، لم يُعيد NOBLE إنتاج ديناميكيات إطلاق الإشارات دون العتبة لخمسين نموذجًا معروفًا وعشرة نماذج غير مرئية فحسب، بل كانت سرعة محاكاته أيضًا أسرع بـ 4200 مرة من أدوات الحل العددي التقليدية.
تم قبول نتائج البحث ذات الصلة، بعنوان "NOBLE - مشغل عصبي مع تضمينات كامنة بيولوجية لالتقاط التباين التجريبي في نماذج الخلايا العصبية البيولوجية"، في NeurIPS 2025.
عنوان الورقة:
اتبع حساب WeChat الرسمي الخاص بنا ورد بـ "NOBLE" في الخلفية للحصول على ملف PDF الكامل.
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
https://hyper.ai/papers
مجموعة البيانات: تغطي 60 نموذجًا لقاعة المشاهير، و250 جيلًا من التحسين التطوري، و16 مؤشرًا فسيولوجيًا.
للتحقق من فعالية إطار عمل NOBLE، قام فريق البحث ببناء مجموعة بيانات مخصصة تحتوي على الخلايا العصبية الإيجابية للألبومين (PVALB)، والتي تم استخلاصها من نتائج محاكاة النماذج الحيوية الواقعية للخلايا العصبية القشرية البشرية.تم بناء هذه النماذج على بيئة محاكاة NEURON وتستخدم تكوين قناة أيونية "نشطة بالكامل".تم إنشاء النظام باستخدام إطار تحسين تطوري متعدد الأهداف، بهدف إعادة إنتاج الخصائص الكهربية الفيزيولوجية المسجلة في التجارب.
على وجه التحديد، تحتوي مجموعة البيانات على 60 نموذجًا من نماذج HoF، منها 50 نموذجًا تُستخدم للتدريب (نماذج داخل التوزيع) و10 نماذج تُستخدم كنماذج غير مرئية للاختبار (نماذج خارج التوزيع).كما هو موضح في الشكل أدناه، يخضع كل نموذج لـ ٢٥٠ جيلًا من التحسين التطوري، مع جمع استجابات الجهد من أجيال مختلفة. بعد ذلك، تُحوّل معادلات الكابلات إلى مجموعة من المعادلات التفاضلية العادية المقترنة من خلال التقطيع المكاني. وأخيرًا، يتم اختيار تركيبة المعلمات التي تُقلل من متوسط خطأ الدرجة المعيارية بين خصائص المحاكاة والخصائص التجريبية.
تعتمد عملية توليد البيانات على استراتيجية تحسين من مرحلتين: أولاً، تُلائم الاستجابة السلبية دون العتبة، ثم تُسجل الديناميكيات النشطة ومنحنيات التردد-التيار الكاملة فوق عتبة الذروة. تُؤخذ عينات من بيانات السلسلة الزمنية لمدة 515 مللي ثانية بفاصل زمني قدره 0.02 مللي ثانية، وبعد ثلاثة أضعاف زمن أخذ العينات، تُحفظ 8583 نقطة زمنية، مما يُجنّب تأثيرات التداخل ويُخفّف العبء الحسابي.
كما هو موضح في الشكل أدناه، بالإضافة إلى منحنى تغير الجهد،وتتضمن مجموعة البيانات أيضًا تعليقات على 16 "مؤشرًا فسيولوجيًا" رئيسيًا.تتضمن مجموعة البيانات أنماط العرض (الصف الأول)، ومسارات الجهد التجريبية (الصف الثاني)، ومسارات الجهد المحاكاة (الصف الثالث)، وأشكال الموجات الشوكية (الصف الرابع)، ومنحنيات التردد والتيار (الصف الخامس)، مما يوفر معيارًا شاملًا لتقييم نماذج الذكاء الاصطناعي. يتيح هذا التصميم لمجموعة البيانات تدريب الذكاء الاصطناعي على توقع استجابات الخلايا العصبية وتقييم جودة التنبؤ، محققًا بذلك نهجًا متكاملًا في "التدريس والتدريب والاختبار".
NOBLE: إطار عمل مشغل عصبي مدفوع بـ FNO ومضمن في مدخلات مزدوجة.
يكمن الابتكار الأساسي لإطار عمل NOBLE في تكامله العميق بين المشغلين العصبيين وتقنيات التضمين المحتملة في المعلوماتية الحيوية.تم بناء نظام ربط شامل بين السمات العصبية واستجابات الجهد، والذي يُمكن تسميته مجازيًا "مترجم الإشارات العصبية". يستخدم هذا الإطار مُشغلات فورييه العصبية (FNO) كبنية أساسية، وتكمن ميزته في قدرته على معالجة بيانات التسلسل الزماني المكاني للفيزيولوجيا الكهربية العصبية بكفاءة. تستعير FNO أفكارًا من معالجة الإشارات الصوتية، حيث تُحلل الإشارات الكهربية الفيزيولوجية المأخوذة من مسافات متساوية في نطاق التردد من خلال تحويل فورييه السريع، مما يُصبح أداة حسابية مُصممة خصيصًا لأبحاث ديناميكيات الأعصاب.
تنبع قدرة "الترجمة" الخاصة بالنموذج من تصميمين رئيسيين لتضمين المدخلات: تضمين ميزة الخلايا العصبية وتضمين الحقن الحالي.
يختار الأول مؤشرين قابلين للتفسير بيولوجيًا، تيار العتبة (Ithr) والانحدار المحلي (sthr)، كخصائص أساسية. يُطبّق هذان المؤشران أولًا على الفاصل الزمني [0.5، 3.5]²، ثم يُحوّلان إلى سلسلة زمنية مكدسة باستخدام ترميز الدوال المثلثية بنمط NeRF. يُزوّد هذا النموذج بدليل معاملات الأجهزة للخلايا العصبية، مُحدّدًا بوضوح خصائصها الكهربية الفيزيولوجية الرئيسية. أما الثاني، فيستخدم استراتيجية ترميز متعددة الترددات K=9، تُقابل معلمات إثارة تيار الدخل. وكما هو موضح في الشكل أدناه، تُوازِن مجموعتا قنوات الدخل المكدسة المُدمجة الخصائص منخفضة الأبعاد بفعالية مع طريقة معالجة النطاق الترددي لـ FNO، مما يُحسّن بشكل كبير قدرة النموذج على التقاط ديناميكيات التردد العالي للإشارات العصبية.
من حيث بنية الشبكة، يحتوي NOBLE على 12 طبقة مخفية.تحتوي كل طبقة على 24 قناة وتستخدم 256 نمطًا فورييه، مما ينتج عنه حوالي 1.8 مليون معلمة نموذجية، أي ما يعادل إنشاء اتصال عصبي مُحاكي بنفس المقياس. تعتمد عملية التدريب على استراتيجية "التعلم المُخصص": باستخدام مُحسِّن آدم بمعدل تعلم ابتدائي قدره 0.004، إلى جانب استراتيجية جدولة ReduceLROnPlateau، وباستخدام الخطأ النسبي L4 كدالة خسارة، يستطيع النموذج استيعاب المبادئ الأساسية بسرعة وضبط سرعة تعلمه تلقائيًا عند حدوث اختناقات في التدريب. مقارنةً بالطرق التقليدية، لا يتطلب NOBLE تدريب نموذج بديل منفصل لكل خلية عصبية؛ بل يُحقق رسمًا تخطيطيًا مستمرًا لمساحة نموذج الخلية العصبية بأكملها من خلال مُشغل عصبي واحد. هذا يسمح له بتوليد استجابات عصبية جديدة ذات واقعية بيولوجية من خلال استيفاء الفضاء الكامن.
علاوةً على ذلك، يتميز NOBLE بمرونة في التوسع لتحقيق "تحسينات محددة"، مما يدعم الضبط الدقيق المبني على البيانات الفيزيائية لخصائص كهروفيزيولوجية محددة. ومن خلال إدخال دالة خسارة مركبة مرجحة L(λ)، يمكن منح خصائص الهدف (مثل سعة الترهل) أوزانًا أعلى، مما يُحسّن دقة نمذجة المؤشرات الرئيسية بدقة دون التأثير على أداء التنبؤ العام.
تلتقط NOBLE بدقة ديناميكيات الخلايا العصبية المتنوعة، وهي أسرع بنحو 4200 مرة من الحلول التقليدية.
لتقييم الأداء العام لإطار عمل NOBLE بشكل منهجيقام فريق البحث بتصميم تجارب متعددة الأبعاد حول خمسة اتجاهات أساسية، بما في ذلك الدقة الأساسية، والقدرة على التعميم، والكفاءة الحسابية، والقدرة على توليد الابتكار، والتحقق من فعالية الوحدات الأساسية.استخدمت التجربة 50 نموذجًا من نماذج HoF للخلايا العصبية الإيجابية للألبومين (PVALB) كبيانات تدريب رئيسية، وتم تحديد دقة التنبؤ بالنموذج من خلال الخطأ النسبي L2 والعديد من المؤشرات الكهربية الفيزيولوجية الرئيسية.
فيما يتعلق بالدقة الأساسية (الاختبار داخل التوزيع)،لا يزال NOBLE يُظهر قدرة تنبؤية ممتازة للإشارات المحقونة بالتيار والتي لم تُدرَّب، مع خطأ نسبي في مستوى L2 منخفض يصل إلى 2.18%. علاوة على ذلك، وكما هو موضح في الشكل أدناه، قارن الباحثون مسارات الجهد بين البيانات التجريبية، ومحاكاة المعادلات التفاضلية الجزئية، وتنبؤات NOBLE عند حقن تيارات 0.1 نانو أمبير و-0.11 نانو أمبير. تُظهر النتائج أن محاكاة المعادلات التفاضلية الجزئية متوافقة للغاية مع السجلات التجريبية، في حين أن الفرق بين تنبؤات NOBLE ومحاكاة المعادلات التفاضلية الجزئية ضئيل. هذا يشير إلى أن NOBLE يُعيد إنتاج دقة المُحلِّل العددي ويلتقط الديناميكيات الفسيولوجية الرئيسية بدقة.
في تقييم القدرة على التعميم (اختبار خارج التوزيع)،حافظت NOBLE على دقة تنبؤ عالية حتى عند استخدام 10 نماذج غير مرئية لـ HoF. وطبق فريق البحث هذه التقنية أيضًا على بيانات الخلايا العصبية الداخلية للببتيد المعوي النشط للأوعية الدموية (VIP)، محققين نتائج مستقرة مماثلة. يشير هذا إلى أن NOBLE لا يكتفي بحفظ خصائص مجموعة التدريب، بل يستوعب تمامًا القوانين الفيزيولوجية الكهربية لأنواع الخلايا.
من حيث الكفاءة الحسابية،يُظهر برنامج NOBLE ميزة سرعة فائقة. تُظهر نتائج الاختبارات أنه يستطيع التنبؤ بمسار جهد واحد في 0.5 ميلي ثانية فقط، بينما تستغرق الحلول العددية التقليدية 2.1 ثانية لإكمال نفس المحاكاة، مما يُمثل تحسنًا في السرعة بنحو 4200 مرة. تُرسي هذه الزيادة في الكفاءة الأساس لعمليات محاكاة آنية مستقبلية لشبكات تضم ملايين الخلايا العصبية، مما يجعل النمذجة على نطاق الدماغ الكامل ممكنة حسابيًا.
من حيث قدرات توليد الابتكار،ركز فريق البحث على التحقق من قدرة NOBLE على "استيفاء وإنشاء" نماذج عصبية جديدة بين السمات العصبية المعروفة. من خلال الاستيفاء العشوائي لخمسين نقطة في فضاء كامن يتكون من (Ithr، sthr)، نجح NOBLE في توليد مسار استجابة الجهد المقابل، بنتائج متوافقة للغاية مع السجلات التجريبية الحقيقية، مما يُظهر واقعية بيولوجية. في المقابل، تُنتج الطرق التقليدية التي تستوفي مُعاملات المعادلات التفاضلية الجزئية مُباشرةً آثارًا غير فسيولوجية مهمة، مما يُؤدي إلى ما يُسمى "وحوش النماذج العصبية". تُبرز هذه المُقارنة أن NOBLE قد تعلمت القوانين البيوفيزيائية الأساسية للخلايا العصبية، بدلاً من مُطابقة البيانات فحسب. أظهر المزيد من التحقق من خلال تجارب التنبؤ الجماعي أن توزيع الجهد الناتج عن الاستدلال المتوازي القائم على خمسين نموذجًا مُدرَّبًا كان متوافقًا للغاية مع نتائج المحاكاة العددية، وحتى عند توسيع نقاط أخذ العينات إلى 200، حافظ النموذج المُولَّد على معقوليته البيولوجية.
أظهرت التجارب التي أجريت على المتغيرات الخاضعة للرقابة أنه بعد إزالة ترميز ميزة الخلايا العصبية، ارتفع خطأ التنبؤ من 2% إلى 12%، مما يثبت أن تضمين المعلومات الحيوية هو "المحرك الأساسي" للإطار.
رابط GitHub: github.com/neuraloperator/noble
تتناغم الإنجازات الأكاديمية والتطبيقات الصناعية للمشغلات العصبية مع بعضها البعض.
إن التكامل المتبادل بين المشغلات العصبية ونمذجة الخلايا العصبية يولد صدى عميقًا في الأوساط الأكاديمية والصناعية، مما يدفع أبحاث علوم الدماغ من الاستكشاف النظري إلى التطبيق الصناعي.
في طليعة الأوساط الأكاديمية، يستخدم إطار عمل تحويل المشغل المدرك للهندسة (GAOT)، المقترح بشكل مشترك من قبل المعهد الفيدرالي السويسري للتكنولوجيا في زيورخ وجامعة كارنيجي ميلون، آليات الاهتمام متعددة المقاييس وتقنيات التضمين الهندسي.إنه يخترق عنق الزجاجة في نمذجة المجالات الهندسية المعقدة.يحقق هذا الإطار تدريبًا كامل الدقة على 9 ملايين عقدة من البيانات الصناعية لأول مرة، ويحقق أداءً ممتازًا في اختبارات معيارية لـ 28 معادلة تفاضلية جزئية. في الوقت نفسه، يُحسّن إنتاجية التدريب بمقدار 50%، ويُقلل زمن انتقال الاستدلال بمقدار 15%-30%، مما يُمهد الطريق لمحاكاة دقيقة للدوائر العصبية غير المنتظمة.
عنوان الورقة: محول المشغل المدرك للهندسة كبديل عصبي فعال ودقيق للمعادلات التفاضلية الجزئية على المجالات التعسفية
رابط الورقة:https://arxiv.org/abs/2505.18781
وفي الوقت نفسه، حقق نموذج "miBrain" التابع لمعهد ماساتشوستس للتكنولوجيا تقدماً كبيراً في بناء الكيانات العصبية.تدمج هذه المنصة ثلاثية الأبعاد ستة أنواع رئيسية من الخلايا في الدماغ البشري.تم إعادة إنتاج وظيفة الوحدة العصبية الوعائية بنجاح باستخدام المواد الهلامية الحيوية، وتم الكشف عن الدور التآزري للخلايا الدبقية في مرض الزهايمر من خلال تحرير الجينات، مما يوفر بيئة تحقق أكثر واقعية من الناحية الفسيولوجية لمشغلي الأعصاب.
عنوان الورقة: نموذج الدماغ البشري المناعي-الدبقي-العصبي الوعائي ثلاثي الأبعاد المُصمم هندسيًا
رابط الورقة:https://doi.org/10.1073/pnas.2511596122
من ناحية أخرى، تلتزم الصناعة بالهندسة وتطبيق النتائج الأكاديمية. ويُعدّ إطارا عمل NVIDIA مفتوحا المصدر، Modulus وPhysicsNeMo، مثالاً على ذلك.ويضع هذا الكتاب الأساس الجوهري للتطبيق العملي للمشغلات العصبية، ويدعم التطبيقات في مجالات متعددة، من العلوم الحياتية إلى محاكاة الهندسة.ويمكنه تحقيق تدريب واسع النطاق بشبكة مكونة من 50 مليون عقدة، وقد تم استخدامه من قبل العديد من الشركات الصناعية لبناء التوائم الرقمية.
في قطاع التطبيقات الطبية، تُدمج الشركات المبتكرة تقنية المُشغِّل العصبي بشكل عميق مع الاحتياجات السريرية. وقد حسّن نظام إعادة تأهيل الهيكل الخارجي للأطراف العلوية، الذي طُوِّرَ بالاشتراك بين شركة Boling Brain-Computer Interface وجامعة Zhejiang، دقة توليد الأوامر الحركية من خلال تحسين خوارزميات تحليل الإشارات العصبية. وقد ساعد هذا النظام بالفعل مرضى السكتة الدماغية الشللية على استعادة مهاراتهم الأساسية في العناية الذاتية في تجارب سريرية متعددة المراكز.
لقد سرّع هذا التعاون بين الأوساط الأكاديمية والصناعية من تشكيل حلقة متكاملة من "البحث الأساسي - التحول التكنولوجي - التطبيق الصناعي". وتكمن أهميته الجوهرية في الجمع العضوي بين نظرية المشغل المجردة ونموذج الخلايا العصبية الملموس، مما لا يُحسّن الكفاءة الحسابية والواقعية الفسيولوجية للمحاكاة العصبية فحسب، بل يُوسّع أيضًا آفاق التطبيقات الهندسية.
روابط مرجعية:
1.https://mp.weixin.qq.com/s/HWi9wNK3idpUSXCVN_nIZQ
2.https://mp.weixin.qq.com/s/YbqtmO0eU8Fn2Y-oRdBdWQ
3.https://mp.weixin.qq.com/s/UIi30fX81Xeh5dqBPxzMPQ
