تحسين البحث الهيكلي العصبي باستخدام وقت GPU المحدود في فضاء بحث ديناميكي: نهج يعتمد على برمجة تعبير الجينات

أصبح التعرف الفعّال على الأشخاص والأجسام، وتقسيم مناطق الاهتمام، واستخراج البيانات ذات الصلة من الصور والنصوص والأصوات والفيديوهات تطوّرًا كبيرًا في السنوات الأخيرة، حيث ساهمت طرق التعلم العميق، مع التحسينات الحديثة في الموارد الحاسوبية، بشكل كبير في هذا الإنجاز. وعلى الرغم من الإمكانات الاستثنائية التي تمتلكها، فإن تطوير هياكل ووحدات فعّالة يتطلب معرفة خبيرة وكمًا كبيرًا من الوقت والموارد. في هذا البحث، نقترح منهجية قائمة على التطور للبحث عن الهياكل العصبية (Neural Architecture Search) من أجل اكتشاف نماذج تلافيفية فعّالة ضمن فضاء بحث ديناميكي، وذلك خلال 24 ساعة فقط من استخدام وحدة معالجة الرسومات (GPU). وبفضل بيئة البحث الفعّالة وتمثيل الفينوتيبي (phenotype) المُستخدم، تم تعديل برمجة تعبير الجينات (Gene Expression Programming) لغرض إنشاء الخلايا الشبكية. وعلى الرغم من القيود المفروضة على موارد وحدة معالجة الرسومات واتساع فضاء البحث، حقق العمل المقترح أداءً يقترب من أفضل النماذج المُصممة يدويًا، وكذلك النماذج الناتجة عن عمليات البحث التلقائي للهياكل العصبية (NAS)، بل وتخطى بعض الدراسات المماثلة التي تعتمد على نهج تطوري محدود. وسجلت أفضل الخلايا في مختلف التجارب نتائج مستقرة، حيث بلغ متوسط الخطأ 2.82% على مجموعة بيانات CIFAR-10 (بينما حقق أفضل نموذج خطأً قدره 2.67%)، و18.83% على CIFAR-100 (أفضل نموذج بخطأ 18.16%). أما على مجموعة بيانات ImageNet في البيئة المتنقلة (mobile setting)، فقد حقق أفضل نموذج لدينا خطأً بنسبة 29.51% في التصنيف الأول (top-1) و10.37% في التصنيف الخامس (top-5). وعلى الرغم من التقارير التي تشير إلى أن الطرق القائمة على التطور في مجال البحث التلقائي للهياكل العصبية تتطلب كمًا كبيرًا من وقت وحدة معالجة الرسومات، فإن المنهج المقترح حقق نتائج واعدة في وقت قصير جدًا، مما يشجع على مزيد من التجارب في مجال البحث التلقائي القائم على التطور، بهدف تحسين بيئة البحث وتمثيل الشبكات العصبية.