باختصار
البحث عن البنية العصبية (Neural Architecture Search، ويُختصر NAS) هو تقنية للتصميم الآلي لبنية شبكة عصبية. وخوارزميات NAS ممكن تقلّل الوقت والموارد اللازمة لتدريب شبكة عصبية.
بالتفصيل
تصميم بنية شبكة عصبية يدويًا — كم طبقة؟ كام خلية في كل طبقة؟ إيه نوع الاتّصالات بينها؟ — شغل خبراء تقليديًا، مبني على حدس متراكم من التجربة وقراءة أبحاث سابقة. NAS بيحاول يؤتمت العملية دي.
وعادةً بتستخدم خوارزميات NAS مكوّنين أساسيين:
- فضاء بحث (Search Space): مجموعة البنى الممكنة اللي الخوارزمية مسموح لها تختار منها.
- دالّة لياقة (Fitness Function): مقياس لمدى جودة أداء بنية معيّنة على مهمّة محدّدة.
وغالبًا بتبدأ خوارزميات NAS بمجموعة صغيرة من البنى الممكنة، وبتوسّع فضاء البحث تدريجيًا كل ما تعلّمت أكتر عن أي البنى فعّالة. ودالّة اللياقة عادةً بتُبنى على أداء البنية على مجموعة تدريب، والخوارزمية عادةً بتُدرَّب باستخدام تقنية تعلّم معزّز.
وقد أثبتت خوارزميات NAS فعاليتها في إيجاد بنى عالية الأداء لمهامّ متنوّعة، بما فيها تصنيف الصور وتصنيف النصوص.
الثمن المدفوع مقابل ده هو التكلفة الحسابية الهائلة لعملية البحث نفسها: تجربة آلاف البنى المرشّحة، كلٌّ منها محتاج تدريبًا فعليًا للتقييم، بيتطلّب موارد حوسبة ضخمة — حتى لو النتيجة النهائية بنية أصغر وأكفأ.
مثال عملي
شركة تقنية عايزة نموذج تصنيف صور يشتغل بسرعة على الهواتف المحمولة. بدل ما فريق مهندسين يجرّب يدويًا عشرات التصاميم على مدار شهور، بيشغّلوا خوارزمية NAS تجرّب آلاف البنى المحتملة تلقائيًا خلال أيام، وترجّع البنية اللي حقّقت أفضل توازن بين الدقّة وسرعة التنفيذ على العتاد المستهدَف.
مصطلحات مرتبطة
- Compact Model — النموذج المدمج.
- AutoML — التعلّم الآلي المؤتمت.
- Reinforcement Learning — التعلّم المعزّز.
المصادر: Google ML Glossary
