الحوسبة الهجينة باستخدام شبكة عصبية مع ذاكرة خارجية ديناميكية

تتفوق الشبكات العصبية الاصطناعية تفوقًا ملحوظًا في المعالجة الحسية، والتعلُّم التسلسلي، وكذا التعلم التعزيزي، غير أن قدرتها محدودة على تمثيل المتغيرات، وهياكل البيانات، وتخزين البيانات على مدار فترات زمنية طويلة، وذلك بسبب عدم وجود ذاكرة خارجية. ويقدِّم الباحثون في هذا البحث نموذج تعلُّم آلي، يُسمى حاسوبًا عصبيًّا تفاضليًّا (DNC)، يتكون من شبكة عصبية يمكنها القراءة من مصفوفة ذاكرة خارجية، مشابهة لذاكرة الوصول العشوائي في الحاسوب التقليدي، والكتابة فيها. وعلى غرار الحاسوب التقليدي، يستطيع هذا الحاسوب استخدام ذاكرته لتمثيل هياكل بيانات معقدة، والتحكم فيها، ولكنْ على غرار أي شبكة عصبية، يمكنه أن يتعلم كيفية القيام بذلك من البيانات. ويوضح هذا البحث أنه عندما يتم تدريب الحاسوب العصبي التفاضلي بأسلوب التعلُّم المراقب، فإنه يستطيع الإجابة بنجاح على أسئلة تركيبية مصمَّمة لمحاكاة مسائل المنطق والاستدلال في اللغة الطبيعية. ويوضح الباحثون أيضًا إمكانية أن يتعلم بعض المهام، مثل العثور على أقصر مسار بين نقاط محددة، واستنتاج العلاقات المفقودة في رسوم بيانية تم إنشاؤها بشكل عشوائي، ثم تعميم هذه المهام على رسوم بيانية محددة، مثل شبكات وسائل النقل، وأشجار العائلات. وعند تدريب الحاسوب العصبي التفاضلي بأسلوب التعلُّم التعزيزي، فإنه يستطيع حل لغز الكتل المتحركة، الذي يتم فيه تحديد الأهداف المتغيرة، عن طريق متواليات من الرموز. وتُظْهِر خلاصة نتائج هذا البحث أن الحواسيب العصبية التفاضلية لديها القدرة على التعامل بنجاح مع المهام المعقدة والهيكلية، التي لا يمكن للشبكات العصبية التعامل معها بدون ذاكرة خارجية للقراءة والكتابة.