Meta FAIR تطلق NeuralSet: حزمة بايثون للذكاء الاصطناعي العصبي

بقلم: فريق تحرير العلامة التقنية التصنيف: الذكاء الاصطناعي ٢٩ أبريل ٢٠٢٦

أطلق باحثو Meta FAIR حزمة NeuralSet، وهي إطار عمل بلغة بايثون مصمم لمعالجة إحدى أكبر العقبات في أبحاث الذكاء الاصطناعي العصبي: مشكلة إدخال بيانات الدماغ إلى خطوط معالجة التعلم العميق بشكل سلس وفعال.

التحديات في معالجة بيانات الأعصاب

على الرغم من وجود برامج ممتازة في مجال علوم الأعصاب مثل MNE-Python وEEGLAB وFieldTrip، إلا أن هذه الأدوات مصممة لعصر ما قبل التعلم العميق. تعتمد هذه الأدوات على تحميل البيانات بالكامل في الذاكرة، مما يؤدي إلى قيود في قدرتها على التعامل مع مجموعات البيانات الكبيرة والبيانات المعقدة، مثل بيانات الأشكال المتعددة من الإشارات العصبية.

ما يقدمه NeuralSet

تم تصميم NeuralSet لفصل الهيكل عن البيانات، حيث يمثل الهيكل المنطقي لأي تجربة كبيانات وصفية خفيفة الوزن بدلاً من تحميل الإشارات الخام في البداية. تقدم الحزمة خمسة مفاهيم أساسية: الأحداث (Events)، المستخلصات (Extractors)، المقاطع (Segments)، بيانات الدفعات (Batch Data)، وطبقة الخلفية (Backend).

كل شيء في تجربة ما - مثل تشغيل fMRI أو كلمة منطوقة خلال مهمة - يتم تمثيله كحدث، وهو قاموس بايثون خفيف الوزن يحتوي على نوع ووقت بداية ومدة ورمز زمني. يمكن تجميع جميع الأحداث في مجموعة بيانات واحدة باستخدام pandas DataFrame.

التفاعل مع البيانات

عند الحاجة للعمل مع البيانات، يستخدم NeuralSet المستخلصات لتوفير جسر بين طبقة البيانات الوصفية والمصفوفات العددية المطلوبة من قبل نماذج التعلم الآلي. على سبيل المثال، يستخدم FmriExtractor مكتبة Nilearn لتنظيف الإشارات، بينما يتم التعامل مع EEG وMEG عبر مكتبة MNE-Python.

تتوفر تكاملات أصلية مع نظام HuggingFace، مما يسمح بتنفيذ معالجات مثل Wav2Vec وGPT-2 دون الحاجة إلى إعادة كتابة خطوط المعالجة.

تنظيم البيانات وتحسين الأداء

يساعد مستخرج البيانات في إعداد وتحميل البيانات بكفاءة، مما يقلل من الحاجة لإعادة الحساب مرارًا وتكرارًا. يتم تنظيم الأحداث في مقاطع زمنية تمثل أمثلة تدريبية، ويمكن استخدام PyTorch DataLoader لتسهيل عملية التعلم.

تعتمد الحزمة على نظام exca الذي يدير التخزين المؤقت القائم على التجزئة، مما يضمن أن أي خطأ في التكوين يتم اكتشافه أثناء مرحلة الإعداد.

التنافس مع الأدوات الأخرى

أظهر فريق البحث مقارنة شاملة بين NeuralSet و18 حزمة برمجية موجودة في مجال علوم الأعصاب. أظهرت النتائج أن NeuralSet تفوقت بدعمها الكامل عبر جميع الفئات، مما يجعلها الخيار الأمثل للباحثين في هذا المجال.

الخلاصة

يسعى NeuralSet إلى توحيد بيانات الدماغ والذكاء الاصطناعي في خط معالجة واحد. بفضل تصميمه الذي يفصل بين البيانات الهيكلية والاستخراج المعقد للإشارات، يستطيع الباحثون الآن التعامل مع مجموعات بيانات ضخمة بكفاءة وفعالية، مما يفتح آفاقًا جديدة لأبحاث علوم الأعصاب. كما أن الدعم المدمج لمكتبات مثل HuggingFace ومختلف تقنيات معالجة الإشارات تجعل منه أداة قوية للدراسات المستقبلية.