مئات الطوب البسيط علمت نفسها التعرف على شكلها الخاص

موضوع متكرر في أبحاث Sakana AI هو الذكاء الجماعي: ملاحظة أن السلوك المعقد القوي يمكن أن ينشأ من أجزاء بسيطة عديدة تتبع قواعد محلية دون وجود وحدة تحكم مركزية. حتى الآن، بقيت تلك الأبحاث في البرمجيات. ورقة بحثية نُشرت في Nature Communications تمثل المرة الأولى التي تُظهر فيها نفس المبادئ في العتاد الفعلي، بتعاون بين باحثين من جامعة ITU كوبنهاجن و Sakana AI و Autodesk.

النظام هو مجموعة من الطوب الخلوي، كل منها عبارة عن مكعب صغير من لوحة الدارات المطبوعة مع موصلات كهربائية على جميع الوجوه الستة، ومتحكم دقيق، ومصباح LED يعرض تخمين الفئة الحالي والإلكترونيات اللازمة لتشغيل نفسه. تتكدس هذه الطوب معاً لتشكل أجساماً عشوائية وتتواصل محلياً بحتة عبر بروتوكول تسلسلي رقمي مخصص. لا يتم إخبار أي طوبة بموقعها أو أي شكل هي جزء منه. يدير كل طوبة شبكة عصبية خلوية آلية متطابقة (NCA) وهي شبكة عصبية عميقة تتعلم قواعد التحديث المحلية بدلاً من صياغتها يدوياً وتتكرر حتى يتقارب المجموع على تسمية شكل واحد.

ما تفعله الطوب

المهمة الجماعية هي التمييز بين الأجسام التي تشبه الطائرات والكراسي والسيارات والطاولات والمنازل والغيتارات والقوارب. بدلاً من مطابقة تكوين واحد محدد مسبقاً، يعمم النظام عبر فئات كاملة من الأشكال. طاولة بخمسة أرجل وبأرجل في مواضع عشوائية لا يزال يتم تصنيفها كطاولة. قارب مع جسر مركزي منحرف عن المركز لا يزال يتم التعرف عليه. الشبكة تلتقط سمات هيكلية مجردة، لا تحفظ حالات فردية.

في المحاكاة، وصلت الطريقة إلى دقة 98.97%. في العتاد، بنى الفريق أربعة أشكال متميزة تتراوح من 26 طوبة (غيتار) إلى 197 (طاولة مستديرة). حققت الطوب إجماعاً صحيحاً على طائرة وغيتار وقارب وطاولة بنسبة نجاح 100% عبر جميعها الأربعة، متقاربة في أقل من 60 دورة تحديث، أي حوالي ثلاث دقائق من الوقت الحقيقي.

كشف الضرر وإصلاح الذات

الأنظمة البيولوجية مثل البلاناريا والأكسولوتل تعيد نمو أجزاء الجسم المعقدة من خلال دورات موزعة من الاستشعار والتجديد دون وجود وحدة تحكم مركزية. تم تدريب الطوب ليكتشف ما إذا كانت الخلية المجاورة تالفة، إما بالتنبؤ بعدم وجود ضرر أو بالضرر في أحد الاتجاهات المكانية الستة. احتفظ النظام بدقة تصنيف شكلي بلغت 98.9% بينما كشف الضرر بدقة متوسطة بلغت 94.8%.

لاختبار التعافي، بدأ الفريق من مجموعة صغيرة من الخلايا وأضاف بشكل متكرر خلايا جديدة في الاتجاه الذي أشارت إليه الخلايا الموجودة حتى لم يتم اكتشاف ضرر آخر. دون أن يتم تدريبه أبداً على النمو من بضع خلايا فقط، استعاد النموذج جميع الأشكال تقريباً عبر جميع فئات الأجسام بدقة عالية. على شبكات محاكاة أكبر تصل إلى 64x64x64، عملت الطريقة على أشكال معقدة مثل سمكة، وشعار Sakana AI، وقلب مبني من أكثر من 18,000 مكعب.

استراتيجيات التواصل الناشئة

الورقة تفحص أيضاً كيف يحل المجموع المهمة فعلياً. في وقت مبكر من العملية، تُنشئ القنوات الخفية للشبكة العصبية الخلوية الآلية أنماط تنشيط يمين-يسار وشعاعية تشبه التدرجات المورفوجينية التي تشكل المحاور التطورية في الأجنة. نفس النمط يشرح كيف يميز النظام بين الطاولات والكراسي: بالنسبة للكراسي، تنتشر إشارة أمامية-خلفية من الظهر الخارجي، وتعيد تصنيف الخلايا التي كانت تُقرأ في البداية كـ "طاولة" إلى إجماع "كرسي" متماسك.

يذكر الفريق أن الطريقة معيارية بطبيعتها. نفس البنية التحتية ورمز كل مكعب المتطابق الذي يعالج تصنيف الشكل يمتد أيضاً إلى تحديد الوحدات المفقودة وتوجيه إعادة النمو. يبدو أن القياس يمكن التنبؤ به: مع زيادة الدقة المكانية والتعقيد الهيكلي، يتطلب الحفاظ على الأداء العالي سعة نموذج أكبر، لكن العلاقة مواتية.

هذا العمل هو، بالنسبة لـ Sakana AI، خطوة أولى في اتجاه أوسع: أخذ مبادئ الذكاء الجماعي المدروسة في البرمجيات والسماح لها بالظهور، لامركزية وقوية، في العالم الفيزيائي. الورقة في Nature Communications متاحة بالوصول المفتوح، والرمز متاح على GitHub. الفريق يذكر أيضاً القيود، بما في ذلك حقيقة أن الاختناقات الهيكلية الضيقة (فشل واحد على طول رقبة الغيتار) يمكن أن تكسر عملية التصنيف بسهولة أكبر من الأشكال ذات الاتصال المكرر.