https://sarabic.ae/20260224/جامعة-موسكو-الحكومية-تخفض-تكاليف-الذاكرة-اللازمة-لتدريب-نماذج-الذكاء-الاصطناعي-8-أضعاف-1110707518.html
جامعة موسكو الحكومية تخفض تكاليف الذاكرة اللازمة لتدريب نماذج الذكاء الاصطناعي 8 أضعاف
جامعة موسكو الحكومية تخفض تكاليف الذاكرة اللازمة لتدريب نماذج الذكاء الاصطناعي 8 أضعاف
سبوتنيك عربي
قدّم علماء من كلية الرياضيات الحاسوبية وعلم التحكم الآلي طريقة جديدة لدمج الصور الطبية بالاعتماد على المؤثرات العصبية، حيث يُمكن تدريب النموذج المُطور، المسمى... 24.02.2026, سبوتنيك عربي
2026-02-24T17:12+0000
2026-02-24T17:12+0000
2026-02-24T17:12+0000
مجتمع
علوم
روسيا
جامعات روسية
ذكاء اصطناعي
ذاكرة
معالجة
https://cdn.img.sarabic.ae/img/07e9/08/1a/1104169300_0:67:640:427_1920x0_80_0_0_5d01665ccdac8252f4488c59632c33ac.jpg
يُعدّ دمج سلاسل الصور الطبية ومقارنتها بدقة مهمة أساسية في التشخيص الطبي الحديث، وهذا ضروري لشكل خاص لمراقبة تطور الأمراض، والتخطيط للعمليات الجراحية، ومقارنة البيانات من فحوصات مختلفة، وفق ما ورد في "بوابة روسيا العلمية". مع ذلك، تتطلب الأساليب الرياضية التقليدية قدرة حاسوبية كبيرة وضبطا دقيقا، بينما تتطلب أساليب الشبكات العصبية الحديثة ذاكرة فيديو ضخمة، غير متوفرة في أجهزة الكمبيوتر المكتبية العادية. على عكس الشبكات العصبية الالتفافية التقليدية، التي تعمل مع الأنماط المحلية في الصورة، يعتمد نموذج "FNOReg" على بنية مُشغِّل فورييه العصبي (FNO)، وهذا يسمح للنموذج بتحديد الأنماط العامة والتحلي بالمتانة تجاه تغيرات دقة بيانات الإدخال. وقد حسَن الباحثون البنية الأساسية بإضافة وحدات فعالة لاستخراج الميزات ووصلات إضافية، ما زاد من استقرار التدريب وجودة النتائج.تم اختبار النموذج على مجموعة بيانات "OASIS-1" العامة التي تحتوي على صور رنين مغناطيسي للدماغ ند تدريب النموذج على صور كاملة الدقة، أظهر "FNOReg" دقة تُضاهي أفضل النماذج الحديثة المماثلة (VoxelMorph ،TransMorph). و يوضح دميتري سوروكين، الباحث الرئيسي في مختبر الأساليب الرياضية لمعالجة الصور، أن هذا التطوير بمثل خطوة مهمة نحو تطبيق أساليب الذكاء الاصطناعي المعقدة في الممارسة السريرية الواقعية، وسيتمكن الباحثون من استخدام موارد حاسوبية أقل، والحصول في نهاية المطاف على خرائط أكثر دقة وسلاسة. يتوفر الكود المصدري لنموذج "FNOReg" بشكل مفتوح، ما يتيح للمجتمع العلمي استخدام هذه التقنية وتطويرها. علماء روس يطورون طريقة لتسريع عملية ترميم الأنسجة البشرية
https://sarabic.ae/20260214/علماء-روس-يحددون-شروطا-لإنتاج-أشباه-موصلات-أكثر-تطورا---1110355483.html
https://sarabic.ae/20260212/علماء-روس-يبتكرون-طريقة-تزيد-عمر-بطاريات-الليثيوم-4-أضعاف-1110297359.html
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
2026
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
الأخبار
ar_EG
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
سبوتنيك عربي
feedback.arabic@sputniknews.com
+74956456601
MIA „Rossiya Segodnya“
علوم, روسيا, جامعات روسية, ذكاء اصطناعي, ذاكرة, معالجة
علوم, روسيا, جامعات روسية, ذكاء اصطناعي, ذاكرة, معالجة
جامعة موسكو الحكومية تخفض تكاليف الذاكرة اللازمة لتدريب نماذج الذكاء الاصطناعي 8 أضعاف
قدّم علماء من كلية الرياضيات الحاسوبية وعلم التحكم الآلي طريقة جديدة لدمج الصور الطبية بالاعتماد على المؤثرات العصبية، حيث يُمكن تدريب النموذج المُطور، المسمى "FNOReg"، على صور منخفضة الدقة، ثم تطبيقه بالدقة الأصلية دون فقدان الدقة، وهو أمر بالغ الأهمية عند التعامل مع كميات كبيرة من البيانات ثلاثية الأبعاد، مثل التصوير المقطعي للدماغ.
يُعدّ دمج سلاسل الصور الطبية ومقارنتها بدقة مهمة أساسية في التشخيص الطبي الحديث، وهذا ضروري لشكل خاص لمراقبة تطور الأمراض، والتخطيط للعمليات الجراحية، ومقارنة البيانات من فحوصات مختلفة، وفق ما ورد في "
بوابة روسيا العلمية".
مع ذلك، تتطلب الأساليب الرياضية التقليدية قدرة حاسوبية كبيرة وضبطا دقيقا، بينما تتطلب أساليب الشبكات العصبية الحديثة ذاكرة فيديو ضخمة، غير متوفرة في أجهزة الكمبيوتر المكتبية العادية.
علاوة على ذلك، تفقد هذه النماذج دقتها عند تدريبها على صور ذات دقة أقل من تلك المستخدمة في الشبكات العصبية. وقد اقترح مؤلفا الدراسة، الطالب نيكيتا دروزدوف والباحث دميتري سوروكين في مختبر الأساليب الرياضية لمعالجة الصور بكلية الرياضيات الحاسوبية وعلم التحكم الآلي في جامعة موسكو الحكومية، حلًا لهذه المشكلة.
على عكس الشبكات العصبية الالتفافية التقليدية، التي تعمل مع الأنماط المحلية في الصورة، يعتمد نموذج "FNOReg" على بنية مُشغِّل فورييه العصبي (FNO)، وهذا يسمح للنموذج بتحديد الأنماط العامة والتحلي بالمتانة تجاه تغيرات دقة بيانات الإدخال. وقد حسَن الباحثون البنية الأساسية بإضافة وحدات فعالة لاستخراج الميزات ووصلات إضافية، ما زاد من استقرار التدريب وجودة النتائج.
تم اختبار النموذج على مجموعة بيانات "OASIS-1" العامة التي تحتوي على صور رنين مغناطيسي للدماغ ند تدريب النموذج على صور كاملة الدقة، أظهر "FNOReg" دقة تُضاهي أفضل النماذج الحديثة المماثلة (VoxelMorph ،TransMorph).
وقد تحقق إنجاز هام عند تدريب النموذج على صور تم تخفيض دقتها إلى النصف، حيث انخفضت دقة النماذج الرائدة بنسبة 24-25%، بينما انخفضت دقة "FNOReg" انخفاضا طفيفا فقط - بنسبة 0.8% للبيانات ثنائية الأبعاد و2.7% للبيانات ثلاثية الأبعاد. هذا يعني أنه يُمكن تدريب النموذج بكفاءة على البيانات المضغوطة، ما يوفر ما يصل إلى 75% من ذاكرة وحدة معالجة الرسومات، ثم تطبيقه لاحقا على صور عالية الدقة دون فقدان الجودة.
و يوضح دميتري سوروكين، الباحث الرئيسي في مختبر الأساليب الرياضية لمعالجة الصور، أن هذا التطوير بمثل خطوة مهمة نحو تطبيق أساليب الذكاء الاصطناعي المعقدة في الممارسة السريرية الواقعية، وسيتمكن الباحثون من استخدام موارد حاسوبية أقل، والحصول في نهاية المطاف على خرائط أكثر دقة وسلاسة.
يتوفر الكود المصدري لنموذج "FNOReg" بشكل مفتوح، ما يتيح للمجتمع العلمي استخدام هذه التقنية وتطويرها.
