سازوکار بهینه‌سازی در یادگیری عمیق: مدل‌های هوش مصنوعی چگونه واقعاً یاد می‌گیرند؟

هر بار که از یک هوش مصنوعی سؤالی می‌پرسید، در واقع از یک سفر ریاضیاتی بهره می‌برید که ماه‌ها قبل انجام شده است. پیش از آنکه یک مدل زبان بزرگ بتواند شعر بسراید یا یک سیستم بینایی توموری را تشخیص دهد، زندگی خود را به عنوان یک لوح سفید از اعداد تصادفی آغاز می‌کند.

فرآیند تبدیل این تصادفی بودن به هوش ساختاریافته، جادو نیست؛ بلکه یک فرآیند تکراری و بسیار مکانیکی بهینه‌سازی است. در هسته خود، آموزش یک هوش مصنوعی صرفاً جستجویی برای یافتن کمترین خطای ممکن در یک فضای گسترده و چندبعدی است.[6]

برای درک این فرآیند، تصور کنید که در یک رشته کوه ناهموار و ناشناخته چشم‌بند زده‌اید و وظیفه دارید پایین‌ترین دره ممکن را پیدا کنید. شما نمی‌توانید چشم‌انداز را ببینید؛ فقط می‌توانید شیب زمینی را که بلافاصله زیر پایتان است، حس کنید. یادگیری یک شبکه عصبی دقیقاً به همین صورت است. الگوریتم‌هایی که این فرود را هدایت می‌کنند، تعیین می‌کنند که آیا آموزش مدل روزها طول می‌کشد یا قرن‌ها، و اینکه آیا یک راه‌حل واقعی پیدا می‌کند یا به طور ناامیدکننده‌ای در یک گودال کم‌عمق گیر می‌کند.[2]

قطب‌نمای این سفر، «تابع زیان» (Loss Function) است. تابع زیان یک فرمول ریاضیاتی است که تفاوت دقیق بین آنچه هوش مصنوعی پیش‌بینی می‌کند و حقیقت واقعی را محاسبه می‌کند. اگر یک طبقه‌بندی‌کننده تصویر به عکس گربه‌ای نگاه کند و «سگ» پیش‌بینی کند، تابع زیان یک امتیاز جریمه بالا می‌دهد. اگر «گربه» پیش‌بینی کند، امتیاز تقریباً به صفر می‌رسد. هدف کلی آموزش یک مدل یادگیری عمیق، به حداقل رساندن این عدد واحد در میان میلیاردها نمونه است.[6][10]

برای به حداقل رساندن زیان، شبکه از تکنیکی به نام گرادیان کاهشی (Gradient Descent) استفاده می‌کند. مدل با محاسبه مشتق—یا گرادیان—تابع زیان نسبت به تک تک پارامترهای شبکه، تعیین می‌کند که کدام جهت از نظر ریاضی «پایین» است. سپس یک گام کوچک در آن جهت برمی‌دارد و وزن‌های داخلی خود را به‌روزرسانی می‌کند تا برای پیش‌بینی بعدی کمی دقیق‌تر باشد. این فرآیند میلیون‌ها بار تکرار می‌شود.[2]

اندازه این گام توسط یک تنظیم حیاتی به نام «نرخ یادگیری» (Learning Rate) کنترل می‌شود. اگر نرخ یادگیری بیش از حد بزرگ باشد، ممکن است مدل به طور کامل از روی پایین‌ترین نقطه دره بپرد و به طور نامنظم به سمت دیگر پرتاب شود، پدیده‌ای که به عنوان واگرایی (Divergence) شناخته می‌شود. اگر نرخ یادگیری خیلی کوچک باشد، فرود به طرز دردناکی کند می‌شود و ممکن است مدل در یک حداقل محلی (Local Minimum) گیر کند—یک فرورفتگی کوچک در دامنه کوه که بسیار بالاتر از کف دره واقعی است.[9]

برای دهه‌ها، محققان مجبور بودند این نرخ یادگیری را به صورت دستی تنظیم کنند، فرآیندی خسته‌کننده از آزمون و خطا که اغلب نیاز به تنظیم مداوم با پیشرفت آموزش داشت. نقطه عطف و پیشرفتی که رونق هوش مصنوعی مدرن را ممکن ساخت، توسعه الگوریتم‌های نرخ یادگیری تطبیقی بود. این الگوریتم‌ها به جای استفاده از یک اندازه گام ثابت و واحد برای هر پارامتر، نرخ یادگیری را برای هر وزن مجزا در شبکه بر اساس گرادیان‌های تاریخی آن به طور خودکار تنظیم می‌کنند.[6]

پیشگام در این حوزه، الگوریتم آداگراد (Adagrad) بود که در سال ۲۰۱۱ معرفی شد. آداگراد با نگهداری یک مجموع در حال اجرا از تمام گرادیان‌های مجذور گذشته برای هر پارامتر کار می‌کند. سپس نرخ یادگیری را برای پارامترهایی که به‌روزرسانی‌های مکرر دریافت می‌کنند، کاهش می‌دهد، در حالی که نرخ یادگیری را برای ویژگی‌های نادر و آموزنده بالا نگه می‌دارد. این امر برای پردازش داده‌های پراکنده، مانند متن که در آن برخی کلمات به طور مداوم ظاهر می‌شوند و برخی دیگر تقریباً هرگز، انقلابی بود.[5]

با این حال، آداگراد هنگام اعمال در شبکه‌های عصبی عمیق یک نقص مهلک داشت: مجموع تاریخی آن همیشه بزرگتر می‌شد. از آنجا که این الگوریتم هر گرادیان گذشته را از ابتدای آموزش انباشته می‌کرد، مخرج در محاسبه نرخ یادگیری آن به طور مداوم افزایش می‌یافت. در نهایت، نرخ یادگیری تقریباً به صفر می‌رسید و باعث می‌شد مدل قبل از رسیدن به راه‌حل بهینه، به طور کامل یادگیری را متوقف کند.[2]

راه‌حل این مشکل نرخ یادگیری محوشونده از یک منبع غیرمنتظره آمد: یک اسلاید در یک سخنرانی آنلاین توسط جفری هینتون، پیشگام هوش مصنوعی. هینتون الگوریتم آر.ام.اس.پراپ (RMSprop) را پیشنهاد کرد، الگوریتمی که آداگراد را با تغییر نحوه به خاطر سپردن گذشته اصلاح می‌کند. RMSprop به جای انباشت تمام گرادیان‌های تاریخی، از یک میانگین کاهشی نمایی استفاده می‌کند. این الگوریتم گرادیان‌های قدیمی‌تر را «فراموش می‌کند» و اجازه می‌دهد نرخ یادگیری شناور باقی بماند و مدل بتواند به طور نامحدود به یادگیری ادامه دهد.[4][7]

تقریباً در همان زمان، الگوریتم دیگری به نام آدادِلتا (Adadelta) به طور مستقل برای حل دقیقاً همین مشکل توسعه یافت. آدادِلتا نیز پنجره گرادیان‌های گذشته انباشته شده را محدود می‌کند تا از افت نرخ یادگیری به صفر جلوگیری کند. این الگوریتم یک گام فراتر می‌رود و تلاش می‌کند نیاز به تنظیم نرخ یادگیری پیش‌فرض را به طور کامل از بین ببرد، و از واحدهای خود پارامترها برای هدایت اندازه گام استفاده می‌کند، اگرچه بر همان مکانیسم کاهشی بنیادی RMSprop متکی است.[3][8]

امروزه، پادشاه بلامنازع بهینه‌سازی یادگیری عمیق، آدام (Adam - Adaptive Moment Estimation) است که در سال ۲۰۱۴ معرفی شد. آدام بهترین ایده‌های پیشینیان خود را ترکیب می‌کند. این الگوریتم از میانگین کاهشی نمایی گرادیان‌های مجذور گذشته (مانند RMSprop) برای مقیاس‌بندی نرخ یادگیری استفاده می‌کند، اما همچنین «تکانه» (Momentum) را اضافه می‌کند—جهت گام‌های اخیر را پیگیری می‌کند تا مانند یک توپ سنگین که از تپه‌ای پایین می‌غلتد، از مناطق مسطح چشم‌انداز زیان عبور کند.[1]

تسلط آدام در این حوزه را به سختی می‌توان نادیده گرفت. این بهینه‌ساز پیش‌فرض در تقریباً تمام چارچوب‌های اصلی یادگیری عمیق است و آموزش همه چیز، از سیستم‌های بینایی کامپیوتر گرفته تا مدل‌های زبان بزرگ عظیم، را تقویت می‌کند. توانایی آن در دستیابی به همگرایی سریع با حداقل تنظیم دستی، آن را به سنگ بنای رونق یادگیری عمیق تبدیل کرد و به محققان اجازه داد تا به جای ریاضیات بهینه‌سازی، بر معماری تمرکز کنند.[9]

با این حال، سازوکار بهینه‌سازی همچنان یک میدان نبرد فعال باقی مانده است. در حالی که آدام فوق‌العاده سریع است، محققان دریافته‌اند که روش‌های قدیمی‌تر و ساده‌تر مانند گرادیان کاهشی تصادفی (SGD) همراه با تکانه، اغلب حداقل‌های «مسطح‌تر» را در چشم‌انداز زیان پیدا می‌کنند. این حداقل‌های مسطح‌تر تمایل دارند که به داده‌های جدید و دیده نشده بهتر تعمیم یابند، به این معنی که مدل در دنیای واقعی عملکرد بهتری دارد، حتی اگر آموزش آن در محیط آزمایشگاهی زمان بیشتری برده باشد.[2][9]

بنابراین، انتخاب بهینه‌ساز یک بده‌بستان ظریف بین سرعت همگرایی و کیفیت نهایی مدل حاصل است. با افزایش مقیاس شبکه‌های عصبی به تریلیون‌ها پارامتر، هندسه چشم‌اندازهای زیان آن‌ها به طرز غیرقابل تصوری پیچیده می‌شود. درک و پالایش الگوریتم‌هایی که در این فضاها حرکت می‌کنند، یکی از حیاتی‌ترین مرزهای هوش مصنوعی باقی می‌ماند و سرعت باز شدن قابلیت‌های جدید را تعیین می‌کند.[6][10]