M2N2؛ تکامل شبکه‌های عصبی با رقابت و ادغام مدل‌ها

پژوهشگران Sakana AI در مقالهٔ «رقابت و جاذبه، ادغام مدل را بهبود می‌دهند» الگوریتمی به نام M2N2 یا «ادغام مدل در زیست‌بوم‌های طبیعی» معرفی کرده‌اند. این روش به‌جای آموزش متعارف با پس‌انتشار و گرادیان نزولی، جمعیتی از شبکه‌های عصبی را ارزیابی می‌کند و با انتخاب و ادغام مدل‌های مناسب، نسل‌های تازه‌ای می‌سازد.

این فرایند چگونه کار می‌کند؟

M2N2 سه ایده را کنار هم می‌گذارد: مرزهای ادغام به‌صورت پویا تغییر می‌کنند تا بخش‌های متفاوت پارامترهای دو مدل ترکیب شوند؛ رقابت بر سر نمونه‌های داده، تنوع جمعیت را حفظ می‌کند؛ و یک معیار «جاذبه» مدل‌هایی با نقاط قوت مکمل را برای ادغام انتخاب می‌کند. بنابراین تعبیر «تولیدمثل هوش مصنوعی» در این خبر یک استعارهٔ فنی برای انتخاب، بازترکیب و جهش است، نه تولیدمثل زیستی یا فعالیت خودمختار مدل‌ها.

نتیجهٔ آزمایش‌ها

به گزارش خود پژوهشگران، این روش توانسته طبقه‌بندهای MNIST را از شبکه‌های تصادفی و بدون محاسبهٔ گرادیان تکامل دهد و به عملکردی هم‌سطح CMA-ES با کارایی محاسباتی بهتر برسد. آن‌ها همچنین M2N2 را برای ادغام مدل‌های زبانی تخصصی و مدل‌های تولید تصویر آزمایش کرده‌اند و گزارش می‌کنند که مدل‌های ادغام‌شده ضمن بهبود وظایف هدف، بخشی از توانایی‌های خارج از تابع برازندگی را نیز حفظ کرده‌اند.

این نتایج نشان می‌دهد ادغام تکاملی می‌تواند مسیر مکملی برای ساخت یا ترکیب مدل‌ها باشد؛ بااین‌حال، ادعای «یادگیری تولیدمثل» نباید به معنای جایگزینی عمومی آموزش رایج یا پیدایش خودمختاری در هوش مصنوعی تعبیر شود. مقاله در کنفرانس GECCO 2025 پذیرفته و منتشر شده است.