ماشین های بولتزمن محدود (RBMs) چیست؟

ماشین های بولتزمن محدود (Restricted Boltzmann Machines) یک نوع از شبکه های عصبی مصنوعی هستند،  که برای مدلسازی و تحلیل داده ها استفاده می شوند. این شبکه به صورت گراف دو لایه ساخته می شوند، که لایه ورودی و لایه پنهان را شامل می شوند. در این مدل، هر گره در لایه ورودی با گره های لایه پنهان به صورت کاملا متصل است.

ماشین های بولتزمن محدود بر اساس تئوری فیزیک آماری بولتزمن ساخته شده اند و از الگوریتم های چینش آماری استفاده می کنند. آموزش این ماشین ها به منظور تخمین پارامتر های داده صورت می گیرد و با استفاده از الگوریتم پیشخور(Feedforward)، قابل استفاده در تولید نمونه جدید نقطه داده می باشد.

 با استفاده از این ماشین ها، قابلیت تحلیل و پیدا کردن الگو در داده ها را دارید، در حالات خاص کاربردهای پردازش زبان، تجزيه عاملی، یادگیری نظارت نشده و يافتن الگو در داده خام استفاده زیادی دارد.

این ماشین‌ها در دهه 1980 توسط جفری هینتون و تراور روزلارت پایه ‌گذاری شد، تاریخچه ماشینهای بولتزمن محدود به سال 1982 بازمی ‌گردد، زمانی که پائول سمولجانسکی ایده اصلی را برای این شبکه عصبی مطرح کرد. اما به دلایل فنی، تا سال 2006 استفاده و تحقق عملکرد آن به صورت وسعت داده نشد.

پس از آن، با پیدایش روش جفری هینتون در سال 2006، استفاده از ماشین های بولتزمن محدود در حوزه یادگیری عمق به شکل فعال آغاز شد. با استفاده از الگوریتم‌های تخصصی و قابل بهبود برای آموزش و پیدا کردن وابستگان در داده‌ها، ماشین های بولتزمن محدود قابل استفاده در حل مسائل نظارت نشده (unsupervised) و نظارت شده (supervised)  شده‌اند. 

نحوه عملکرد ماشین های بولتزمن محدود (RBMs)

این شبکه عصبی  یک مدل ساده از سیستم دینامیکی می باشد که برای تعریف و توصیف رفتار های غیر خطی و غیر دورانی بکار میرود، این شبکه دارای معادله های دیفرانسیلی بازگشتی است که واستگی به زمان را به صورت غیر خطی نمایش میدهد. چرخه و نحوه عملکرد ماشین بولتزمن در زیر توضیح داده شده است: 

1. شروع: در ابتدا، وضعیت اولیه شبکه تعریف می‌شود که این وضعیت شامل حالت های داخلی شبکه و پارامتر های آن است.
2. فعالسازی: با توجه به وضعیت کنونی، شبکه فعال می‌شود. در این مرحله، خروجی های شبکه بر اساس حالات داخلی و پارامتر های آن تولید خواهند شد.
3. تغذيه: خروجی های تولید شده به عنوان ورودی به شبکه بازگشت داده می شوند. این خروجی ها به عنوان نقطه شروع برای چرخه بعدی در نظر گرفته خواهند شد.  
4. تغيير حالت: با در نظر گرفتن خروجی های قبلی، حالات داخلی شبکه در يک قسمت جديد تغيير پيدا كرده و خروجی به شکل جدیدی صورت می پذیرد. 
5. تکرار: فعالسازی، تغذيه، تغيير حالت، روندی است كه به صورت پی در پی و تکرار شده انجام میشود.

 بسته به پارامتر ها و حالت های اوليە، الگوریتم بولتزمن-گيلبرات (Boltzmann-Gibbs) کاربردهای گسترده‌ای در علوم کامپيوتر پیدا کرده است.

کاربرد های ماشین های بولتزمن محدود (RBMs)

این ماشین ها، یک نوع شبکه عصبی هستند که در حوزه های مختلف کاربردهای گسترده ای دارد، در بخش زیر به کاربردهای این الگوریتم در حوزه های مختلف اشاره خواهیم کرد.

• تحلیل داده: از این شبکه معمولا برای تحلیل داده ها و استخراج ویژگی های مفید استفاده می شود که با استفاده از آن، می توان الگوهای پنهان در داده ها را شناسایی کرد و ویژگی های معنادار را استخراج کنید.

• تشخیص الگو: این شبکه قابل استفاده در تشخیص الگو و طبقه بندی داده ها می باشد که با آموزش آن ها بر روی دسته بند، مدل قادر به تشخیص الگو و پترن های خاص در داده ها خواهد بود.

• پردازش زبان طبیعی: همچنین این مدل برای پردازش زبان طبیعی مانند تولید جملات، تولید نام، تطابق جملات و ... بکار میرود. با آموزش این شبکه، بر روی دسته كلمات، می ‌توان جملات جديدی را با سبک كاملا شبيه به جملات اصيل توليد كرد.

خلاصه مقاله 

ماشین های بولتزمن محدود (Restricted Boltzmann Machines) یک نوع از شبکه های عصبی مصنوعی هستند،  که برای مدلسازی و تحلیل داده ها استفاده می شوند. این ماشین ها یک مدل ساده از سیستم دینامیکی است که برای توصیف رفتارهای غیرخطی و غیردورانی استفاده می‌شود که به صورت گراف دو لایه ساخته می شوند، که لایه ورودی و لایه پنهان را شامل می شوند. این ماشین ها یک الگوریتم یادگیری ماشین است که در حوزه های مختلف کاربردهایی همچون تحلیل داده، تشخیص الگو، پردازش زبان طبیعی و ... استفاده می شود.