یادگیری عمیق در هوش مصنوعی: از مبانی تا کاربردهای پیشرفته و چالش‌های نوین

یادگیری عمیق در هوش مصنوعی: از مبانی تا کاربردهای پیشرفته و چالش‌های نوین

یلدا مسگر1

1) کارشناسی ارشد گرایش نرم افزار،دانشگاه آزاد اسلامی واحد آیت الله آملی

کد IOI مقاله : ABEB-ACAGEE
محل انتشار : چهارمین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک(eitconf.com)
چکیده :
    زمینه و هدف: یادگیری عمیق به‌عنوان رکن اساسی پیشرفت‌های اخیر هوش مصنوعی، تحولاتی بنیادین در حوزه‌های گوناگون ایجاد کرده است. با این حال، سرعت تحولات به‌حدی است که ارائه یک تصویر به‌روز و منسجم از مفاهیم پایه تا پیشرفته‌ترین معماری‌ها، به‌ویژه برای دانشجویان تحصیلات تکمیلی، ضروری به نظر می‌رسد. هدف این مقاله، ارائه یک مرور ساختاریافته و کاربردی از مهم‌ترین تحولات یادگیری عمیق بین سال‌های ۲۰۲۰ تا ۲۰۲۶ است. روش مرور: جستجوی سیستماتیک در پایگاه‌های Web of Science، Scopus، IEEE Xplore و arXiv با کلیدواژه‌های مرتبط انجام شد. از میان ۳۸۷ مقاله اولیه، ۷۵ مقاله بر اساس معیارهای اعتبار مجله، تازگی (۲۰۲۴-۲۰۲۶) و ارتباط مستقیم با موضوع، برای تحلیل نهایی انتخاب شدند. یافته‌ها: بررسی‌ها نشان داد که (۱) معماری ترنسفورمر با معرفی مکانیزم‌های توجه خطی و معماری‌های ارث‌بر مانند Nexusformer، محدودیت مقیاس‌پذیری خود را تا حدود زیادی برطرف کرده است. (۲) مدل‌های پخش (Diffusion Models) با عبور از ساختار U-Net به سمت معماری ترنسفورمر (DiT) و ارائه روش‌های نمونه‌برداری سریع، به استاندارد طلایی در مدل‌های زایشی تبدیل شده‌اند. (۳) خودیادگیری نظارت‌نشده (SSL) با ارائه چارچوب‌های نظری مستحکم‌تری مانند تطابق توزیع نهان و LeJEPA، گام بزرگی به سمت یادگیری قابل اعتمادتر برداشته است. (۴) شبکه‌های عصبی گرافی (GNN) با ادغام دانش حوزه‌ای و پیش‌آموزش خودنظارتی، به ابزاری کلیدی در کشف دارو و طراحی مولکول تبدیل شده‌اند. (۵) مفاهیمی چون «هوش مصنوعی سبز» (Green AI) و «تعمیم‌پذیری خارج از توزیع» (OOD Generalization) به‌عنوان مهم‌ترین چالش‌های فراروی این حوزه مطرح هستند. نتیجه‌گیری: عصر مدل‌های بنیادین عظیم و متمرکز، جای خود را به مدل‌های کارآمد، متن‌باز و تخصصی می‌دهد. تمرکز پژوهش‌های آینده بر روی هوش مصنوعی پایدار از نظر زیست‌محیطی، سیستم‌های عامل هوشمند خودمختار، و ادغام عمیق‌تر با علوم تجربی خواهد بود.

کلمات کلیدی : یادگیری عمیق ترنسفورمر خطی مدل‌های پخش خودیادگیری نظارت‌نشده شبکه عصبی گرافی کشف دارو هوش مصنوعی سبز