
نوع من نماذج التعلم الآلي يتعلم توليد عينات بيانات جديدة مشابهة لمجموعة بيانات التدريب.النموذج التوليدي هو فئة من خوارزميات التعلم الآلي التي تتعلم التوزيع الأساسي لمجموعة بيانات التدريب ثم تنتج عينات بيانات جديدة تشبهه. بدلاً من مجرد تصنيف المدخلات إلى فئات، تلتقط هذه النماذج الأنماط والبنية الإحصائية للبيانات، مما يسمح لها بإنشاء أمثلة جديدة—صور، نصوص، هياكل جزيئية، أو حتى حالات فيزيائية—تكون معقولة ولكنها ليست مطابقة لأي شيء شوهد من قبل. وهذا يجعلها حجر الزاوية في الذكاء الاصطناعي الحديث، مما يتيح مهامًا مثل توليد الصور، واكتشاف الأدوية، ومحاكاة المناخ.
ظهر المفهوم في الثمانينيات مع الأعمال المبكرة حول آلات بولتزمان، لكن النماذج التوليدية الحديثة انطلقت بعد تقديم شبكات الترميز التلقائي المتغيرة (VAEs) في عام 2013 والشبكات التنافسية التوليدية (GANs) في عام 2014 بواسطة كينغما وويلينغ، وغودفيلو وآخرين، على التوالي.
تعمل النماذج التوليدية عادةً عن طريق تحديد توزيع احتمالي على البيانات ثم أخذ عينات منه. تشمل الأساليب الشائعة شبكات الترميز التلقائي المتغيرة (VAEs)، التي تضغط البيانات في فضاء كامن وتفك تشفيرها مرة أخرى، والشبكات التنافسية التوليدية (GANs)، حيث تتنافس شبكة مولدة مع شبكة مميزة لإنتاج عينات واقعية بشكل متزايد. في الفيزياء وعلوم المواد، يمكن للشبكات العصبية الرسومية أن تعمل كنماذج توليدية من خلال تعلم القواعد التي تحكم الترتيبات الذرية، ثم اقتراح هياكل بلورية جديدة أو جزيئات ذات خصائص مرغوبة.
تُستخدم النماذج التوليدية لتصميم مواد جديدة بخصائص محددة، وتوليد صور طبية اصطناعية لتدريب أنظمة التشخيص، وتحسين نماذج المناخ عن طريق ملء البيانات المفقودة أو إنشاء أنماط طقس واقعية.
يمكن للنماذج التوليدية إنشاء 'فضاء كيميائي' كمكتبة اندماجية ضخمة، حيث كل نقطة هي جزيء محتمل، وتساعد في التنقل في هذا الفضاء للعثور على مرشحين لأدوية جديدة.






















