في عالم الذكاء الاصطناعي، تُعتبر تقنيات الربط الفائق المتقيدة (Manifold-constrained hyper-connections - mHCs) تقدمًا هامًا. حيث تتيح هذه التكنولوجيا التعامل بشكل أفضل مع البيانات متعددة الأبعاد من خلال قيود الإسقاط على الأشكال الهندسية البيركهوفية. ومع ذلك، كانت هناك تحديات تتعلق بالقدرة الحسابية والذاكرة المستخدمة خلال عملية التنفيذ.

يستند الأداء الحالي لهذه التقنية إلى تكرارات خوارزمية Sinkhorn-Knopp، ولكن هذا قد يؤدي إلى زيادات كبيرة في وقت المعالجة والذاكرة، فضلاً عن عدم دقة الإسقاطات الناتجة في حال كانت البيانات المعالجة معقدة.

في هذا التحليل، نقدم إطار عمل متكامل لتسريع عملية إسقاط بيركهوف، مما ينتج عنه توفير كبير في الوقت والدقة. وذلك من خلال إعادة صياغة المشكلة في شكل مكون ثلاثي الأبعاد يمكن حله بأسلوب نيوتن، مما يسهم في تحقيق تقارب سريع ودقة عالية.

علاوة على ذلك، تعتمد تقنية التراجع على التفاضيل الضمنية بدلاً من الاختلافات المنفصلة، مما يسهل الحصول على التدرجات الدقيقة دون الحاجة إلى تخزين حالات وسيطة. ولتحقيق الاستفادة القصوى من الإمكانيات المتوازية، تم تصميم نواة CUDA بمستوى الوارپ (warp-level) لتجنب إتمام المدخلات إلى الذاكرة الخارجية.

أثبتت التجارب الواسعة التي أجريت مقارنة بالمراجع المفتوحة المصدر أن الحلول المطورة تقدم إسقاطات ثنائية العشوائية موثوقة بشكل أكبر، خاصة عند استخدام كميات كبيرة من المدخلات. كما أظهرت النتائج تحسنًا كبيرًا في سرعة التنفيذ النهائي، حيث زادت معدلات التسريع إلى أكثر من 20 مرة في حالات الأحمال الكبيرة بينما بقيت الأخطاء ضمن الحدود المقبولة.