في عالم الذكاء الاصطناعي، أثبتت الشبكات العصبية التلافيفية (CNNs) فعاليتها خلال السنوات الأخيرة، لكن القصور في أساليب التعلم التقليدية مثل الخوارزمية المعروفة باسم ``backpropagation`` دفع العلماء للبحث عن بدائل أكثر ابتكاراً. هنا يأتي دور الخوارزمية الجديدة المعروفة بـ ``Forward-Forward`` (FF)، التي تستلهم معرفتها من العمليات البيولوجية.

تمثل FPGA بديلاً أساسياً من خلال تبني أهداف محلية تعتمد فقط على التعلم الأمامي، مما يقلل الاعتماد على التخصيص القائم على التدرجات. ومع ذلك، وُجد أن الحلول الحالية التي تستخدم FF قد واجهت صعوبات في التعامل مع تقسيمات القنوات الثابتة، مما أثر على أدائها في المهام الدقيقة المعقدة.

تقدم الدراسة الحالية آلية جديدة لتخصيص القنوات تعتمد على التعلم القابل للتطوير، مما يسهل التخصص القائم على البيانات للقنوات التلافيفية. وتعتمد هذه الآلية على تنظيم الحقائق (entropy) والعموديات (orthogonality) لتحفيز فعالية التعلم. بالإضافة إلى ذلك، تم تقديم استراتيجية ``المساهمة الطبقية المعتمدة على الخسارة`` التي تضبط وزن التوقعات المستمدة من الطبقات الوسيطة حسب أدائها في عملية المصادقة، مما يزيد من فعالية الاستنتاج الأمامي.

عند دمج هذه الأساليب في الشبكات العصبية التلافيفية المتبقية (Residual CNNs)، أظهرت النتائج تحسنًا مستمرًا في الأداء عبر مجموعة بيانات تتضمن CIFAR-10 وCIFAR-100 وTiny-ImageNet مقارنةً بالأساليب الأخرى التي تعتمد على FF. الأهم من ذلك، تم تحقيق أداء جديد في المستوى الرفيع بين النماذج المعتمدة على FF، مما ضيق الفجوة مع أنظمة التعلم التقليدية المستخدمة.

تسلط هذه النتائج الضوء على أن إدخال التخصص القابل للتعلم للقنوات وإضفاء وزن أكبر على مساهمات الطبقات مُعزز بشكل ملحوظ في قدرة التعلم العميق عبر الشبكات العصبية التلافيفية باستخدام التعلم الأمامي فقط.