تستمر نماذج الانتشار (Diffusion Models) في تحقيق أداء قوي في مجالات توليد النصوص والصور، غير أن عملية الاستدلال (Inference) ما زالت تواجه تحديات في الكفاءة والجودة. في دراسة حديثة، تم استكشاف كيفية تأثير درجة العشوائية (Stochasticity) في التحولات ماركوف (Markov transitions) على التوازن بين جودة العينات وسرعتها.

يشير البحث إلى أن التحولات المحددة بشكل عالٍ تتقارب بسرعة لكنها تتعرض لتراكم الأخطاء، في حين أن التحولات الأكثر عشوائية تبطئ من سرعة التقارب، ولكن يمكن أن تحقق جودة أعلى للعينات النهائية.

من خلال تحليل معلوماتي، تم تحديد آلية تصحيح الأخطاء الناتجة عن التحولات الزائدة التي تقوم بتبادل الكتلة بين الحالات، مما يساعد على تقليص الأخطاء في عملية أخذ العينات. ومن خلال هذه التحليلات، تم اقتراح خوارزمية جديدة تُعرف باسم "أخذ العينات مع الاضطراب والعودة" (Discrete Churn and Restart Sampling - DCRS)، التي تضيف عشوائية مضبوطة عن طريق التبديل بين عمليات الانتشار الأمامية والخلفية.

أظهرت التجارب على مجموعات بيانات صناعية ومقاييس كبيرة أن خوارزمية DCRS تحسن التوازن بين السرعة والجودة بشكل ملحوظ. في حالات أخذ العينات من مجموعات الصور، حققت DCRS تخفيضًا يصل إلى 10 مرات في خطوات أخذ العينات مقارنة بالعوامل القياسية، مع الحفاظ على جودة عينات تنافسية. بينما لوحظ سلوك أكثر دقة في مؤشرات اللغة بحسب عملية الفساد وإجراءات أخذ العينات.

لقد أثبتت هذه الابتكارات فاعليتها الكبيرة، مما يفتح آفاقاً جديدة أمام الباحثين والمطورين في مجال الذكاء الاصطناعي. هل تعتقدون أن هذا التطور سيغير مستقبل النماذج اللغوية؟ شاركونا آراءكم في التعليقات.