في عالم الذكاء الاصطناعي، تتجلى الابتكارات بسرعة مذهلة، حيث يتسارع التطور في الشبكات العصبية العميقة. ولكن رغم التقدم الكبير، تبقى مشكلة تدريب الشبكات باستخدام وحدات المعالجة الرسومية (GPU) كثيفة الاستهلاك للطاقة. لهذا السبب، تأتي الحاجة إلى البحث عن أساليب تعلم جديدة تندمج مع الديناميات الفيزيائية.

تتناول هذه المقالة مفهوم "انتقال التوازن" (Equilibrium Propagation) كأسلوب تعلم يعتمد على الطاقة، الذي يواجه مشكلة التلاشي في الحلول المحلية بسبب انكماش الفضاء الفعلي. وهذا ما دفع الباحثين إلى تقديم إطار عمل مستلهم من الديناميات الإيسينغ (Ising-Dynamics) حيث تم استبدال الاسترخاء الاضمحلالي لهوبفيلد (Hopfield) بديناميات فضاء مرحلي موسع.

تحت هذا النظام الجديد، يتم الحفاظ على قاعدة التعلم المحلية ثنائية الطور لـ"انتقال التوازن"، ولكن المسار الفيزيائي الذي تمر به الحالات العصبية للوصول إلى التوازن يتغير. وقد أثبتت التجارب أن هذا النهج يعزز فعالية التدريب عن طريق تقليل الحواجز الطاقية، وتسريع الفعالية، مما يحسن من المقاومة للتشويش.

تم تطبيق هذه الديناميات الجديدة على الشبكات العصبية العميقة من نوع "هوبفيلد" على مجموعات بيانات مختلفة مثل MNIST و FashionMNIST و CIFAR-10، ونتائج الأداء كانت مماثلة لأسلوب "الانتشار العكسي" (Backpropagation).

مع هذه الابتكارات، يصبح الطريق مفتوحًا لاستكشاف آفاق جديدة في عالم التعلم العميق، مما يمكن الذكاء الاصطناعي من تحقيق أداء أكثر كفاءة وأقل استهلاكًا للطاقة.