في عالم الذكاء الاصطناعي، تعد الشبكات العصبية أداة قوية، لكن دراسة جديدة تكشف عن تحديات مثيرة تتعلق بكيفية تمييز الخصائص الوظيفية للشبكات العصبية المستقلة بعد ما يعرف ب 'الانهيار العصبي' (Neural Collapse).

الشبكات العصبية المدربة بشكل مستقل تفتقر إلى إطار مرجعي مشترك، مما يجعل المقارنة بينها معقدة. عند حدوث الانهيار العصبي، تتجه الشبكات نحو هندسة منخفضة الأبعاد مشتركة، مما يؤدي إلى التساؤل حول ما إذا كانت التباينات الوظيفية الخاصة بالمسارات تبقى ممكنة التمييز بعد هذا الانهيار.

تناولت الدراسة ثلاثة دعاوى رئيسية: القابلية للكشف (detectability)، إمكانية الزرع (transplantability) والثبات السببي (causal persistence). وقد ركزت على قابلية الكشف. باستخدام خمس شبكات عصبية مدربة بشكل مستقل لإعادة بناء الانهيار العصبي على مجموعة بيانات MNIST، قامت الدراسة بتطبيق طريقة محاذاة مُعتمدة، حيث تم إدخال الوظائف الفردية للمتبرعين في الإحداثيات الخاصة بالمتلقين.

أظهرت النتائج أن بصمات وظيفية محددة للمتبرعين تبقى قابلة للتعرف عليها بعد تصحيح الأساسيات على مستوى المتلقين، حيث تم التعرف على جميع أزواج المتبرعين والمتلقين (20 زوجاً) بدقة، مع معامل دلالة إحصائية p=0.0083، مما أثبت فعالية هذا التقييم حتى مع وجود تدقيق لتجنب التسرب.

هذه النتائج تؤكد قابلية الكشف تحت الاختبار المستخدم، غير أنها لا تثبت إمكانية الزرع أو الثبات السببي. هذه الدراسة توضح كيف أن المحاذاة، تشخيصات الغموض والتحكم في التسرب تتجمع لاختبار التباين بين الشبكات في بيئة محكومة. بينما يبقى السؤال مفتوحاً حول ما إذا كان هذا يمكن تعميمه على حالات أخرى، فإن النتائج تمثل خطوة هامة نحو فهم أعمق للعلاقات الوظيفية في الشبكات العصبية.